Context：通過可組合沙盒程序、聲明式接線和結構化交互實現主動目標導向智能
本文介紹了Context，即Magarshak架構的智能層，它用主動目標導向代理取代了被動問答聊天機器人。該架構基於三種機制：編寫時上下文組裝、可組合沙盒智慧程序以及主動目標流狀態機。論文證明了六個定理，包括上下文穩定性、程序組合正確性、主動優勢等。該實現基於開源Qbix/Safebox/Safebots棧。
文章情報
要點
- 用主動代理取代被動聊天機器人，無需等待提示即可推進任務。
- 三種機制：編寫時上下文組裝、可組合沙盒程序、主動狀態機。
- 證明六個定理，包括成本界限和相對於被動代理的主動優勢。
- 實現於開源Qbix/Safebox/Safebots棧。
為甚麼重要
這條新聞值得關注，因為用主動代理取代被動聊天機器人，無需等待提示即可推進任務。
技術影響
可能影響 Agent 架構、工具調用、工作流自動化和產品集成。
近日，一篇題為《Context: Proactive Goal-Directed Intelligence via Composable Sandboxed Programs, Declarative Wiring, and Structured Interaction》的論文在arXiv上發表，提出了Magarshak架構的智能層Context，旨在用主動目標導向的代理取代被動的問答式聊天機器人。該架構由三個相互增強的機制構成。
首先，編寫時上下文組裝（Write-time context assembly）通過Groker代理預計算豐富的類型化屬性，將交互上下文作為圖狀態的確定性純函數進行組裝。上下文塊在語義變化之間的輪次中保持字節一致，從而實現接近100%的KV緩存重用。
其次，可組合沙盒智慧程序（Composable sandboxed wisdom programs）形成一個受管理的庫，其中包含由語言模型生成的命令式程序，通過類型化流關係聲明式地連接到目標類型。這些程序通過階段排序進行組合，並在交互時執行，無需進一步調用語言模型。
第三，主動目標流狀態機（Proactive goal stream state machines）通過檢查圖狀態併發出結構化交互內容（如選項數組、治理手段、澄清提示）來推動對話進入終止狀態，無需等待用户輸入。
論文證明了六個形式化結果：Context穩定性定理（將每輪語言模型成本作為語義變化率的函數進行界定）、程序組合正確性定理、聲明式接線正確性定理、主動優勢定理（證明主動代理在期望輪到終止狀態的輪次上弱優於被動代理）、多參與方目標聊天中的協調開銷消除與質量保留（建立帕累託改進），以及跨平台投票一致性定理。
這些機制已在開源Qbix/Safebox/Safebots棧中實現。該論文是系列中的第三篇，前兩篇分別介紹了Magarshak Machine / SPACER和Grokers。論文的發表標誌着人工智能系統從被動響應向主動協作的重要轉變，有望在複雜任務協調和多代理系統中產生深遠影響。