主动推理框架优化AI智能体上下文获取

近日，arXiv平台发布了一篇题为《Active Inference as Context Acquisition for AI Agents》的论文，提出了一种基于主动推理（Active Inference）的新型框架，用于提升交互式AI智能体在复杂任务中高效获取上下文信息的能力。该研究聚焦于一个关键问题：当用户输入缺失约束条件、偏好设定、文件引用或任务变量时，AI系统应如何在“默认假设”与“主动澄清”之间做出最优决策。

论文指出，传统AI代理往往面临两难：要么基于不完整信息直接执行任务，可能导致错误；要么发起额外的交互（如提问、检索或工具调用），但会消耗计算资源或增加延迟。为解决这一问题，作者将上下文获取建模为主动推理过程，引入双层结构——内层进行对潜在任务状态的贝叶斯信念更新，外层则基于预期自由能（Expected Free Energy）最小化原则，选择下一步执行“上下文获取动作”、“任务执行动作”或“终止动作”。

在确定性环境中，该框架中的认知项（epistemic term）可简化为期望信息增益，并可进一步按token成本进行归一化处理，从而实现对信息价值与资源消耗的量化权衡。这种设计使得系统能够在有限预算下最大化任务成功率，同时避免不必要的交互开销。

研究团队在“最优提问”（Optimal Question Asking, OQA）任务中实例化了该框架，利用精确后验计算和动态规划预言机（dynamic programming oracle），对前沿大语言模型在二元及多类别分类任务上进行了基准测试，候选集规模从25到300不等。实验结果表明，采用主动推理策略的智能体在准确率与效率之间取得了更优平衡。

此外，论文还探讨了两种典型应用场景：一是在文本生成前主动澄清模糊指令，二是结合token预算约束进行自动化提示优化（automated prompt optimization）。这些应用展示了该框架在实际AI系统中的广泛适用性。

值得注意的是，该方法具有模型无关性（model-agnostic），不依赖特定架构或训练方式，因此可作为通用设计原则嵌入各类AI智能体的上下文获取层。研究人员认为，这一思路有望成为未来自主AI系统中感知-决策闭环的关键组成部分，推动智能体从被动响应向主动理解演进。