💬 NLP

Anticipate and Learn: Unleashing Idle-Time Compute in Proactive Agents

Dit artikel introduceert ProAct, een proactieve agent-architectuur die rekenkracht in rusttijden benut om toekomstige gebruikersbehoeften te anticiperen en zich daarop voor te bereiden, vergezeld van de ProActEval-benchmark, die aanzienlijke verbeteringen aantoont in taakefficiëntie, vermindering van gebruikersinspanning en mitigatie van hallucinaties in vergelijking met reactieve baselines.

Oorspronkelijke auteurs: Haoyi Hu, Qirong Lyu, Xianghan Kong, Weiwen Liu, Jianghao Lin, Zixuan Guo, Yan Xu, Yasheng Wang, Weinan Zhang, Yong Yu

Gepubliceerd 2026-05-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Haoyi Hu, Qirong Lyu, Xianghan Kong, Weiwen Liu, Jianghao Lin, Zixuan Guo, Yan Xu, Yasheng Wang, Weinan Zhang, Yong Yu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer slimme persoonlijke assistent hebt die ongelooflijk goed is in het beantwoorden van vragen, maar alleen na je hebt gevraagd. Als je vraagt: "Wat is het weer?", vertellen ze het je. Als je vervolgens vraagt: "Moet ik een paraplu meenemen?", controleren ze opnieuw. Ze zijn reactief: ze wachten op de opdracht en handelen dan.

Het artikel introduceert ProAct, een nieuw type AI-assistent dat de regels verandert. In plaats van gewoon inactief te zitten en te wachten op je volgende opdracht, gebruikt ProAct de "dode tijd" tussen je vragen om vooruit te denken en zich voor te bereiden.

Hier is de uitleg van hoe het werkt, met behulp van eenvoudige analogieën:

1. Het probleem: De "slapende" assistent

Huidige AI-agenten zijn als een kok die pas begint met groenten snijden nadat je roept: "Maak me een salade!". Ze zitten stil en doen niets terwijl je nadenkt over wat je als volgende wilt bestellen. Dit kost tijd.

2. De oplossing: De "proactieve" assistent

ProAct is als een kok die, terwijl je nadenkt over je hoofdgerecht, al:

Je eerdere bestellingen leest (Geheugen) om te raden dat je misschien een salade wilt.
De sla wast en de dressing bereidt (Rekenkracht in rusttijd) zodat het klaar is op het moment dat je het vraagt.
De koelkast controleert om zeker te weten dat ze de juiste ingrediënten hebben (Feitenverificatie).

Wanneer je uiteindelijk zegt: "Ik neem een salade", begint de kok niet pas met snijden; ze geven je direct een perfect bereide kom.

3. Hoe het werkt: De twee-stapsdans

Het artikel beschrijft ProAct als twee belangrijke "spieren" die samenwerken tijdens die rustmomenten:

Stap A: De kristallen bol (Voorspelling van de toekomstige staat)
De AI kijkt naar wat je net hebt gezegd en je lange-termijn geschiedenis. Het vraagt zich af: "Wat zal deze persoon waarschijnlijk als volgende vragen?"
- Voorbeeld: Als je net een vergadering voor morgen hebt ingepland, raadt de AI dat je binnenkort een samenvatting van het project nodig hebt om te bespreken. Het wacht niet tot je het vraagt; het voorspelt deze behoefte.
Stap B: De slimme bespaarder (Verwerving in rusttijd)
Zodra de AI een gok heeft, gokt het niet blind. Het controleert: "Is deze gok nuttig? Weet ik het antwoord al? Moet ik nieuwe feiten opzoeken?"
- Als het antwoord "Ja, dit is waardevol" is, besteedt het zijn "rusttijd" aan het verzamelen van de feiten, het controleren op nauwkeurigheid en het ordenen ervan.
- Als het antwoord "Nee, dit is waarschijnlijk tijdverspilling" is, bewaart het die gedachte voor later of negeert het deze.

4. De "waarde-poort": Wees niet vervelend

Een grote angst bij proactieve AI is dat het je zal onderbreken met onbruikbare informatie (zoals een ober die je dessert brengt voordat je je soep hebt opgegeten).

ProAct heeft een strenge waarde-poort. Het duwt alleen informatie naar je toe als:

Het sterk relevant is voor wat je net hebt gedaan.
Het je moeite bespaart.
Het feitelijk correct is.

Als de informatie goed is maar niet dringend, bewaart het deze stil in zijn "binnenzak" (geheugen) om de volgende keer te gebruiken wanneer je een gerelateerde vraag stelt.

5. De resultaten: De "ProActEval"-test

Om te bewijzen dat dit werkt, hebben de auteurs een enorme test ontwikkeld genaamd ProActEval. Stel je een videospel voor met 200 verschillende scenario's (zoals het plannen van een reis, het beheren van een budget of het organiseren van een project) waarbij de "juiste" antwoorden al bekend zijn.

Ze testten drie soorten assistenten:

De Reactor: Wacht op vragen.
De Bemoeial: Werkt tijdens rusttijd, maar raadt willekeurig zonder plan.
ProAct: Werkt tijdens rusttijd met een slim plan.

De winnaars:

Sneller: ProAct voltooide taken 14,8% sneller (minder heen-en-weer wisselingen).
Minder inspanning: Gebruikers moesten minder vragen stellen (11,7% minder inspanning) omdat de AI vaak antwoordde voordat ze het vroegen.
Minder fouten: De AI maakte 28,1% minder hallucinaties (verzonnen feiten) omdat het tijd had om zijn werk te controleren voordat het sprak.

6. De adder onder het gras (Beperkingen)

Het artikel is eerlijk over de beperkingen:

Het is een simulatie: De tests zijn uitgevoerd in een gecontroleerde, synthetische omgeving (zoals een vluchtsimulator), nog niet noodzakelijk in de rommelige echte wereld.
Kosten: Dit extra denken kost rekenkracht. Het artikel constateerde dat te veel voorbereiding dingen eigenlijk kan vertragen of de gebruiker kan irriteren. Het is een balans, geen situatie waarin "meer altijd beter" is.
Privacy: Omdat de AI voortdurend je geschiedenis analyseert om je behoeften te raden, zouden echte toepassingen strikte privacycontroles nodig hebben om te waarborgen dat het niet over de schreef gaat.

Samenvatting

ProAct verandert de AI van een passieve ober die wacht op je bestelling in een actieve sous-chef die je behoeften vooruitloopt, de ingrediënten bereidt terwijl je nadenkt, en je direct een perfect maaltijd serveert op het moment dat je klaar bent. Het gebruikt de "saai" wachttijd om te leren en zich voor te bereiden, waardoor het daadwerkelijke gesprek sneller, slimmer en nauwkeuriger wordt.

Technische Samenvatting: ProAct – Anticiperen en Leren: Het Vrijmaken van Berekeningskracht in Rusttijd voor Proactieve Agenten

1. Probleemstelling

Huidige AI-agenten, ondanks vooruitgang in redeneren en het gebruik van hulpmiddelen, functioneren fundamenteel als reactieve systemen. Ze berekenen antwoorden pas na expliciete gebruikersprompts, waardoor de "rusttijd" tussen interacties ongebruikt blijft. Dit paradigma faalt in het benutten van de kans om toekomstige gebruikersbehoeften te anticiperen, het begrip van gebruikersvoorkeuren te verfijnen, of ondersteunend bewijsmateriaal voor te bereiden voordat een vraag wordt gesteld.

De auteurs vergelijken dit met het psychologische concept van proactieve coping, waarbij individuen eisen anticiperen en middelen verzamelen voordat ze volledig gerealiseerd zijn. De kernuitdaging die wordt geïdentificeerd, is hoe rusttijd om te zetten in nuttige, onderbouwde voorbereiding zonder de gebruiker te overweldigen met irrelevante, voortijdige of slecht onderbouwde suggesties. Bestaande agenten met geheugenuitbreiding (zoals MemGPT, MemoryBank) en proactieve dialogsystemen blijven grotendeels verzoekgestuurd of vertrouwen op door de gebruiker gedefinieerde schema's, en missen autonome anticipatie op niet-uitgesproken toekomstige behoeften.

2. Methodologie: De ProAct-architectuur

Het artikel introduceert ProAct, een geünificeerde agent-architectuur ontworpen om rustintervallen om te zetten in een gestructureerde cyclus van anticipatie en leren. ProAct functioneert als een gesloten-lus beslissingsprobleem dat wordt aangedreven door twee nauw gekoppelde modules:

A. Voorspelling van Toekomstige Toestanden

Deze module genereert een compacte set van kandidaat-toekomstige behoeften ( $Z_t$ ) op basis van de dialooggeschiedenis ( $H_t$ ) en de persistente geheugenstatus ( $M_t$ ).

Bronnen: Het combineert lokale scenariovoorspelling (extrapolatie vanuit recente beurten) en gerelateerde expansie (voorstellen van aangrenzende onderwerpen op basis van gebruikersprofielen en opgeslagen feiten).
Geheugengap-aanvulling: Het converteert geïdentificeerde geheugengaps (verouderde, onvolledige of ontbrekende kennis) actief naar kandidaat-toekomstige behoeften.
Filtering: Kandidaten worden gefilterd op betrouwbaarheidstrhresholds en gededupliceerd tegen bestaande geheugenartefacten.

B. Verwerving in Rusttijd

Deze module evalueert voorspelde kandidaten en wijst een achtergrond-berekeningsbudget toe.

Waarde-gestuurde Selectie: Een score $S(z)$ $S (z)$ wordt berekend voor elke kandidaat op basis van vier gewogen factoren:
- $r_z$ : Gebruikersrelevantie.
- $g_z$ : Kennisgat (ontbrekende informatie).
- $v_z$ : Incrementele waarde boven bestaand geheugen.
- $\tau_z$ : Tijdigheid.
  Alleen kandidaten die een waarde-drempel $\theta_{val}$ overschrijden, gaan door naar verwerving.
Incrementele Verwerving: Het systeem controleert eerst de bestaande geheugendekking. Als deze gedeeltelijk is, zoekt het alleen naar ontbrekende subonderwerpen; als deze laag is, voert het een iteratieve zoekopdracht uit. Dit vermijdt redundante volledige herstarts.
Artefactgeneratie: Opgehaald bewijsmateriaal wordt samengevoegd tot compacte kennisartefacten ( $A_z$ ) met herkomstlinking naar bronfeiten, waardoor feitelijke onderbouwing wordt gewaarborgd.

C. Nut-bewuste Leveringsbeleid

Een beleid $\pi$ beslist de leveringsmodus ( $d_z$ ) voor elk artefact:

Push: Directe melding als de verwachte nuttigheid de onderbrekingskosten overschrijdt.
Wachtrij: Geïntegreerd in een toekomstig antwoord als nuttig maar niet dringend.
Opslaan: Stille opslag in het geheugen voor latere ophaling als niet geschikt voor directe levering.

Het systeem optimaliseert voor toekomstige nuttigheid terwijl het onderbrekingskosten, budgetgebruik en hallucinatie-risico's bestraft.

3. Evaluatiekader: ProActEval

Om proactieve capaciteiten rigoureus te evalueren, introduceren de auteurs ProActEval, een benchmark bestaande uit:

Schaal: 200 scenario's over 40 domeinen (bijv. financiën, gezondheidszorg, projectmanagement).
Structuur: Elk scenario bevat een fictief factsheet en een geordende reeks gebruikersbehoeften. Cruciaal zijn predictable_after-links gedefinieerd, die vaststellen welke toekomstige behoeften anticiperbaar worden na specifieke eerdere interacties.
Cognitieve Archetypen: Scenario's omvatten vijf soorten anticiperende eisen: Fundamenteel Geheugen, Vertaling/Gat-oplossing, Trace/Afhankelijkheidsredenering, Overdracht/Consistentiecontrole, en Klaarheid/Doorvoering.
Protocol: Een gebruikerssimulator doorloopt de behoeftereeks. Als de agent proactief een behoefte dekt, slaat de simulator de expliciete gebruikersvraag over, waardoor anticipatie wordt vertaald in verminderde gebruikersinspanning. Het systeem wordt geëvalueerd op runtime-zichtbare informatie uitsluitend, zonder toegang tot gold-metadata.

4. Belangrijkste Resultaten

Empirische evaluaties op ProActEval en MemBench tonen significante voordelen ten opzichte van reactieve baselines:

ProActEval Prestaties:

Efficiëntie: Vermindert het aantal benodigde interactiebeurten om 100% dekking te bereiken ( $T_{100}$ ) met 14,8% (van 8,11 naar 6,91 beurten).
Gebruikersinspanning: Vermindert expliciete gebruikersinspanning (beurten waarin de gebruiker moet vragen) met 11,7%.
Feitelijke Integriteit: Vermindert hallucinatiepercentages met 28,1% (van 13,2% naar 9,5%), toegeschreven aan de onderbouwing van proactieve artefacten in opgehaald bewijsmateriaal.
Anticipatie: Bereikt een Anticipatie-herinnering van 0,428, wat significant beter presteert dan zowel een reactieve baseline (0,0) als een "Undirected Idle"-variant (0,0), wat bewijst dat voorspellingsrichting cruciaal is.
Vergelijking: Presteert beter dan een aangepaste ProactiveAgent-baseline (0,020 herinnering) door 703 van de 1.572 voorspelbare behoeften te anticiperen versus 32.

MemBench Prestaties:

Reflectieve Nauwkeurigheid: ProAct bereikt state-of-the-art reflectieve nauwkeurigheid bij het afleiden van gebruikersvoorkeuren en emoties uit geschiedenis: 84,3% bij 10k tokens en 86,3% bij 100k tokens, wat vorige baselines zoals Generative Agents en MemoryBank overtreft.

Ablatie- en Budgetanalyse:

Richting versus Volume: Een "Undirected Idle"-variant (zoeken zonder voorspelling) levert minimale winst op ten opzichte van een puur reactieve baseline, wat bevestigt dat voorspellingsgeleide richting de primaire drijver van efficiëntie is, niet alleen verhoogde berekeningsvolume.
Afnemende Opbrengsten: Het verhogen van het zoekbudget verbetert de anticipatie-herinnering, maar vermindert de gebruikersinspanning of beurten niet monotoon. Overmatige zoekopdrachten kunnen lage-waarde pushes introduceren die conversatietrajecten negatief beïnvloeden, wat suggereert dat proactieve berekening een operatiepunt-trade-off is in plaats van een parameter om te maximaliseren.

5. Betekenis en Claims

Het artikel claimt een nieuw proactief mens-AI-samenwerkingsparadigma te vestigen, waarbij agenten rusttijd niet zien als lege vertraging, maar als een kans om te leren en zich voor te bereiden.

Architecturale Verschuiving: ProAct beweegt weg van "verzoek-antwoord"-modellen naar een continue cyclus van voorspelling, verwerving en levering, waardoor achtergrondberekening effectief wordt omgezet in onderbouwde voorbereiding.
Validatie van Rusttijd-berekening: De resultaten bieden gecontroleerd bewijs dat voorspellingsgeleide rusttijd-berekening de gebruikersinspanning en hallucinatiepercentages aanzienlijk kan verminderen terwijl de feitelijke integriteit behouden blijft.
Beperkingen: De auteurs merken bescheiden op dat deze resultaten zijn afgeleid van een gesloten-wereld synthetische benchmark. Ze waarschuwen dat implementatie in de echte wereld gebruikerscontroles, snelheidslimieten en monitoring vereist om "proactieve terugslag" te voorkomen (bijv. gebruikers onderbreken met laagwaardige inhoud of concurreren met reactieve antwoorden). Het succes van het systeem is afhankelijk van het bestaan van voorspelbare behoefteketens en controleerbare bewijsbronnen.

Kortom, ProAct toont aan dat door het benutten van persistente geheugen en voorspellende modellering tijdens rustintervallen, agenten kunnen overgaan van statische responders naar proactieve partners, waardoor de cognitieve last wordt verminderd en de kwaliteit van interacties wordt verbeterd zonder feitelijke nauwkeurigheid te compromitteren.