跳转至

PASK: Toward Intent-Aware Proactive Agents with Long-Term Memory

摘要

主动性是通用人工智能的核心期望。现有研究大多停留在实验室场景，在真实世界的主动性 Agent 方面存在明显差距：深度、复杂性、歧义性、精确性和实时约束等挑战。本文研究在延迟和长视野约束下，从持续上下文推断潜在需求并在演化的用户记忆中落地行动的场景。提出 DD-MM-PAS（需求检测、记忆建模、主动性 Agent 系统）作为流式主动性 AI Agent 通用范式，并在 Pask 系统中实例化，包含用于 DD 的流式 IntentFlow 模型、用于长期 MM 的混合记忆（工作空间、用户、全局），以及 PAS 基础设施框架。引入 LatentNeeds-Bench 基准，从用户授权数据构建并经数千轮人工编辑精炼。实验表明，IntentFlow 在延迟约束下达到 Gemini3-Flash 模型的领先水平，同时识别更深层用户意图。

核心贡献

  1. DD-MM-PAS 通用范式：提出 Demand Detection、Memory Modeling、Proactive Agent System 三层架构，为流式主动性 AI Agent 提供统一框架
  2. Pask 系统实例化：混合记忆模块包含工作空间记忆（短期任务上下文）、用户记忆（长期偏好）、全局记忆（共享知识）
  3. IntentFlow 模型：流式需求检测模型，在延迟约束下达到 Gemini3-Flash 同等性能，同时识别更深层用户意图
  4. LatentNeeds-Bench 基准：首个从真实用户授权数据构建的主动性 Agent 评测基准，经数千轮人工编辑确保质量
  5. 主动干预闭合回路：各组件形成闭环——检测到潜在需求 → 查用户记忆 → 主动生成干预

为什么重要

现有 Agent 多为被动响应式，而真实世界需要主动预见用户需求。PASK 将记忆系统从"被动存储"升级为"主动推断"，结合混合记忆架构解决了三个关键问题：(1) 如何从噪声流式输入中检测真实需求；(2) 如何利用多层次记忆支持长期偏好理解；(3) 如何在严格延迟约束下完成实时推理。

与端侧/移动端的相关性

  • 流式处理：IntentFlow 模型专为低延迟场景设计，适合手机、AR 眼镜等实时交互设备
  • 混合记忆分层：工作空间/用户/全局三层分离，用户隐私数据可完全保留在本地
  • 边缘友好：主动干预决策可在云端完成，记忆查询和恢复在边缘侧执行
  • 隐私授权数据：LatentNeeds-Bench 基于真实用户数据构建，确保benchmark 反映实际场景

参考文献

  • DD-MM-PAS 范式：需求检测、记忆建模、主动性 Agent 系统
  • LatentNeeds-Bench：用户授权数据，2000+ 轮人工编辑
  • IntentFlow：延迟约束下对标 Gemini3-Flash