PRISM：Festina Lente 主动性 -- 风险敏感、不确定性感知的决策式主动行为
人工智能
2026-02-03 v1 人机交互
摘要
主动代理必须决定不仅要说什么，还要是否以及何时干预。许多当前系统依赖脆弱的启发式方法或不加限制的深度推理，对帮助-误报成本之间的权衡控制极差。我们将问题形式化为成本敏感的选择性干预，提出 PRISM 框架，将决策理论门控与双过程推理架构耦合。在推理时，代理只有当校准后的用户接受概率超过由 missed help 与 false alarm 成本不对称性导出的阈值时才进行干预。致敬 festina lente（拉丁语："慎速而行"），我们以接受率校准、成本派生的阈值作为门控标准，仅在决策边界附近调用资源密集型的 Slow 模式进行反事实检查，将计算资源集中于模糊且高风险情形。训练使用门控对齐、模式锁定的蒸馏：运行完整 PRISM 流程的教师为无标记交互轨迹提供稠密、可执行的监督信号，而学生学习的响应策略与干预门控显式解耦，以实现可调节且可审计的控制。 在 ProactiveBench 上，PRISM 将误报率降低 22.78%，F1 分数提升 20.14%。这些结果表明，原则决策理论门控结合选择性慢速推理与对齐蒸馏，能够产生精确、计算高效且可控的主动代理。为促进可重复性，我们在 https://prism-festinalente.github.io/ 发布代码、模型和资源；所有实验均使用开源 ProactiveBench基准。
引用
@article{arxiv.2602.01532,
title = {PRISM: Festina Lente Proactivity -- Risk-Sensitive, Uncertainty-Aware Deliberation for Proactive Agents},
author = {Yuxuan Fu and Xiaoyu Tan and Teqi Hao and Chen Zhan and Xihe Qiu},
journal= {arXiv preprint arXiv:2602.01532},
year = {2026}
}