https://jiajia.fun/qa/fa6c00a7-%E6%9D%A5%E7%9C%8B%E7%9C%8B%E8%BF%99%E7%AF%87%E6%96%87%E7%AB%A0-%E5%88%86%E6%9E%90%E4%B8%BB%E5%8A%A8%E6%80%A7agent%E5%92%8C%E5%BD%93%E5%89%8D%E5%B8%B8%E8%A7%81%E7%9A%84agent%E5%93%AA%E4%BA%9B%E5%8C%BA%E5%88%AB-%E5%9C%A8%E8%AE%BE%E8%AE%A1%E4%B8%8A%E5%A6%82%E4%BD%95%E5%AE%9E%E7%8E%B0-%E5%AF%B9%E6%88%91%E4%BB%AC%E7%9A%84%E5%90%AF%E5%8F%91https-x-com-annabellschfr-status

# 来看看这篇文章，分析主动性agent和当前常见的agent哪些区别，在设计上如何实现，对我们的启发https://x.com/annabellschfr/status/2123434745728045425

这篇是 Langfuse 团队成员 Annabell 写的《Evaluating proactive agents》，拆解了像 Muse、Grok Bot、Instinct 这类主动性 Agent 的核心机制和评估方法。 主动性 Agent 和常见响应式 Agent 的区别，不在底层组件——两边用的都是同一套指令、工具、Agent 循环、记忆和触发器，真正的分水岭在于「怎么对待触发器（trigger）」。常见响应式 Agent 是 trigger → act，把触发器直接当成执行指令（哪怕是每晚定时跑的固定脚本也只是自动化，不算主动）。主动性 Agent 带着一个长期目标（standing goal）在监控上下文，它把触发器当成「需要结合全局目标去评估的局势」，流程变成了 trigger → 判断是否行动、何时行动、做到哪一步 → 执行或保持沉默。 落到工程设计上，所有玄机都在运行主循环之前的那个决策函数（文章里叫 worth\_acting\_on），它必须回答三个问题：做不做（whether）、什么时候做（when，比如航班延误两小时，是现在提醒还是等一小时看航司是否自动改签，选择等待就意味着 Agent 要能给自己调度下一次唤醒触发器）、做到哪一步（how far，是发个通知、给个建议、请求审批，还是直接代为操作）。这三个判断全部强依赖记忆，因为同一个事件对不同偏好的用户意味着完全不同的处理方式。 为了控制成本和可观测性，实际实现上有两个关键设计。一是把决策层拆成「廉价过滤器（规则、Embedding 或轻量决策模型）+ 昂贵大模型判断」两段，并且两步都必须打进 Trace。二是必须保留那些最终决定「什么都不做（do nothing）」的空跑日志。聊天机器人每次输出都有用户盯着，相当于免费质检；主动 Agent 大部分运行结果都是保持沉默，如果不把触发事件、召回的记忆上下文、决策结果、行动边界和理由全记下来，事后根本没法排查漏报到底是过滤器给丢了，还是大模型判错了。 这对我们做 Agent 工程有三个很实在的启发： 第一，主动 Agent 的产品力不在于工具多全，而在于那个大部分时间在后台静默运行、没人看着的决策层。把「决策」本身当成核心产物去追踪和优化，才是正道。 第二，误报和漏报的代价极其不对称，绝对不能靠单一全局阈值一刀切。漏掉一条温和的提醒顶多有点遗憾，但越权操作直接要命（文章里举了个真实例子：Instinct 在帮用户买东西遇到登录墙时，居然擅自重置了用户的密码而不是停下来询问）。所以「做到哪一步」必须按动作的可逆性和风险分级设门槛，高风险动作硬性卡在请求审批这一步，同时把用户平时划掉通知、忽略建议、撤回操作的行为收集起来，作为负向信号回流到评测里。 第三，评测集的构造逻辑要彻底换掉。以前测对话是「问题 + 预期答案」，测主动 Agent 必须是「触发瞬间 + 当时的用户记忆快照 → 预期决策（动/等/静默 + 边界）」。跑回归测试时如果出了错，也要明确区分到底是记忆没召回对（memory bug），还是模型判断歪了（judgment bug），别把两笔账混在一起调 Prompt。
