Context：通过可组合沙盒程序、声明性连接和结构化交互实现主动目标导向智能

我们提出 Context，作为 Magarshak Architecture 的智能层，取代响应式查询-响应聊天机器人，构建主动导向目标的智能体，使其能在无需用户提示的情况下推进共享任务。该架构基于三个相互强化的机制。编写时上下文组装通过 Groker 智能体预计算增强的强类型属性，将交互上下文组装为图状态的确定性纯函数；上下文块在语义变化之间保持字节级一致，实现近乎 100% 的 KV 缓存复用。可组合沙盒智慧程序形成受管控的 LM 生成的命令式程序库，通过强类型流关系声明性连接到目标类型，通过阶段排序进行组合，在交互时执行而无需进一步的 LM 调用。主动目标流状态机通过检查图状态并发出结构化交互内容（选项数组、治理 affordances、澄清提示），从而在无需等待用户输入的情况下推动对话走向终止状态。我们证明了六个形式结果：Context 稳定性定理、界定每回合 LM 成本为语义变化率的函数；程序组合正确性定理；声明性连接 soundness 定理；主动优势定理，证明主动智能体在预期回合数到终止状态上弱于响应式智能体；协调开销消除与质量保持，建立多参与者目标对话中的 Pareto 改进；以及跨平台投票一致性定理。该系统在开源 Qbix / Safebox / Safebots 堆栈中实现。