🤖 AI

Agentic Coding Needs Proactivity, Not Just Autonomy

本文主张，下一代编码智能体必须通过明确分类体系、确立验收标准以及引入“洞察决策质量”等具体指标来评估其通过混合发起式交互预见需求并提升软件开发的能力，从而从单纯的自主性演进为真正的主动性。

原作者： Nghi D. Q. Bui, Georgios Evangelopoulos

发布于 2026-05-11

📖 1 分钟阅读☕ 轻松阅读

原作者： Nghi D. Q. Bui, Georgios Evangelopoulos

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你有一位技艺高超、速度极快的助手，专门协助你编写软件。目前，大多数这类助手就像非常听话的图书管理员。如果你走到桌前问：“能帮我找一本关于猫的书吗？”他们会立刻找到。如果你说：“写一个关于猫的故事”，他们就会写出来。他们是自主的，因为无需你手把手指导就能完成工作；但他们是反应式的，因为只有在你的指令下才会行动。

本文认为，下一代编程助手不能仅仅止步于做听话的图书管理员。他们需要成为主动的合作伙伴。

以下是用简单类比对本文核心观点的拆解：

1. “自主性”与“主动性”的区别

自主性（听话的图书管理员）： 助手等待你提出问题，然后去执行任务。这很棒，但除非你先开口，否则它永远不会主动发声。
主动性（有洞察力的副驾驶）： 当你工作时，助手会观察整个图书馆（你的代码、你的日程、团队的聊天）。它会在你提问之前就注意到某些事情。
- 示例： 你正在编写支付系统的代码。助手注意到一条新闻警报：支付公司下周将更改规则。
- 难点所在： 一个主动的代理不会立刻大喊：“嘿，看看这个！”它必须决定：现在打断是否合适？这是否足够重要？我是否应该保持沉默，等你完成当前的思路？

2. “智能”助手的三个层级

作者创建了一个“交通信号灯”系统来描述这些代理的智能程度：

第 1 级：反应式（红灯）
- 工作原理： 代理静止不动，直到你按下按钮（给出提示）。
- 类比： 计算器。除非你输入数字，否则它什么都不做。
第 2 级：计划式（黄灯）
- 工作原理： 代理在特定时间唤醒，或在特定事件发生时（如预定会议或代码更新）唤醒。它可能会发送报告，但它并不真正“思考”你此刻是否忙碌，或者这份报告是否当下有用。
- 类比： 报纸投递。无论你是否醒来、正在睡觉，还是正在淋浴，它每天早晨 7 点准时送达。它不知道你是否需要它。
第 3 级：情境感知式（绿灯）
- 工作原理： 代理持续观察一切。它会计算：“如果我现在打断这位开发者，他们会感到恼火吗？这条信息是否关键？如果我保持沉默，他们会错过重要内容吗？”
- 类比： 一位私人助理，知道你在深度工作时讨厌被打扰。如果发生火灾，他们会大喊；如果有包裹送达，他们会等你喝咖啡休息时再告诉你。他们还会向你学习：“哦，上次你忽略了我关于预算的建议？那我下个月之前不会再拿预算来烦你了。”

3. “洞察”才是真正的产品

本文指出，我们不应通过代理完成了多少任务来衡量它们。相反，我们应该衡量它们的**“洞察策略”**。

将洞察视为一个假设：“我认为你现在需要知道关于 X 的信息。”
针对每一条洞察，代理有四种选择：

通知： “嘿，看看这个！”（高紧迫性）。
提问： “你打算这样做吗？”（不确定性）。
起草： “我为你写了一个修复方案，想看看吗？”（低 effort，高价值）。
保持沉默： “我看到了，但现在不是说话的好时机。”

本文的核心主张： 第 3 级代理最重要的技能是知道何时保持沉默。如果代理说话太多，就会变成烦人的存在；如果该说话时却保持沉默，它就毫无用处。

4. 我们如何测试？（新的评分卡）

目前，我们通过给编程代理分配任务并观察其是否完成来测试它们。作者认为，对于主动式代理而言，这种做法是错误的。相反，他们提出了三种新的评估方式：

IDQ（洞察决策质量）： 代理是否在正确的时间做出了正确的行动选择？
- 它是否在你全神贯注时打断了你？它是否在你需要帮助时保持了沉默？
CGS（情境依据得分）： 代理是否拥有正确的证据？
- 如果它说“你的代码有错误”，它是否向你展示了具体的错误日志，还是仅仅在猜测？
LL（学习提升）： 在你给予反馈后，代理是否变得更聪明了？
- 如果你告诉它“别再拿这个烦我”，它之后是否真的不再烦你了？

5. 当前的现实核查

作者审视了当今可用的顶级编程工具（如 GitHub Copilot、Cursor、Claude Code 等）。他们发现：

大多数仍停留在第 2 级（计划式）。它们基于定时器或触发器运行。
目前没有任何工具具备明确计算“打断你的成本”的方法。
没有任何工具明确将“保持沉默”视为一种经过学习的、明智的选择。它们大多只是等待你的询问。

总结

本文是一声行动号召。它指出：“停止仅仅构建能完成工作的代理。开始构建那些知道何时工作、何时说话、以及何时闭嘴的代理。”

要实现这一目标，我们需要停止用“完成任务数”来衡量它们，转而用“良好的判断力”、“证据”以及“从反馈中学习的能力”来衡量。我们的目标是打造一位编程伙伴，它感觉起来不像机器人，而更像一位深思熟虑的队友。

技术摘要：智能体编程需要主动性，而不仅仅是自主性

1. 问题陈述

软件开发领域正从行内代码补全转向能够编辑代码库、管理拉取请求并执行定时任务的自主编程智能体。虽然当前系统展现了显著的自主性（即无需监督即可行动的能力），但缺乏对主动性的明确定义和评估框架。

核心问题在于缺乏一种机制，使智能体能够决定何时行动、展示什么以及何时保持沉默。当前的智能体通常基于明确的提示或固定时间表运行（2 级），未能区分“活跃”与“有用”。目前尚不清楚：

在软件开发背景下，主动性意味着什么。
它与简单的自主性有何不同。
主动的长周期任务应满足哪些验收标准。
哪些指标能确定未经请求的智能体行为是有益的，而不仅仅是具有侵扰性。

若缺乏这些定义，该领域便无法评估智能体的“洞察策略”（即关于下一步重要事项的决策过程）是否有效。

2. 方法论与框架

作者提出了一个基于混合发起交互（Horvitz, 1999）和自主性分类学（Händler, 2023）的理论框架。该方法论包含三个主要组成部分：

A. 决策理论公式化

本文使用决策理论方程对主动行为进行建模，其中智能体选择动作 $a^*$ 以最大化期望效用，同时最小化中断成本：
$a^* = \arg\max_{a \in A} \mathbb{E}_{p(o|a,s_t,E_t)} [U(o; \theta)] - \text{Cost}_{int}(s_t, a; \theta)$

动作空间（ $A$ ）： 包括 通知 、提问、起草，以及至关重要的保持沉默。
状态（ $s_t$ ）： 开发者状态（打开的缓冲区、日历、冲刺截止日期）。
事件流（ $E_t$ ）： 代码、项目和沟通事件的连续流。
中断成本（ $\text{Cost}_{int}$ ）： 基于开发者专注度、工作流阶段和恢复时间的可变成本。
洞察： 定义为基于上下文的、时间敏感性的假设，并辅以行动或保持沉默的决策。

B. 主动性的三级分类学

作者根据智能体计算决策方程中各项的能力，将智能体编程系统分为三个等级：

1 级（反应式）： 智能体仅在收到明确提示时运行。它们在请求之间没有持久的环境存在或时间模型。
2 级（定时式）： 智能体按时间表或预定义触发器（如 Webhook、GitHub 事件）运行。它们可能会过滤或排序输出，但不会学习跨上下文、针对特定开发者的中断策略。沉默不是一种习得的抉择，仅仅是缺乏触发器。
3 级（情境感知式）： 智能体持续监控事件流，在整个动作空间（包括 保持沉默）内计算效用和中断成本，并根据开发者反馈更新其策略（ $\theta$ ）。它们决定展示什么、何时展示，以及展示任何内容是否是正确的行动。

C. 评估协议

本文提出将活跃用户模拟（Nathani et al., 2026） adapted 到软件开发中。评估重点不在于最终任务完成度（如 SWE-Bench 那样），而在于洞察流。

轨迹收集： 带时间戳、可重放的开发者工作流轨迹，对齐代码库差异、CI 日志、沟通和 IDE 状态。
场景结构： 长周期场景包含微弱信号、干扰项、确认性证据，以及沉默才是正确行动的时刻。
指标：
1. 洞察决策质量（IDQ）： 评分智能体是否在正确的时间选择了正确的行动（通知、提问、起草、沉默）。
2. 上下文接地分（CGS）： 衡量所展示的洞察是否有可恢复的证据（文件、差异、日志）支持，以及消息是否忠实于该证据。
3. 学习提升（LL）： 衡量当策略根据开发者反馈进行调整时，IDQ 相对于冻结策略的改进程度。

3. 主要贡献

本文提出了四项具体贡献：

三级分类学： 将自主性与主动性正式分离，区分反应式、定时式和情境感知式智能体。
比较审计： 针对五项实际标准（O1–O5），对五种当代编程智能体（Cursor、GitHub Copilot、Jules、Claude Code 和 LangChain 参考架构）进行了分析。
- 发现： 当前部署的智能体集中在 2 级。没有任何公开文档记录有意义中断成本的计算（O1）、将沉默作为习得动作（O2），或基于特定开发者反馈的策略更新（O3）。
原型 3 级引擎： 一个以“洞察”单元为中心的概念架构，维护开发者心理模型并从响应中学习。
评估指标： 提出将 IDQ、CGS 和 LL 作为衡量主动行为的主要单位，将焦点从任务完成度转移到洞察策略的质量上。

4. 结果与发现

本文未提供已部署的 3 级系统的实测实验结果；这是一份立场和测量提案。然而，对现有系统的审计得出了以下发现：

“主动性差距”： 虽然 Cursor Automations 和 Claude Code Routines 等系统支持定时任务（2 级），但缺乏计算中断成本或将沉默作为显式习得动作的证据。
O1-O5 审计：
- O1（中断成本）： 没有已部署的智能体记录对此的计算。
- O2（显式沉默）： 没有智能体将沉默记录为动作空间中的习得动作。
- O3（反馈更新）： 证据薄弱；某些系统暴露了记忆，但其对浮现决策的影响尚不清楚。
- O4（跨上下文）： 存在摄入多种上下文类别的部分证据。
- O5（发起渠道）： 广泛满足；智能体可以在没有单独工具的情况下显示消息。
当前状态结论： 前沿不在于发明新功能，而在于将现有的交互模式适应软件开发的特定性，特别是关于何时中断和何时保持沉默的判断。

5. 意义与主张

本文主张，下一代编程智能体的评估标准不应是其完成了多少工作，而应是其洞察策略的质量及其改进程度。

范式转变： 主动性应被视为“混合发起协作”，而不仅仅是自动化。如果一个智能体能学习哪些贡献值得注意、哪些证据使其可信，以及如何在反馈后进行调整，那么它就是主动的。
问责制： 该框架使主动性变得可测试。通过定义“洞察”并测量 IDQ、CGS 和 LL，该领域可以从产品标签转向可衡量的行为。
设计启示： 真正的 3 级智能体需要一个界面，使延迟的洞察可被检查，允许开发者接受、编辑或驳回建议，从而提供学习所需的反馈循环。
谦逊： 作者承认这只是一个提案。模拟开发者可能与真实用户存在偏差，实时工作中的中断发现可能无法干净地转移到异步消息中。本文主张报告不确定性，并将主动性视为涉及真实开发者的属性，而非单一基准分数。

总之，本文认为，为了使智能体编程成熟，它必须从“做更多”演变为“更好地决策”，特别关注沉默的战略价值以及中断策略的持续适应。