在人机协作的长期场景中，机器人助手常常需要在信息不完整的情况下为用户提供帮助，同时还要利用跨越多天的交互历史来不断改进自身的服务。然而，在协作刚开始时，用户的行为特征与日常习惯往往并不为机器人所知，这使得传统的“先被动推断、再执行动作”的帮助方式既效果不佳，也效率低下。针对这一问题，Chengbo He 等九位作者在 2026 年 5 月 23 日提交至 arXiv 的论文《PACT: Proactive Asking for Continual Task Assistance in Human-Robot Collaboration》中，提出了一种跨天主动提问的持续性任务协助设定，并设计了名为 PACT 的“提问或行动”框架，用来判断机器人在采取行动之前是否应当先请求澄清。
PACT 的核心思路在于：机器人不应一味依赖被动推断，而应在必要时主动向用户发问。该框架综合当前的观测信息与日积月累的交互历史，评估所处情境的信息是否充分，从而在信息不足时寻求澄清、在信息充足时直接行动。这样一来，机器人既能提供更可靠的协助，又能随着时间推移逐步适应用户的偏好与习惯，实现持续性的个性化服务。这一“先判断是否需要提问、再决定是否行动”的机制，正是 PACT 区别于传统被动推断方法的关键所在。
在实现层面，作者采用强化学习构建了 PACT 的主要学习型实例，并在同一框架下评估了其他几种可选的实例化方式，以检验框架本身的通用性。为了衡量这类主动提问行为的优劣，研究团队还提出了一个“澄清效用”指标，用以量化协助准确率与澄清请求频率之间的权衡关系：过于频繁地提问会打扰用户，而提问不足则可能导致协助出错，该指标正是对这一取舍的量化表达。
实验在多天的具身协作场景中展开，将 PACT 与被动推断的基线方法进行对比。结果显示，PACT 在协助准确率和澄清效用两方面均持续取得提升，表明在持续进行的人机协作中，主动提问具有相当的重要性。该论文属于机器人学（cs.RO）领域，同时涉及人机交互（cs.HC），其全文可通过 arXiv:2605.24350 获取，提交版本为 v1，文件大小约 21,270 KB，DOI 为 10.48550/arXiv.2605.24350。