企业需要什么样的 Proactive Agent（主动型智能体）

推荐语

企业正从被动AI转向主动型智能体，填补业务流程中的"等待成本"缺口，实现真正的效率革命。

核心内容：
1. 主动型智能体的三大关键特征与运作机制
2. 企业场景中被动AI的局限性及主动型智能体的优势
3. Google Labs等机构对AI工作方式迁移的前沿实践

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

核心概念：Proactive Agent

在当前 AI 研究与产业语境中，Proactive Agent通常指的是这样一类系统：

它不再只在收到明确指令后执行任务，而是能够在持续运行中感知环境变化、跟踪目标状态，并在判断“有必要介入”时主动采取行动。

与传统的被动响应式系统相比，Proactive Agent 有三个非常关键的特征——

本文参考：Youtube：Proactive Agents – Kath Korevec, Google Labs

在 Agent 相关研究中，Anthropic 曾指出，有效的 Agent 并不依赖复杂的单点能力，而依赖稳定运行的“观察—判断—行动—校验”循环；而OpenAI 在其 Agent 设计中也反复强调，Agent 的关键不在于“能不能做”，而在于“什么时候该做、什么时候不该做”。

如果回顾过去两年企业里最常见的 AI 使用方式，你会发现一个明显特征：几乎所有 AI，都是被动的。

你提问，它回答；

你下达任务，它执行；

你不说话，它就什么也不做。

这类形态被广泛称为 Copilot。它提升效率、降低门槛，但始终停留在一个前提之上：AI 永远等待人类触发。

但过去一年AI的发展，这个前提正在被打破。越来越多 AI 系统不再满足于“等你问”，而是开始尝试：

• 主动监控状态

• 主动发现异常

• 主动提示机会

• 甚至在合适的条件下，直接触发行动

这类变化背后，指向的是同一个趋势性概念：Proactive Agent。

*Kath Korevec, Director of Product at Google Labs, advocates for a shift from reactive AI to proactive agents at the AI Engineer Code Summit. She emphasizes the need for autonomous AI collaborators that anticipate needs and act intelligently within a developer’s workflow, reducing the mental load on developers. 

为什么 Proactive 会成为

不可回避的趋势？

如果只从技术视角看，Proactive 像是一次能力升级；  但从企业视角看，它更像是一种工作方式的迁移。

1. 企业真正浪费的，不是执行成本，而是等待成本

在大量业务流程中，问题并不在于“有没有人能做”，而在于：

• 风险信号已经出现，但没有被及时注意

• 数据已经变化，但没人第一时间跟进

• 机会窗口很短，却总是被层层确认拖慢

Copilot 可以让单次操作更快，却无法消除“等下一次人来触发”的时间空档。

而 Proactive Agent 的价值，正是在于填补这些空档——让 AI 从“等你指挥”，变成“在合适的时候自己介入”。

2. 工作正在从“任务”转向“流程”，被动 AI 跟不上了

企业里的真实工作，很少是一次性任务。更多时候，它是一个反复循环的流程：

发现 → 判断 → 执行 → 反馈 → 再判断

Copilot 更适合“任务模式”：你拆好任务，它帮你完成。

但当工作本身是连续流动的，AI 如果始终停留在被动响应，就很难真正嵌入流程。

Proactive Agent 的出现，本质上是为了让 AI 持续在场，而不是只在被调用时出现。

3. 当 AI 开始被当作“数字劳动力”，主动性是默认要求

一旦企业开始把 Agent 当作可长期运行的系统，而不是一次性工具，问题就会自然发生变化：

• 谁来盯数据？

• 谁来跟进异常？

• 谁来确保事情真的被推进到结果？

  
  

对“劳动力”的期待，本来就是主动的。  也正因为如此，Proactive 并不是一个激进选项，而是规模化使用 AI 的自然结果。

但趋势之下，企业很快会撞上一堵墙

当企业真的开始尝试 Proactive Agent 时，一个现实问题几乎不可避免地浮现出来：

AI 开始主动了，但我们并不确定它“该不该动”。

这并不是能力问题，而是结构问题。

没有 Reasoning 的主动，只是更快的反射

如果主动触发只基于阈值或局部信号，系统很容易在复杂业务中做出“看似合理、实际错误”的决策。

没有 Skills 的主动，很难真正落地

如果 AI 只能提醒，却无法调用实际能力完成动作，主动性就会停留在“多说一句话”。

没有 Context 的主动，很难理解业务

如果系统只看到当下输入，却不了解历史判断、失败经验与边界条件，主动行为就会显得“很热心，但不太懂事”。

也正是在这一点上，很多企业意识到：Proactive 本身是趋势，但它需要一整套架构来支撑。

我们把这种面向企业长期运行、强调主动介入、以推理作为行动前置、并依赖长期上下文与可复用能力的 agent 架构，称为 GEA（Generative Enterprise Agent）。

它所指向的一组组合特征：

• 主动，但不是无约束的主动

• 能行动，但行动前先判断

• 能复用能力，而不是一次性执行

• 能积累上下文，而不是每次从零理解业务

GEA 只是对这类结构的一种内部命名方式，用来更方便地讨论和实践这一趋势。

回到现实：企业已经在悄悄改变方向

在越来越多企业实践中，可以观察到一个明显变化：

• 不再单纯追求“更聪明的回答”

• 而是开始关注“系统是否能持续判断”

• 不再只看模型能力

• 而是关注上下文、推理与执行如何被组织起来

这也是为什么，企业会逐渐把更多精力放在 context、reasoning 与可复用 skills 的系统化上——因为当 Proactive 成为趋势，单点能力已经不够用了。

如果说 Copilot 时代解决的是：“AI 能不能帮你更快完成任务？”

那么 Proactive Agent 这个趋势，指向的则是另一个问题：“AI 能不能在你还没意识到之前，把事情推向正确方向？”

而 GEA 只是我们对这一趋势的一种结构性理解方式。

趋势本身，已经在发生。