🔥 今日值得一读
AI代理新公式：主动推理帮你在25-300任务中省下大笔token！
Active Inference as Context Acquisition for AI Agents
👨💼 主理人解读 · 为什么值得关注
将上下文获取建模为主动推理问题，平衡默认假设与澄清查询的代价，提升交互式AI智能体的效率。
📖 AI 总结
该论文提出将主动推理作为AI智能体获取上下文信息的设计框架。核心问题在于：当用户省略约束、偏好或文件时，智能体需在默认假设与花费额外token进行澄清、检索或工具调用之间做出权衡。作者将这一权衡形式化为上下文获取的主动推理过程：内部推理步骤更新对潜在任务状态的信念，外部决策则选择下一步动作以最小化期望自由能。在确定性场景下，认知项简化为期望信息增益，并可按token成本进行归一化。研究在最优提问框架中实例化该方法，使用精确后验和动态规划基准，对25至300个候选的二元及多类别任务进行了前沿语言模型评测，并探讨了生成前澄清与token预算下的自动提示优化。该框架模型无关，为AI智能体的上下文获取层提供了设计原则。
🔑 关键词速览
| Active Inference | 一种基于自由能原理的决策框架，通过最小化预期自由能来指导行动选择。 |
| Context Acquisition | AI代理获取必要上下文信息的过程，包括澄清、检索或工具调用。 |
| Expected Free Energy | 在主动推理中，衡量行动后果的效用和认知价值的量，用于选择最优行动。 |
| Optimal Question Asking (OQA) | 一个框架，通过动态规划优化提问策略，以最小化成本获取信息。 |
| Epistemic Term | 自由能中与信息获取相关的部分，在确定性情况下等同于预期信息增益。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅