Context：通过可组合沙盒程序、声明式接线和结构化交互实现主动目标导向智能
本文介绍了Context，即Magarshak架构的智能层，它用主动目标导向代理取代了被动问答聊天机器人。该架构基于三种机制：编写时上下文组装、可组合沙盒智慧程序以及主动目标流状态机。论文证明了六个定理，包括上下文稳定性、程序组合正确性、主动优势等。该实现基于开源Qbix/Safebox/Safebots栈。
文章情报
要点
- 用主动代理取代被动聊天机器人，无需等待提示即可推进任务。
- 三种机制：编写时上下文组装、可组合沙盒程序、主动状态机。
- 证明六个定理，包括成本界限和相对于被动代理的主动优势。
- 实现于开源Qbix/Safebox/Safebots栈。
为什么重要
这条新闻值得关注，因为用主动代理取代被动聊天机器人，无需等待提示即可推进任务。
技术影响
可能影响 Agent 架构、工具调用、工作流自动化和产品集成。
近日，一篇题为《Context: Proactive Goal-Directed Intelligence via Composable Sandboxed Programs, Declarative Wiring, and Structured Interaction》的论文在arXiv上发表，提出了Magarshak架构的智能层Context，旨在用主动目标导向的代理取代被动的问答式聊天机器人。该架构由三个相互增强的机制构成。
首先，编写时上下文组装（Write-time context assembly）通过Groker代理预计算丰富的类型化属性，将交互上下文作为图状态的确定性纯函数进行组装。上下文块在语义变化之间的轮次中保持字节一致，从而实现接近100%的KV缓存重用。
其次，可组合沙盒智慧程序（Composable sandboxed wisdom programs）形成一个受管理的库，其中包含由语言模型生成的命令式程序，通过类型化流关系声明式地连接到目标类型。这些程序通过阶段排序进行组合，并在交互时执行，无需进一步调用语言模型。
第三，主动目标流状态机（Proactive goal stream state machines）通过检查图状态并发出结构化交互内容（如选项数组、治理手段、澄清提示）来推动对话进入终止状态，无需等待用户输入。
论文证明了六个形式化结果：Context稳定性定理（将每轮语言模型成本作为语义变化率的函数进行界定）、程序组合正确性定理、声明式接线正确性定理、主动优势定理（证明主动代理在期望轮到终止状态的轮次上弱优于被动代理）、多参与方目标聊天中的协调开销消除与质量保留（建立帕累托改进），以及跨平台投票一致性定理。
这些机制已在开源Qbix/Safebox/Safebots栈中实现。该论文是系列中的第三篇，前两篇分别介绍了Magarshak Machine / SPACER和Grokers。论文的发表标志着人工智能系统从被动响应向主动协作的重要转变，有望在复杂任务协调和多代理系统中产生深远影响。