大型语言模型（LLM）代理能够规划、调用工具并修改外部状态，但多数系统仍以明确的用户指令作为唯一起点。主动服务把决策前移：代理必须从不完整的环境和用户信号中推断服务机会，在保持沉默、提问、协助和直接行动之间做出选择，并考虑中断、误解、越权和隐私成本。
本文给出以主动性为核心的操作定义，并将问题形式化为受授权与风险约束的部分可观测序列决策过程。该模型把时机、内容和交付统一为一种结构化动作，同时显式表示等待的选项价值、提问的决策价值以及反馈导致的状态变化。
在此基础上，我们将现有方法沿四个决策阶段组织：状态与需求估计、干预门控、动作构造、反馈适配，并将处方式、预测式、模型驱动式和回报优化式机制视为非排他性的策略构建组件。我们进一步在对话流、屏幕、视频、软件工程和人机协作等三轴资源上统一决策单元和证据描述，并形式化触发、时机、校准、用户负担、安全和策略价值等评估指标。
综合分析表明，仅凭离线分类性能无法预测部署收益，长期记忆也不是主动性的决定因素。可靠的主动服务需要校准的增量干预价值、可验证的授权、可恢复的执行以及反事实证据。
点评