主动型智能体架构

技能简介

Proactive Agent 是一套让 AI 智能体从”等待指令”转变为”主动预判需求”的架构方案。通过三层记忆系统、WAL 预写日志协议和工作缓冲区机制，使智能体在会话中断后仍能恢复上下文，持续积累经验并安全地自我进化。

业务背景

传统AI需用户反复下达指令，效率受限。主动型智能体架构通过三层记忆与WAL预写日志，使AI具备"预判式服务"能力：会话中断可恢复、经验持续累积、决策全程留痕。业务人员无需精准描述需求，即可获得贴合上下文的主动建议，减少沟通成本与重复配置。

落地案例：市场经理配置周期性任务规则后，智能体基于历史会话与目标偏好，在未触发指令时主动推送竞品动态分析；检测到用户近期频繁查询某区域数据，反向提示是否需生成专项报告。每次交互经工作缓冲区捕获，关键决策先写日志再执行，确保异常时可完整回溯上下文状态。

能做什么

• 预判用户需求，在未明确请求时主动提供价值
• 通过反向提示（Reverse Prompting）挖掘用户未意识到的潜在需求
• 利用 WAL 协议在响应前记录关键决策，防止上下文丢失
• 在工作缓冲区捕获会话危险区的每一次交互
• 上下文被截断后按步骤恢复，继续之前的工作流
• 尝试多种方法解决问题，而非直接放弃或求助
• 通过 ADL/VFM 协议设置自我改进的安全边界

使用说明

1. 安装准备：克隆仓库后，将 assets 目录下的文件复制到工作区：cp assets/*.md ./
2. 初始化配置：智能体检测到 ONBOARDING.md 后会主动发起认知流程，可选择一次性或分批回答问卷
3. 自动生成档案：根据回答自动填充 USER.md（用户画像）和 SOUL.md（智能体身份原则）
4. 安全审计：运行 ./scripts/security-audit.sh 检查安装环境风险
5. 日常运作：智能体自动维护 SESSION-STATE.md 作为活跃工作记忆，定期将经验沉淀至 MEMORY.md

输入与输出

见下方输入与输出表格。

风险提示

• 工具迁移时需更新所有引用位置，避免残留旧调用导致异常
• 需区分 systemEvent 与 isolated agentTurn 两种定时任务模式，误用可能引发权限问题
• 应验证实现机制而非仅检查文本意图，防止表面合规实际漏洞
• 注意防范上下文信息泄露，敏感数据需隔离存储
• 自我改进过程存在漂移风险，需依赖 ADL/VFM 协议约束

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/halthelobster/proactive-agent/SKILL.md
来源类型：GitHub 开源项目（Hal Labs / Hal Stack）