ProAgent：利用按需感知上下文为野外环境中的主动 LLM 代理系统提供支持
人工智能
2026-05-08 v2 计算与语言
人机交互
摘要
近期研究已开始探索主动大语言模型（LLM）代理，通过自动利用上下文信息（如代码编辑和应用内建议）提供不显眼的辅助。然而，大多数研究聚焦于短期的、特定任务的片段或屏幕上下文，而非在整个日常生活中持续感知和辅助用户。实现此类野外环境辅助需要持续感知用户周围环境，这可能产生大量的系统开销。在本工作中，我们提出 ProAgent，一个利用按需感知上下文提供野外环境辅助的端到端主动代理系统。ProAgent 首先采用按需分层感知，通过整合低成本上下文线索与按需丰富感知来持续感知用户周围环境，并使用面向主动的上下文提取来推导整合感官上下文和人类偏好的层次化上下文。然后 ProAgent 采用上下文感知的主动推理器推断用户需求并调用外部工具来提供主动辅助。我们在 AR 眼镜上实现 ProAgent，并在公开数据集和真实世界数据集上进行了评估。结果表明，ProAgent 相比最先进的基线方法实现了高达 27.7% 的主动预测准确率提升和 20.5% 的误检率降低。一项涉及 20 名参与者的用户研究表明，85% 的参与者对 ProAgent 感到满意并愿意在日常生活中使用它。
引用
@article{arxiv.2512.06721,
title = {ProAgent: Harnessing On-Demand Sensory Contexts for Proactive LLM Agent Systems in the Wild},
author = {Bufang Yang and Lilin Xu and Liekang Zeng and Yunqi Guo and Siyang Jiang and Wenrui Lu and Kaiwei Liu and Yixuan Li and Xiaofan Jiang and Guoliang Xing and Zhenyu Yan},
journal= {arXiv preprint arXiv:2512.06721},
year = {2026}
}