Agent展现出了解决复杂任务的卓越能力。
· 目前大多数Agent是被动式的，限制了它们在需要预见性和自主决策的场景中的有效性。
· Agent2.0 主动发起任务，无需明确的人类指令。从被动响应转变为能够主动预测并发起任务的主动代理。这种转变不仅减轻了用户的认知负担，还能够帮助识别人类未明确表达的潜在需求，从而为用户提供更全面和无缝的服务。
· 左边Agent，被动式接受用户查询，然后生成响应
· 右边Agent，主动式Agent基于环境观察推断任务，并相应地提出可能的协助请求。
ProactiveAgent流程图
数据收集与处理
1.
环境监控与事件收集：开发基于Activity Watcher的监控软件，捕获用户与计算机系统的交互细节，包括键盘和鼠标操作、访问的网页和使用的开发工具。
2.
事件合并与文本描述：将原始数据合并成逻辑上连贯的段落，并使用语言模型将结构化数据转换为更自然的文本描述。
场景生成
1.
种子工作生成：使用GPT-4o基于人类标注者收集的种子工作创建各种任务，这些任务可能是用户在特定类别下执行的，如编码、写作或日常生活。
2.
实体生成：为任务可能涉及的实体（如浏览器、软件和工具）生成所有可能的实体。
3.
场景细化：通过添加更多细节（如实体状态或日期时间）来完善场景，并根据收集的事件为每个特定上下文生成示例事件。
事件生成
1.
用户活动生成：对于每个场景，用户代理首先描述其在模拟环境中完成工作的活动和行动。
2.
事件详细生成：环境健身房接受用户活动和行动，逐一生成详细事件。
3.
状态维护：环境健身房在生成新事件时更新实体的状态和属性，并根据最新环境状态生成下一个事件。
代理预测与任务执行
1.
预测任务：主动代理接收新事件后，更新其记忆，并结合新旧事件及与用户的对话历史，提出可能的任务。
2.
执行任务：一旦用户接受预测任务，代理将在环境健身房中执行任务，产生关于代理与环境交互的多个事件。
奖励模型评估
1.
模型训练：使用人类标注的数据训练LLaMA-3.1-8B-Instruct模型，并与几个基线模型进行比较，以展示其优越性。
2.
评估指标：使用奖励模型对预测任务进行二元分类，并与人类标注结果进行比较，计算召回率、精确度、准确度和F1-Score。
https://github.com/thunlp/ProactiveAgent
https://arxiv.org/abs/2410.12361
原文出自：https://mp.weixin.qq.com/s/UJVnE30rPivNsGcDGkQaHw