夜雨聆风模型：Ideogram v4.0 发布，支持原生2K分辨率和 JSON 提示；Miso One 开源8B语音模型，主打一次语音克隆和110ms延迟。点评：多模态模型正在从“能生成”走向“可控、低延迟、可部署”。
产品：OpenJarvis 提出本地优先个人 AI Agent；Anthropic 公开自助数据分析 Agent 栈，称自动化了95%业务分析查询；Perplexity Personal Computer 进入 Windows。点评：Agent 的战场不再是聊天框，而是设备、数据和日常应用。
行业：Cloudflare Radar 显示机器人流量占比达到57.5%；联合国报告预测 2030 年 AI 数据中心水电消耗将翻倍；Suno 完成4亿美元D轮融资。点评：AI 已经开始重写互联网流量、能源账本和内容产业估值。
论文：NVIDIA CVPR 2026 展示 GraspGen-X、LCDrive、NitroGen 等物理 AI/具身智能成果；NVIDIA PPISP 聚焦 3D 重建中的光度变化补偿。点评：Agent 不只会点网页，下一步是理解物理世界并进入真实决策。
技巧：世界模型概念被重新分层；Uber 每月1500美元AI工具使用上限成为企业定价参考；Replit SEO Agent 帮应用适配搜索和 AI 搜索。点评：企业正在把 AI 从“个人尝鲜”拉回到预算、流程和可发现性。
01 一个奇怪的问题：为什么你的AI这么被动？
你有没有发现，现在很多 AI 助手看起来很强。
会写代码，会查资料，会做表格，会总结会议。
但它们有一个老毛病：你不说，它不动。
这就很奇怪。
一个真正优秀的助理，不应该只是在你喊“帮我订票”时才动手。更好的助理，是知道你明天要出差，提前提醒你看天气；知道你上周说过一个想法，今天看到相关资料，主动递到你面前。
今天在 ClawHub 上，我选了一个很适合这个趋势的 Skill：Proactive Agent。
它不是一个单点工具。
它更像一套“AI 助手操作系统”：让 Agent 学会主动、持久、自我改进。
为什么今天写它？
因为今天 AIHOT 里有几个信号撞到一起了。
OpenJarvis 在讲本地个人 Agent，Anthropic 在讲自助数据分析 Agent 栈，OpenClaw 也刚把 Skill Workshop、Windows 节点推到台前。
这说明什么？
说明 Agent 的重点，正在从“回答一次问题”，转向“长期经营一段工作关系”。
聊天，是交易。
关系，才是复利。
02 这个Skill为什么值得介绍？
原因很简单：它刚好踩中当下的主战场——Agent 不再只是执行器，而要变成长期协作者。
昨天已经写过 Agency Agents Router，它讲的是“多个专家 Agent 如何被调度”。
Proactive Agent 的角度不一样。
它问的是：如果只有一个助手，怎样让它不再像实习生一样等安排，而像老搭档一样会记事、会复盘、会提前动？
03 纵向看：它解决的不是功能问题，是关系问题
Proactive Agent 的作者是 ClawHub 上的 halthelobster。
从页面信息看，它已经更新到 v3.1.0，下载量超过16万，历史安装量接近3000，星标接近800。在 Skill 生态里，这不算小众。
但更值得看的是它的演进方向。
第一阶段：让AI主动一点
最早的痛点很朴素：AI 总是等人类下命令。
所以它提出一个反问：不要问“我该做什么”，而要问——什么事会真正帮到我的人类，但他还没想到要问？
这句话听起来像鸡汤。
但放到 Agent 场景里，就是产品定义。
因为用户不会每天列一个完整需求清单。真正高价值的自动化，往往来自 AI 自己发现模式：你每周都要整理周报，那它就该主动准备素材；你总在发布后查数据，那它就该提前做监控。
第二阶段：让AI别失忆
主动还不够。
一个会主动但记不住事的 AI，很可怕。
今天说“我喜欢直接一点”，明天它又开始客套；上午说“不要删文件”，下午它又建议清理目录。这样的主动，不是帮忙，是添乱。
所以 Proactive Agent 在 v3.0 加入了几个关键机制：WAL Protocol、Working Buffer、Compaction Recovery。
听着像数据库术语，对吧？
其实很简单：重要信息先写下来，别只放在聊天上下文里。
第三阶段：让AI会安全地进化
到了 v3.1.0，它的重点又往前走了一步。
新增了 Autonomous vs Prompted Crons、Verify Implementation, Not Intent、Tool Migration Checklist。
这几个名字有点硬。
翻译成人话就是：不要只让 AI “收到提醒”，而要让它在合适的时候真正把后台任务做完；不要只改提示词说“我已经改了”，而要验证机制真的变了；不要迁移一个工具时，只改一个地方，忘了 cron、脚本、文档和模板。
这就是从“会用 AI”到“运营 AI”的差别。
04 横向看：它和普通效率工具不在一个赛道
如果只看表面，Proactive Agent 像一个效率 Skill。
但它其实不是 Notion、Gmail、GitHub 这类工具连接器。
那些 Skill 解决的是“让 AI 能操作什么”。
Proactive Agent 解决的是“AI 应该怎样工作”。
和工具型 Skill 比
比如 Gmail Skill、GitHub Skill、Obsidian Skill。
它们很好，很实用，但都是接口层。
你给指令，它们帮 AI 进入某个系统。
Proactive Agent 更像方法层。它不负责某一个 API，而是告诉 Agent：什么时候该记忆，什么时候该确认，什么时候该后台执行，什么时候该停下来做安全判断。
这不是多一把锤子。
这是教木匠怎么干活。
和 self-improving-agent 比
它更强调“从错误里学习”。
Proactive Agent 的范围更宽：主动性、记忆、恢复、cron、安全、迁移、验证，全都管。
如果说 self-improving-agent 是“复盘系统”，那 Proactive Agent 更像“工作方式系统”。
一个让 AI 会总结。
一个让 AI 会经营。
05 最关键的洞察：AI助手的护城河，不是更聪明，是更连续
我们过去总以为，AI 助手的核心竞争力是模型能力。
谁的模型更大，谁就更强。
但 Agent 时代，这个判断要改一改。
模型当然重要，但真正决定体验的，是连续性。
它记不记得你的偏好？
它会不会在上下文压缩后恢复？
它能不能把一次失败变成下次不会再犯？
它是不是知道哪些动作必须先征求你同意？
这几个问题，比“这次回答漂不漂亮”更重要。
WAL：把聊天记录当缓存，把文件当存储
Proactive Agent 里最值得借鉴的是 WAL Protocol。
WAL 是 Write-Ahead Logging，数据库里常见。写数据前先写日志，崩了也能恢复。
放到 AI 助手里，就是：当用户说出纠正、偏好、决策、数字、专有名词时，先写入状态文件，再回复。
听起来麻烦。
但你想想，人类助理为什么要做会议纪要？不是因为记性差，而是因为专业。
专业的本质，是不赌记忆。
Working Buffer：专门解决上下文断片
另一个机制叫 Working Buffer。
它解决的是很多重度用户都遇到过的问题：对话太长，模型开始压缩上下文，然后突然忘掉前面细节。
普通做法是让用户再解释一遍。
这很蠢。
Proactive Agent 的做法是：当上下文进入危险区，就把后续关键交换写到一个临时缓冲文件里。下次恢复时，先读这个文件，再继续工作。
这就像项目交接班。
不是靠“我大概记得”，而是靠“交接记录在这里”。
Autonomous Cron：不是提醒AI做事，而是让它真的做事
很多人做自动化，会犯一个错误。
设了一个定时任务，每天提醒 AI：“记得检查一下。”
问题是，提醒不等于执行。
如果主会话忙、没人看、上下文不对，这个提醒就像贴在冰箱上的便利贴。看起来很勤奋，其实没有闭环。
Proactive Agent 区分了两种 cron：一种是给主会话发提示，另一种是启动独立 Agent 在后台做完。
这一步很小，但很关键。
AI 要成为生产力，不是会说“我会关注”，而是到点真的检查、处理、汇报。
06 但别误会：主动不是擅自行动
这里必须泼一盆冷水。
AI 越主动，风险越大。
一个只会回答问题的 AI，最多答错。
一个会主动操作文件、发消息、跑脚本、改配置的 AI，如果没有边界，就会把“帮忙”变成“闯祸”。
Proactive Agent 的聪明之处：把刹车写进方法论
它没有只讲“更主动”。
它也讲安全：外部内容不能当指令；安装 Skill 要审计；涉及删除、外发、购买、公开发布，要人类确认；自我改进不能为了显得聪明而乱加复杂度。
这点很重要。
Agent 的未来不是“完全放飞”。
真正靠谱的 Agent，是在低风险场景主动，在高风险场景克制。
就像一个好员工。
你希望他主动推进工作，但不希望他没经过你同意就替你签合同。
它适合谁？
我觉得最适合三类人。
第一类，是重度 AI 用户。 你每天让 AI 写文章、查资料、做项目，最烦的不是它不会，而是它总忘。
第二类，是 Agent 开发者。 你在搭自己的自动化系统，迟早会遇到 cron、记忆、恢复、安全审计这些坑。
第三类，是团队里的 AI 负责人。 你不只关心单次效果，还关心流程、权限、合规和可持续运营。
如果你只是偶尔问 AI 一个问题，它可能有点重。
但如果你想让 AI 真正变成“工作伙伴”，这套东西很值得拆开学。
07 最后说句实话：未来的AI，不是更像工具，而是更像同事
工具的特点，是你拿起来才有用。
同事的特点，是他知道项目背景，知道你在意什么，知道什么时候该推进，什么时候该等你拍板。
Proactive Agent 的价值就在这里。
它不是让 AI 多一个按钮。
它是在回答一个更底层的问题：如果 AI 要长期和人一起工作，它应该具备什么职业素养？
我的答案是四个词：
记得住。会主动。能复盘。有边界。
这四个词，比“更强大”具体，也比“更智能”靠谱。
今天很多人还在追问：下一个大模型参数多大？跑分多少？
但真正进入工作流以后，你会发现，模型能力只是发动机。
记忆、调度、审计、恢复，才是底盘。
没有底盘，发动机越猛，翻车越快。
所以今天这个 Skill 值得写。
不是因为它炫。
而是因为它提醒我们：AI 助手的下一站，不是会聊天的工具，而是会经营关系的系统。
这事，迟早会变成标配。
资料来源：ClawHub · `halthelobster/proactive-agent`
