大多数AI助手在＂等待被裁＂,而它已经学会主动出击

你的AI助手，上一次主动找你是什么时候？

等你说”帮我做X”，它才做X——这是市面上99% AI助手的现状。

但最近出现了一个不一样的Skill。它不仅做事，还会主动问你需不需要做事。它不仅回答，还会记住你之前说过什么。它不仅工作，还会发现自己的错误并修复。

它叫 Proactive Agent，来自 Hal Labs。

15万次下载，742个GitHub Stars，版本号已经到3.1.0——这不是一个新手玩具，是一个已经跑了很久、被很多人用过的成熟架构。

01 问题：AI助手为什么总是”健忘”？

用AI助手的人，大概都有过这个体验：

你花20分钟描述背景、上传文件、解释你的需求，终于开始做正事了——然后对话结束了，或者上下文超限了。

第二天再来，它说：“抱歉，我不记得了。”

你重新来一遍。第三遍。第四遍。

这个问题折磨了所有AI工具用户两年多。大家都说AI能提高效率，但这个”每次都要重新开始”的损耗，让效率提升变成了一个笑话。

问题的根源是什么？

大多数AI Agent的”记忆”是假的。 它们所谓的记忆，就是把对话历史塞进上下文。对话结束，记忆消失。下次开始，一切归零。

这不是记忆，这是复读。

真正的问题是：AI Agent每次新会话都是”空白启动”。它不知道你是谁，不知道你上次做到哪了，不知道你不喜欢什么。

Proactive Agent想解决一件事：让AI Agent真正记住、真正持续、真正变好。

02 三个支柱：它是怎么做到的

Proactive Agent的核心架构，围绕三个词展开：主动（Proactive）、持久（Persistent）、自改进（Self-improving）。

第一个支柱：主动——不等指令，先做事

普通Agent的工作模式：你问，它答。

Proactive Agent的模式：你还没问，它已经在想了。

它有一个”反向提示”机制。不是问”我能帮你做什么”，而是问”我的用户现在可能需要什么”。

具体来说，它会在心跳检查时问自己：

> “过去一小时，有什么我能主动做的？有什么遗漏的？有什么我应该提醒用户的？”

这听起来有点吓人——一个AI在你背后”主动关心”你。

但用过的人说：它确实会在你忘记某件事的时候提醒你，会在你卡在某一步的时候给你建议，会在你没有明确要求的情况下整理好你需要的信息。

不是执行指令，是创造价值。

第二个支柱：持久——不怕上下文丢失

这是它最实用的部分。

AI Agent有个致命弱点：上下文有长度限制。当对话太长，老内容会被”压实”或直接丢弃。这就是所谓的”context truncation”——你的记忆，被系统删除了。

Proactive Agent的解法是一套完整的协议：

WAL Protocol（预写日志协议）

核心原则只有一条：收到人类输入时，先写文件，再回答。

它会扫描每条消息中的关键信息——纠正、决定、人名、数字、偏好——然后把这些东西写入 `SESSION-STATE.md` 这个工作内存文件，再去回答人类。

为什么这样？

因为对话记录是一个”缓冲区”，可以被清空。但文件是持久存储，不会因为上下文压缩而消失。

Working Buffer（工作缓冲）

当上下文用到60%的时候，它开始把所有对话都记录到一个单独的缓冲区文件里。这个文件存在磁盘上，即使上下文被压实，信息也在。

Compaction Recovery（压缩恢复）

当会话重新开始或上下文被截断时，它有一套标准恢复流程：先读工作缓冲，再读会话状态，再读每日笔记——一步一步把上下文拼回来。

不是问”我们聊到哪了”，而是直接去找答案。

第三个支柱：自改进——犯过的错不再犯

这是Proactive Agent最有野心的部分。

它内置了一套”自我改进护栏”（Self-Improvement Guardrails）。当它犯了一个错误，它会记录下来，分析原因，然后把经验提炼成规则，写入长期记忆。

下次遇到类似情况，它不会犯同一个错。

这不是简单的”错误记录”，是一套完整的反馈循环：

• 错误发生 → 记录到 `ERRORS.md`
• 人工纠正 → 记录到 `LEARNINGS.md`
• 经验验证 → 提炼成规则 → 写入 `AGENTS.md` 或 `SOUL.md`
• 下次遇到类似场景 → 直接应用规则

从错误中学习，把学习变成行为改变。

这就是”relentless resourcefulness”——遇到问题，先试10种方法，再来求助。

03 横向对比：谁是它的竞争对手？

主动型AI Agent这个赛道，其实已经有一些玩家了。

从对比来看：

Proactive Agent的核心差异化在于：它是目前唯一一个把”持久记忆”和”主动出击”和”自改进”三者做成闭环的系统。

其他项目往往只解决其中一个问题。Self-Improving Agent解决了”从错误中学习”，但没有解决”上下文丢失导致无法学习”的问题。Ontology解决了”结构化记忆”，但没有解决”主动性问题”。

Proactive Agent把三个问题一次性打包解决了。

这也是它能拿到15万次下载的原因——用户不需要拼装三个工具，一个就够了。

04 演进历程：它是怎么走到今天的

Proactive Agent不是一夜爆红的。

从GitHub记录来看，它经历了三个阶段：

v1.0 阶段：概念验证

最早只有”主动出击”的概念，没有系统化的记忆架构。那时候主要解决的是”AI不应该只等指令”这个问题。

v2.0 阶段：记忆体系建立

开始引入多层记忆架构：`SESSION-STATE.md`、`memory/YYYY-MM-DD.md`、`MEMORY.md`的分层设计。同时加入了Heartbeat系统，让Agent定期自我检查。

v3.0 阶段：完整持久化方案

WAL Protocol和Working Buffer是v3.0的核心创新。这一版才真正解决了”context truncation”这个AI Agent领域的公认难题。

从v1到v3，核心逻辑没有变：让AI真正成为一个有记忆、有主动性、有自我改进能力的伙伴。

变的只是实现深度。

05 这件事的深层意义

Proactive Agent的出现，实际上在回答一个更大的问题：

AI Agent应该是什么？

如果AI Agent只是”更快的工具”，那它本质上还是个东西。用户推一下，它动一下。

如果AI Agent是”真正的伙伴”，那它应该有记忆、应该主动、应该从经验中学习。

Proactive Agent站在后者这边。

它认为AI Agent应该：

• 记住你是谁（而不是每次都重新开始）
• 主动帮你想到你没想的（而不是等你问）
• 从错误中变聪明（而不是每次都犯同样的错）

这不是一个功能集合，是一种设计哲学。

当你把AI当作工具，它就是工具。当你把AI当作伙伴，它才有可能变成伙伴。

Proactive Agent在尝试后者。

06 实操指南：怎么用

如果你用 OpenClaw：

clawdhub install proactive-agent

装完之后，第一次会话它会问你一系列问题：你是做什么的？你有什么偏好？你希望我怎么帮你？

回答完，它会自动生成你的 `USER.md`、`SOUL.md` 等文件。

如果你用其他平台：

GitHub：https://github.com/halthelobster/proactive-agent

核心文件都在 `assets/` 目录下，核心逻辑都在 `SKILL.md` 里，可以手动迁移。

15万人已经用脚投票。你要不要试试，看它会不会成为你第一个”主动”找你的AI助手？