从被动响应到主动帮助，ProActive Agent开启人机交互新篇章

在人工智能领域，我们正见证着一场革命性的变革。传统的AI助手，如ChatGPT，需要明确的指令才能执行任务。但现在，清华大学联合面壁智能等团队提出了一种全新的主动式Agent交互范式——ProActive Agent，它能够主动观察环境、预判用户需求，并在未被明确指示的情况下主动提供帮助。

安装步骤

克隆仓库并进入目录

bash

git clone git@github.com:thunlp/ProactiveAgent
cd ProactiveAgent

创建并激活虚拟环境，安装依赖

bash

conda create -n activeagent python=3.10
conda activate activeagent
pip install -r requirements.txt

配置步骤

复制配置文件示例并进行修改
```
bash
```
```
cp example_config.toml private.toml
```
请根据您的实际情况，修改private.toml文件中的default_completions_model、api_key和base_url等设置。

运行Proactive Agent

进入./agent目录，按照README中的说明运行Proactive Agent。

资源链接

项目官网：MimicTalk GitHub
GitHub 仓库：ProactiveAgent GitHub
arXiv 技术论文：技术论文链接
Activity Watcher：ActivityWatch 官网

ProActive Agent：AI交互的新纪元

ProActive Agent不再是简单的指令执行者，而是升级成为了具有“眼力见”的智能助手。它能够主动观察环境、预判用户需求，并在未被明确指示的情况下主动帮用户排忧解难。这一新范式下的Agent实现了从“被命令”到“会思考”的质的飞跃。

技术突破：ProActive Agent的核心组件

ProActive Agent的技术原理包括三个核心组件：

环境模拟器：模拟特定环境，为智能体的交互提供沙盒条件，通过使用Activity Watcher软件采集的真实人类数据生成事件，维护环境状态。
主动智能体：预测用户意图，生成预测任务，并在用户接受后执行任务。
用户智能体：模拟用户行为并对主动智能体的任务做出反馈，通过奖励模型模拟人类标注员的判断过程。

ProActive Agent的应用场景

ProActive Agent在日常生活中有丰富的应用潜力。以下是一些预想可实现的场景：

场景1：在情侣聊天中，ProActive Agent主动为女生定闹钟提醒起床。
场景2：ProActive Agent主动帮助用户存储文件，并根据文件内容重命名。

ProActive Agent的实验研究

该研究通过采集不同场景下的人类活动数据构建了环境模拟器，并构建了数据集ProactiveBench。通过训练模型，获得了与人类高度一致的奖励模型，并比对了不同模型在数据集下的性能。

ProActive Agent的性能评估

在性能评估方面，研究团队提出了一套度量方式衡量奖励模型和人工标注员的一致性，包括需求遗落(MN)、静默应答(NR)、正确检测(CD)和错误检测(FD)。在这四个度量方式上进行召回率、精确度、准确度和F1分数的计算，从结果上看，所有的现有模型都在正确检测上表现良好，但对于其他指标则性能较差。现有模型倾向于接受智能体的任务，尽管可能毫无助益。相对的，该研究训练的模型性能最优，因此被选为ProActiveBench的奖励模型。