面向长期任务的智能体：在动态环境中主动维持长期意图

当前大语言模型智能体主要采用被动响应范式，难以在动态环境中维持用户长期意图并自适应调整。本文提出一种主动式任务导向智能体新范式，通过两项核心能力实现：（i）基于对话历史自主构建触发条件的意图条件监控；（ii）在检测到有益环境更新时主动与用户交互。为此，我们构建了高质量数据合成流程，生成动态环境下的复杂多轮对话数据，并提出新基准ChronosBench以弥补动态任务导向交互评估标准的缺失。实验表明，现有主流模型在此类长期任务中表现不足，而基于合成数据微调的模型在包含用户意图变化的复杂任务上达到85.19%的任务完成率，验证了所提数据驱动策略的有效性。