AI · MM · 301
主动情境式AI
Proactive Contextual AI · proactive-contextual-ai--alexander-embiricos
所属簇 Agent 构建
解决什么问题
如何设计"主动帮忙"的 AI 产品：既让 agent 每天帮用户成千上万次，又不把用户淹没在打扰里。
核心内容
- 主动性缺口（proactivity gap）：AI 产品其实很难用——你必须自己想到"此刻可以叫 AI 帮忙"，没 prompt 它就没在帮你。普通用户每天 prompt 几十次，但真正能受益于智能体帮助的时刻是每天几千次。缩小这个缺口 = 让 agent "默认有用"（helpful by default）。
- 推送是错误答案：如果 agent 每天帮你一千次、每次都靠推送通知告知，体验是灾难。正确模式是contextual action（借自电子游戏：走近物体按 X 就做对的事）——在用户正看着 dashboard 发现指标跌了的那一刻，AI 就地给出归因和修复建议，用户保持心流。
- 最成功的 AI 产品是 autocomplete：IDE 代码补全的魔力在于成本不对称——猜对时你被加速，猜错时几乎不烦人。这类 mixed-initiative（人机混合主动权）系统是 proactive AI 的原型。
- 浏览器是上下文的一等入口：做 Atlas 的动机之一是从渲染引擎里第一手提取上下文（而不是 hack 无障碍 API 或截屏），同时给用户清晰的控制边界——想让 AI 介入的页面用 AI 浏览器打开，不想的就用别的浏览器。
- teammate 类比：今天的 coding agent 像"极聪明但拒绝看 Slack、不主动查 Datadog 的实习生"——再聪明，没有环境上下文就无法被真正委托。proactivity 是 Codex 的主要目标之一。
- 人类保持控制的范例：Tesla 自动驾驶——加速、旋钮调速、轻打方向都能实时修正而不退出自动驾驶，作者称之为"让人保持控制的 agent 设计的 masterclass"。
适用边界
- 主动建议的前提是错误建议足够便宜（autocomplete 属性）；对高风险动作（改生产代码、发消息）仍需要确认门槛。
- 上下文获取与隐私/控制感的平衡靠"用户选择哪些界面暴露给 AI"来解决，而非默认全监控。
关键引述 · 原话
"If you think of how many times the average user is prompting AI today, it's probably tens of times. But... people could actually get benefit from a really intelligent entity... thousands of times per day." — Alexander Embiricos
"It's a bit like this really smart intern that refuses to read Slack, doesn't check Datadog unless you ask it to." — Alexander Embiricos
关联卡片
- 与 human-review-bottleneck 卡构成一对：本卡解决"何时出手"，那张卡解决"出手后谁来验收"。 - 与 Amol Avasare 的 ai-misalignment-scan 卡：scheduled scan 是 proactivity 的早期手工形态。
出处：Alexander Embiricos (OpenAI Codex 产品负责人) · 03-podcasts/alexander-embiricos.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2