AI 写文章，往往黑话连篇、充满防御性。你费尽心思才让 AI “说人话”，可一旦新开一个对话，先前调好的语言风格就如奶油般化开，熟悉的 AI 味又卷土重来了。 你告诉 AI 论文被录用，让它帮你整理去欧洲开会的材料时，它会先恭喜你，然后告诉你要准备什么，最后止步于聊天框。可如果在出发前一个月，它能主动提醒你申请签证、会议注册，出发前再提醒你预定机酒行程，你就能少花些精力，不用一直记着这些琐事。 说到底，一个真正的个人助手，应该在一次次交互中逐渐理解你的偏好、目标与工作方式，并据此在之后做出恰当的判断和行动。 这需要它能把这份理解迁移到新任务，还要能感知背景变化与需求，看准时机提出建议 。 可这些偏好和习惯，往往散落在一次次对话里，既没法一口气全告诉 AI，也不是多训练几轮就能记住的。 复旦 NLP 团队推出的 A5 提供了一个新的视角。 A5 是一个越用越懂你的主动式个人助手。它在长期交互中积累和更新对用户与项目的理解，将过去的偏好、经验和决定用于新任务；也会感知已接入资料的变化，调整正在推进的工作，主动向用户提出后续建议。 Hugging Face Blog：https://huggingface.co/blog/KYLN24/introducing-a5 GitHub：Coming soon 安装包：https://huggingface.co/buckets/KYLN24/a5-release A5 能承担以下三种任务： 让过去的理解延伸到新任务 。基于 Context 索引、Memory 机制 ，A5 会从长期交互中积累并修正对用户与项目的认识，通过 Autodream 维护认识，将相关经验用于新的请求。 让正在执行的任务跟上资料变化 。A5 利⽤ Diff Engine 感知接入上下⽂的变化，判断它们与当前任务的关系，将相关更新补充给正在执行的 Agent，使其能够重新检查方案、调整后续操作。 在用户再次提问前发现值得推进的工作 Proposal Engine 结合新证据与已有目标，判断是否有值得提出的建议与帮助，交由用户判断是否执行。 Workspace Wiki 将工作空间的内容整理为供用户阅读的知识页面。 演示案例 下面通过旅行规划和项目上线两个演示案例，来展示 A5 是如何参与这样的协作的： 视频地址：https://mp.weixin.qq.com/s/1OBDPj0giDYPoH55gXqvTA 在规划杭州行程时，用户希望多花时间参观南宋官窑博物馆。到了上海，用户又想进一步比较不同窑口的器形与釉色。随着交流推进，A5 对用户陶瓷兴趣的理解逐渐细化。 带着这种理解，当用户规划北京旅行，询问故宫和国博有哪些推荐展品时，A5 便结合这份兴趣推荐展品和观看角度，无需用户重新交代偏好。 视频地址：https://mp.weixin.qq.com/s/1OBDPj0giDYPoH55gXqvTA 在一个开发资料库的项目中，A5 可以通过此前的讨论了解项目需求。当项目的需求文档发生变更，资料库从 “个人使用” 变为 “团队共用” 时，A5 能主动发现需求变化，并相应调整方案中的访问权限和维护分工。 在另一个项目中，当任务结束后，工作空间里收到了供应商的延期通知。A5 会结合原有测试要求，主动分析上线排期受到的影响。即使用户尚未提问，它也能主动提出调整排期的建议，并等待用户确认后执行。 终身上下文与主动性 两个场景里，A5 能记住偏好、也能察觉变化。这两点，恰恰是只靠单次对话做不到的。 单次会话的 Agent，在信息齐全时能完成相当复杂的任务。但真实的工作往往跨越多次会话：信息要在会话之间搬运，资料和任务状态又一直在变，发现变化、判断影响、做出调整，都得用户自己负责。 个人助手的价值，正体现在替用户承担这些衔接工作 —— 迁移信息、跟进变化、协调任务 。 A5 能做到这些，靠的是 终身上下文 与 主动性 。 终身上下文 ，既包含对用户偏好与工作方式的长期认识，也包含一项工作在跨会话推进过程中的目标、判断和进度。Agent 需要将分散的交互组织成对用户与工作的持续认识，理解这些认识的理由和适用条件，并应用在新的任务中。 用户发起的交互，和工作空间的变化并不同步，因此需要 主动性 来充当二者之间的桥梁。这要求 Agent 能围绕用户的目标和对用户的理解，识别值得关注的新内容，持续跟踪任务的进展，判断何时介入、提供什么帮助。 终身上下文与主动性在协作中相互作用。已有的理解可以为主动判断提供依据，用户的回应又能揭示理解中的偏差，成为后续修正的线索。这些修正会在之后的协作中让助手更清楚用户需要什么、什么时候适合提供帮助。 A5 是怎么做的 A5 通过四种方式组织和维护对用户终身上下文的理解: Context 索引 ：Context