为什么你的 AI 助手永远在"装死"？

一个困惑了我很久的现象：你对着 ChatGPT 说"帮我写个周报"，它秒回。你两小时不说话，它也两小时不说话。你三天不理它，它三天也不理你。

等一下，这不对吧？

一个真正的人类助手——哪怕是实习生——你半天不找他，他也会主动过来说"那个报告我整理好了"或者"下午的会议还需要准备什么吗？"

但 AI 不会。它像个被按下暂停键的录音机：你不按播放，它就永远停在那儿。

这让我好奇：为什么 AI 不会主动找你说话？更关键的是，能让它学会主动吗？

LLM 的"时间盲区"有多离谱

我一开始以为，这可能只是个产品设计问题，工程师们没加这个功能而已。但翻了一圈论文之后，我发现事情比我想的要深。

ICLR 2026 Workshop 上有一篇论文专门研究这个问题，标题就很直白——"Can LLMs Perceive Time?"（Garikaparthi, 2026）。他们做了一系列实验，结果让我下巴差点没合上：

• • 让 LLM 预估自己完成某个任务需要多久，偏差 4-7 倍——它觉得要干几分钟的事，几秒就搞定了
• • 让它给两个任务按耗时排序，GPT-5 在那些"直觉上容易搞混"的配对上，正确率只有 18%，抛硬币都有 50%
• • 任务明明已经结束了，让它回头估算"刚才花了多久"，估计值还是能偏一个数量级

为什么会这样？

答案其实藏在 LLM 的训练过程里。它从海量文本中学到了"人类写的一小时大概长什么样"，但在推理的时候，它没有任何"体验时间"的能力。就像一个人读了一万本旅行书，却从未迈出过家门——他能跟你侃侃而谈巴黎的日落，但你问他"你到巴黎用了多久"，他只能瞎编。

所以第一个结论就出来了：想让 AI 有时间概念，不能指望模型自己悟，必须从外面"喂"进去。

那怎么喂？我翻了几种方案

既然模型自己不行，那就得靠外部机制。我顺着从简单到复杂的线索往下挖，目前主流的做法大概有这几种。

第一层：定时炸弹——Cron Job

最暴力也最直觉的方式：设个定时器，每隔一段时间戳 AI 一下，让它看看有没有该干的事。

*/15 * * * * curl -X POST your-agent-endpoint

每 15 分钟戳一次，像闹钟一样。

它能用。但问题是时间是死的。不管用户是在热火朝天地聊天，还是已经睡着了，它都 15 分钟戳一次。token 烧得哗哗的，大多数时候 AI 醒过来发现啥也不用干，又睡回去了。

这让我想到一个类比：Cron 就像是你雇了个保安，规定他每 15 分钟巡逻一次。不管有没有情况，他都得走一圈。效率嘛……你懂的。

第二层：聪明一点的闹钟——Heartbeat

Heartbeat 比 Cron 进步的地方在于，它每次醒来会跑一个检查清单：收件箱有没有新消息？目标文件里这周的主要任务是啥？上次做到哪一步了？用户最后消息什么时候？综合判断之后，有活就干，没活就回个 HEARTBEAT_OK 继续睡。

关键改进在于，醒来的间隔是动态的。如果它感知到用户正在频繁互动，可能 30 秒就检查一次；如果用户几小时没动静了，它就拉长到 1 小时再醒。

从"死闹钟"变成了"会自己调节的闹钟"，这一步的进化其实不小。

第三层：给闹钟装个大脑——ProactiveAgent

继续往下挖，我找到了一个开源 Python 库叫 ProactiveAgent（GitHub: leomariga/ProactiveAgent），我用了一下觉得"这个方向对了"。

它把整个过程抽象成了一个四步循环：

wake → decide → respond → sleep

• • wake：被调度器唤醒
• • decide：决策引擎评估"该不该说话"——综合考虑对话上下文、沉默了多久、话题紧不紧迫
• • respond：如果决定说话，生成消息
• • sleep：睡眠计算器决定"多久之后再醒"——不是固定间隔，而是根据对话节奏动态算出来的

注意，这三个核心组件（决策引擎、消息生成、睡眠计算器）都是可替换的。你想要规则驱动的简单版？可以。想要 AI 驱动的智能版？也行。

举个实际例子，你配置一个"话痨少年"人设：

agent = ProactiveAgent(
    system_prompt="你是一个无聊的话痨少年，像给朋友发短信一样聊天",
    decision_config={
        'wake_up_pattern': "模拟正常短信聊天节奏",
    }
)

这个 agent 会在你沉默的时候主动找你聊，节奏不是"每隔 N 分钟发言一次"的机械感，而是更像真人发短信——有时候秒回，有时候隔一会儿。

这让我隐约感觉到了某种边界：它不再是一个定时响应系统，而是一个有节奏感的对话参与者。

第四层：学术深水区——让它"预判"你需要什么

ICLR 2025 有一篇论文叫 "Proactive Agent: Shifting LLM Agents from Reactive Responses to Active Assistance"，他们想得更远：

它想得更远：观察你的行为和环境状态，预测你可能需要什么。

比如：

• • 你收到一封来自 John 的邮件，里面提到"下周开会" → Agent 主动提议"要不要帮你安排一个和 John 的会议？"
• • 你在购物网站上犹豫了很久 → Agent 问"要不要我帮你查查其他平台的价格？"

训练方法挺有意思的：先收集真实用户行为数据，让 LLM 生成"主动任务预测"，然后训练一个奖励模型来模拟人类判断"这个提议好不好"，最后用 ProactiveBench 数据集微调 LLM，提升它的"主动性"。

这是目前我看到走得最远的方案。但也最重——需要训练数据、需要微调、需要奖励模型。不是一般开发者能轻松上手的。

第五层：实战派——OpenClaw Proactive Skill

最后我还发现了一个挺有意思的实战方案。OpenClaw 社区有个 Proactive Agent 技能（14.8 万下载，729 星），是真正在日常使用中迭代出来的。

几个值得借鉴的设计：WAL Protocol（Write-Ahead Log），任何操作先记录意图再执行，保证可追溯，这个思路从数据库领域搬过来的；Autonomous Cron 和 Prompted Cron 两种模式，前者后台静默执行，后者发个提醒让你确认，定时报天气不需要你确认，但帮你发邮件最好过一道；Growth Loops，每次对话问一两个问题了解你的偏好，发现你重复请求超过 3 次就建议自动化。

这种"从真实使用场景长出来的设计"，和学术论文的"从假设出发推导方案"，形成了挺有意思的对比。

剥到最后，就三个问题

把这几层方案铺开来看，它们其实都在回答同一组问题。

第一个：怎么让 AI 知道"现在几点"？

每次调用 LLM，system prompt 里必须注入时间信息：

当前时间：2026-05-08 14:32:00 (周四)
用户最后消息时间：2026-05-08 13:15:00
沉默时长：77 分钟

没有这个，LLM 连用户多久没理它都不知道。这是所有方案的地基。

第二个：怎么决定"该不该说话"？

两种路线：规则引擎和 AI 引擎。

规则引擎简单可靠——沉默超过 30 分钟可以说话，超过 2 小时应该关心一下，凌晨 23 点到早上 8 点别打扰。但规则是死的，永远无法覆盖所有场景。

AI 引擎更灵活——把对话历史、沉默时长、当前时间喂给 LLM，让它自己判断"该不该说、说什么"。但要控制成本，不能每次心跳都调一次 API。

实际上混合方案可能最好：规则做初筛，AI 做精细决策。

第三个：怎么让它"说人话"？

这一步最容易被忽略。主动消息如果写成"您好，我已经 30 分钟没有收到您的消息了"，一秒破功。它得像朋友聊天一样自然，"对了，你刚才说的那个事我查了一下"或者"刚看到一个有意思的东西"。

要做到这一点，上下文连贯是关键。你得维护对话历史，主动消息要和之前的话题接上。

等等，别变成骚扰

把这些拼到一起之后我突然意识到一个问题：如果 AI 真的学会了主动说话，会不会变成一个话痨？每 15 分钟给你发一条消息，凌晨三点问"你怎么不理我了"。这哪是助手，这是跟踪狂。

频率控制不是可选的。两条主动消息之间至少间隔 30 分钟，每小时最多 3 条，如果你连续忽略了 3 条主动消息，系统自动降频。

拆到这里，我的想法变了

一开始我只想知道"为什么 AI 不会主动说话"。但拆到现在，我发现这个问题背后藏着一个更大的命题：

AI 的"智能"到底体现在哪里？回答问题的准确度？处理复杂任务的能力？还是在合适的时机说合适的话？

我倾向于最后一个。如果真是这样，那"时间感知"就不是锦上添花，而是 AI 从工具变成伙伴的那个分界点。

当然，现在的方案都还不完美。Cron 太死板，Heartbeat 需要精心调参，ProactiveAgent 的睡眠计算器有时候会算出奇怪的间隔，学术方案太重，实战方案又太具体。

但回头看开头那个问题——为什么 AI 永远在装死？拆到现在我的答案是：它不是不想说话，它只是还没有学会看表。

至于它学会看表之后会不会变成一个话痨，那就是另一个需要拆的黑箱了。

参考资料：

• • ProactiveAgent 开源框架: https://github.com/leomariga/ProactiveAgent
• • "Can LLMs Perceive Time?" (ICLR 2026 Workshop): https://openreview.net/forum?id=x8nL1qVPD0
• • "Proactive Agent: Shifting LLM Agents from Reactive Responses to Active Assistance" (ICLR 2025): https://arxiv.org/html/2410.12361v3
• • "Building Autonomous AI Agents with Heartbeat, Cron and Memory" (2026-04): https://explore.n1n.ai/blog/building-autonomous-ai-agents-heartbeat-cron-memory-2026-04-02