一、范式迁移：从"聊天框里的仆人"到"环境中的同事"

1.1 三代 Agent 交互范式

LangChain 对 Ambient Agent 的定义：监听事件流（event stream）并据此行动、可同时处理多个事件的 Agent，两个必要特征：

不仅由人类消息触发（not solely triggered by human messages）

允许多个 Agent 同时运行（multiple agents running simultaneously）

1.2 为什么是现在？三个前置条件同时成熟

有状态 Agent 运行时普及：持久化状态（LangGraph Checkpoint、Letta Memory Blocks、OpenClaw workspace 文件记忆）让"空闲期的思考成果"能被保存；

推理成本断崖式下降：$150/MT → $0.05/MT 级别的定价战，让"后台持续低频思考"经济上首次可行；

连接层标准化：MCP 让 Agent 接入邮件、日历、消息流成为标准操作，环境信号供给充足。

二、主动性触发体系：四层触发架构

2.1 Heartbeat vs Cron 分工（OpenClaw 实践）

2.2 Sleep-time Compute——空闲期的"第三类算力"

Letta 与 UC Berkeley 研究（arXiv:2504.13171）：

Test-time compute：用户等待时的推理（延迟敏感、成本高）

Sleep-time compute：空闲期的推理（延迟不敏感、可错峰、可用更强模型）

核心机制：将"原始上下文（raw context）"在睡眠期转化为"习得上下文（learned context）"——相当于人类睡眠中的记忆巩固。AIME/GSM 数学基准上实现帕累托改进。

Letta 双 Agent 架构（MemGPT 2.0）：

三、介入时机决策：主动性的"最后一公里"难题

3.1 ProactiveBench：误报率是致命伤

THUNLP ProactiveAgent（ICLR 2025）评测结果：

3.2 ProAgentBench（2026-02）：真实数据 vs 合成数据

arXiv:2602.04482 指出既有数据集两大缺陷：LLM 合成数据无法捕捉真实人类决策模式；孤立任务缺少"介入前的行为上下文"。贡献：

28,000+ 真实事件、500+ 小时真实用户会话，保留爆发性交互模式（burstiness B=0.787）；

分层任务框架：时机预测（timing prediction）+ 协助内容生成（content generation）；

实证：长期记忆与历史上下文显著提升时机预测精度；真实数据大幅优于合成数据。

3.3 Apple Pare：主动用户的仿真环境

arXiv:2604.00842：把 9 个领域应用（日历/邮件/购物等）建模为有限状态机，用户模拟器拥有状态相关动作空间，在 Pare-Bench 143 个任务中主动改变环境——评测 Agent 的上下文观察、目标推断与介入时机三重能力。

四、人机协作界面：通知预算与 Agent Inbox

4.1 通知预算（Notification Budget）

每用户每日可容忍的主动通知存在 3-5 条硬上限。超过阈值，功能的发布指标（engagement）会在数周内反转留存指标（retention）。系统必须内置注意力配额管理层：优先级排序、合并同类项、静默时段、按用户反馈动态降频。ProactiveAgent 的 toast 三态交互（接受/拒绝/忽略，忽略即降频）是早期实践。

4.2 LangChain HITL 三模式与 Agent Inbox

三重收益：降低风险敞口（生产可上线）、模拟人类同事沟通（建立信任）、反馈沉淀为长期记忆（持续对齐）。LangGraph 原生提供持久化、interrupt 原语、长期记忆 KV 存储与 Cron Jobs 四件套。

五、平台格局：五种主动性产品形态

六、安全与治理：Ambient Authority 的新攻击面

Ambient Authority（环境权限）：Agent 常驻后台预持会话、工具与数据源权限。一次针对事件流的提示注入（如恶意邮件正文），不再是"文本操纵问题"，而是控制平面问题；

触发通道投毒：L1 信号流本质是不可信外部输入，却作为行动触发器。需"触发归一化+来源分级+高危动作强制 Review"三件套；

记忆投毒的持久化放大：sleep-time agent 持续改写 core memory，恶意内容一旦被"巩固"将跨会话长期存在。记忆写入需溯源标记与回滚能力；

过度代理（Excessive Agency）：治理原则——主动性的权限上限应低于被动响应。主动发起的动作默认只到 Notify/Question/Review，直接执行（Act）需独立显式授权白名单。

七、研判与建议

研判一：主动性是 Agent 从"工具"到"同事"的分水岭，2026 下半年进入产品化爆发期。 OpenAI Pulse 验证消费级需求，LangChain/Agent Inbox 提供企业级参考架构，Letta 补齐基础设施层。三条线在"双循环架构"上收敛，范式已定型，接下来是工程化竞赛。

研判二：瓶颈不在"生成"而在"时机判断"，误报率是最大落地障碍。 GPT-4o 级模型 51.85% 误报率意味着通用大模型不能直接做介入决策。可行路径：小模型/微调模型做时机门控 + 大模型做内容生成 + Reward Model 做提议过滤的三段式流水线。

研判三：注意力预算将成为主动 Agent 的核心运营指标。 每日 3-5 条通知硬上限决定了"发什么"比"能不能发"更重要。忽略率（ignore rate）应与误报率并列作为一级监控指标。

研判四：主动权限应遵循"低于被动"原则，sleep-time 记忆写入是新治理重点。 落地建议：触发源分级白名单、主动动作默认止于 Notify/Question/Review、记忆写入带溯源与回滚、core memory 编辑权收敛到单一后台 Agent。

对 OpenClaw 用户的实操建议：

用 Heartbeat 批处理代替多个独立 Cron 巡检（省 token、有上下文）；用 Cron 承载精确时点任务；

HEARTBEAT.md 保持精简清单 + heartbeat-state.json 记录检查时间戳，防重复与 token 燃烧；

主动消息设置静默时段与"值得打扰"阈值，模仿忽略即降频机制；

长期记忆巩固可参考 Letta 双 Agent 模式：主会话只读、后台子 Agent（sessions_spawn）负责整理 memory/*.md 与 MEMORY.md。

参考资料

LangChain — Introducing ambient agents（langchain.com/blog）

Letta — Sleep-time Compute（letta.com/blog）；arXiv:2504.13171

THUNLP — ProactiveAgent（ICLR 2025）；arXiv:2410.12361；github.com/thunlp/ProactiveAgent

arXiv:2602.04482 — ProAgentBench（2026-02）

Apple ML Research — arXiv:2604.00842 Pare；github.com/deepakn97/pare

OpenAI — Introducing ChatGPT Pulse（2025-09-25 preview）

tianpan.co — Background Agents and the Notification Budget（2026-05）

OpenClaw Docs — Heartbeat / Cron vs Heartbeat（docs.openclaw.ai/gateway/heartbeat）

nhimg.org — Why ambient authority makes prompt injection dangerous for agentic systems

LangChain — State of Agent Engineering（57% 组织已将 Agent 部署至生产）