受够了AI失忆？复旦NLP推出的主动式助手A5越用越懂你，还会主动帮忙

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：

1. 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。
2. 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。
3. 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：

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。

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:

1. Context 索引：Context 节点对应具体文件或保存的网页，语义节点按主题组织为可以逐层浏览的结构。
2. Memory 系统：通过 Git 管理版本，MEMORY.md 直接进入 Agent 上下文，承载相对稳定、跨任务有用的综合认识；详细笔记按需读取，保存具体事实与细节。按照应用范围划分为 Workspace Memory 与 User Memory。
3. Workspace Wiki：通过 Git 管理版本，一份面向用户的工作空间知识库。Agent 结合用户的目标与近期关注点，从资料、讨论和已有结论中筛选内容，组织成相互链接的主题页面，供用户查阅。
4. Autodream：空闲时或由用户发起的维护操作。它会随资料与关注点的变化调整 Context 索引中的语义结构，以上次整理的 Memory Git 版本为基线，检查变化的笔记及相关记录，合并重复信息、修正或移除过时内容、归档低频记忆。最后会基于以上信息发布新的 Workspace Wiki。

A5 通过两种机制赋予 Agent 主动性：

1. Diff Engine：通过接收 Context 索引的通知，持续感知工作空间文件变化，发生变化时通知 Agent。
2. Proposal Engine：汇集上下文变化、已完成交互和知识更新等证据，由 Proposal Agent 按需查阅资料、判断是否提出建议。

基于以上机制，A5 Harness 在 ReAct 循环上，通过插件与核心服务，加入跨会话记忆、工作空间变化感知和后台知识维护机制：

• 会话开始时：Memory 插件将对用户和工作空间的已有认识带入上下文。
• 执行过程中：Agent 借助 Context 索引定位资料，按需读取原文和记忆、调用工具，并根据工具结果继续判断。独立的异步 Memory Agent 启动，检索候选 Memory，去重后向前台 Agent Steer。Diff Engine 补充相关上下文的变化，帮助 Agent 调整后续操作。
• 交互正常结束后：记忆提取任务可以检查本轮的新信息，保存有价值的内容，供后续会话使用。Wiki Agent 将新会话的知识发布为 Workspace Wiki。
• 空闲时段或用户要求时：A5 会启动 Autodream，整理记忆与 Context 索引的语义结构，将积累的知识呈现为互相链接 Workspace Wiki 页面，供用户核查和修正。

从终身上下文到持续学习

此次发布的 A5 Harness，为跨会话协作和上下文管理提供了系统支持。但主动性和终身上下文能力，还需要模型层面的针对性训练。Harness 与模型的协同设计是未来研究的方向。

更长远地看，是如何把经验变成可复用、可迁移的能力：把反复有效的方法沉淀为技能，让长期积累的协作经验参与模型更新，使 Agent 在新任务中用好这些经验，同时在吸收新经验时保留已有能力。

由此，用户、Agent 和工作空间得以实现共同进化。用户逐渐明确目标、探索新的工作方式，Agent 调整理解和帮助方式，工作空间里的知识与工作流也随之演化。

再往前一步，是递归自我改进（RSI）。如何让 Agent 根据协作中遇到的问题，参与改进工具、工作流、记忆策略、Harness 甚至模型本身，自主给出优化方向并验证效果。

快速开始体验 A5

A5 技术预览 v0.3.1 安装包已开放下载，支持 macOS 和 Linux，代码将在不久后开源。

• 下载链接：https://huggingface.co/buckets/KYLN24/a5-release
• 安装教程：https://huggingface.co/blog/KYLN24/introducing-a5#a5-installation-zh

写在最后

过去，我们评价 AI，往往看它能不能写代码、解数学题，或完成复杂的任务。但当 AI 真正进入日常工作和生活，我们需要的可能不只是一个能解决难题的专家，还需要一个记得住过去、跟得上变化，并能在适当的时候主动帮忙的搭档。

A5 探索的，正是这样一种个人助手：通过一套 “记住、察觉、主动” 的机制，让 Agent 在持续使用中积累对用户的理解，并将这种理解转化为实际帮助。个人 Agent 正在从被动响应走向主动协作。

当然，当助手越来越了解用户，新的问题也随之出现：我们愿意让它知道多少？又愿意把多少判断和行动交给它？再往远看，当 AI 开始替我们记住、跟进和提醒，人自己的能力边界会不会也随之上移？工作与生活之间那条线，又会不会因为一个时刻在场的助手而重新划分？这些问题眼下没有答案，但它们或许比 “助手好不好用” 更值得长期观察。

联系邮箱：hlguo26@m.fudan.edu.cn

文章来自于"机器之心"，作者 "机器之心"。