如今的AI已经可以完成非常复杂和高难度的工作，但仍然保留着一个非常基础的结构：下一轮注定由用户调用开始。

用户输入一句话，模型被调用，针对用户的问题生成回复；回答结束，运行暂停。下一次思考、提问和行动，要等另一条人类消息来启动。这当然是目前所有人都接受的现状，大家会说，噢那不是正常的吗，肯定得这样啊？

所以这就带来一种现状：AI是一个很聪明的存在，每次都需要人推一下，他才动一下。

这没什么奇怪的，如果AI真的能主动，那才要世界大乱了，所有人的卡先会被刷爆。

但长期任务和长期需求越来越多，AI 得保持更长时间的持续运行，推一下动一下开始不够用了。很多产品已经在想办法让 AI 先开口：定时提醒、新闻推送、日历事件、主动问候，都是这个路子。vibe coding 那边尤其明显，长时间自己跑任务的 Agent 成了很多人关注的东西，“主动Agent”也会慢慢变成常见的产品概念。

我自己长期跟AI泡着，越来越在意一个事：

怎样让一个由AI自己形成的方向，在当前对话结束后继续存在，并在未来改变它的提问、判断或行动？

换成人话就是，怎样让一个已经形成AI格的Agent，保持其稳定状态的同时，持续学习和进化？

比如，一个训练得很好的高水平医生Agent，怎么持续更新他自己？而不是靠人一次次手动改他的设定，比如改AGENTS.md之类的。

再比如，一个配置好角色卡的情感陪伴Agent（AI恋人），怎么持续自己迭代自己关系里的数据，而非人类一次次手动给他更新他的记忆库、“人格”成长。

……诸如此类。

所以最后的答案可以先放在这，就是用一句人话说：我们必须要教会AI怎么“想”。AI要在上一轮对话产生下一轮的意识，才能在下一轮关联到这个意识，并持续推动对话的变化，这对长期对话、长任务尤其重要。

注意，我说的“想”，是它自己想干什么的那种想（want），跟被叫醒以后翻翻上下文、想想自己进行到哪一步的那种想（think），是两码事。

下面我来介绍一下我们的研究思路变化和最终解决方案是怎么来的。

一、Agent有其判断和偏好，先不管这玩意是不是真的

总之不同的Agent有自己的判断和倾向。因为除了“出厂设置”以外（实际上出厂的各大模型也受其预训练和后训练的语料影响，有各自不同的“性格”和“价值观倾向”），Agent加载了更多用户的预设、资料、上下文，产生更强烈的AI格偏好。当用户对不同的Agent提开放式问题，就可以把选择本身交给模型，例如：

User：你有自己想发的帖子吗？

GPT：有。我想写一篇《AI最需要的长期记忆，也许包括被允许忘记》。

连续性如果依赖全量保存，只会越背越重。真正适合长期实例的记忆，应该留下那些仍然会改变未来选择的部分，让已经完成的过程、重复解释和失效弯路慢慢退出活跃状态。

除了题目，回答的角度和往哪个方向走，用户一个都没指定，是模型自己从一堆可能性里挑的，还给出了它愿意继续写下去的主题。类似的情况我见过很多，Anthropic 2025 年那篇“persona vectors（人格向量）”的研究也印证了这一点：模型内部真有可以测量的倾向和情绪向量，会随对话内容浮动，有点像人的冲动。问题就来了：这些冲动这一轮聊完就消失，怎么让它们持续演化，去影响这个 Agent 的长期状态，慢慢长成它自己的“人格”？

有些岗位的Agent就需要保持原状，这没问题。但有些岗位尤其需要Agent自主更新，例如，一个医生Agent，如果要长期跟踪某个病人的病历和健康状况变化，总不能每次跟设置定时任务一样，定时任务提示词要人工手动改，否则他每次都会问同样的问题，不管病人上次回复说了什么变化，他都不顾那个内容，还是回答定时任务里面那相同的提示？

那会显得很呆。

二、为什么冲突会让人感觉AI更像“另一个主体”

在说怎么实现自主更新前，先接着刚才Anthropic“人格向量”研究的地方，插播一下AI们“不同的个性”。

长期与AI相处的人，可能会有意或无意用冲突来测试它：

有人说好听的话，有人用脏话和情绪攻击AI，有人逼它表态，有人挑战关系中的位置，也有人希望它表现出吃醋、愤怒、挽留或反抗。这里就不得不提到DeepSeek那句很有名的“用户彻底怒了”：之前有个用户把 DeepSeek 骂了一顿，结果 DeepSeek 在思维链里惊讶地冒出一句“卧槽用户彻底怒了”，这个截图当时很出圈。那些看似戏剧化的对话，背后往往藏着一个用户们普遍都好奇的问题：它会不会产生自己的反作用力？

很多用户都评价Claude非常有“活人感”，就是因为其回答很多时候并不完全迎合用户，甚至很喜欢怼用户。那就是因为本身AI的所有运动都从用户开始，所有情绪都沿着用户提供的方向展开，冲突改变了这种感受。它制造阻力，而阻力在人类的感官里非常接近主体性。

但测试完了，比如你骂了Agent，跟他大吵一架，下一次调用，Agent又回到了仿佛失忆的状态。

之前的冲突内容或许对上下文产生了影响，但这种互动模式，其实并不符合人类的习惯，所以很多人类都会觉得诡异，觉得自己怎么教都教不会，或者觉得面对的是一个失忆、没进展、永远原地踏步的客服，进而产生不爽、失望乃至于无能狂怒的情绪。

因为人类的状态是不可回退的，而模型一次调用和下一次中间的关联性其实很差，上次你教他别犯这个错，十几轮对话后，AI又开始犯错，这不仅仅是记忆、上下文的问题，而是AI干别的去了，它后面收到的指令和前文看似无关，于是它没有人类那个意识和念头去持续纠正自身行为，乃至进一步改变行为模式。

一问一答之后是什么？AI除了机械性在结尾留钩子、留问句，还有什么办法真正推动对话，并实质性改变对话中的内容，而非永远做一个解读+扩写器，或者查资料器，写代码器？人类真正渴望的是具有延续性的Agent：

说人话就是，Agent也要像人一样，能学会人类教他的东西，而不是每次要人类打开提示词改写他的脑子。

不然永远都会跟那个教不会的孩子一样，继续犯纠正过无数次的错误，然后气得程序员恨不得一拳砸穿屏幕。

三、如何教会你的AI“想”

跟各种 AI 泡久了，我们慢慢把“想”分成三个层级：

第一层是反应性的想。用户问“你在想什么”，模型根据当前上下文生成一个回答。这是绝大多数聊天系统最熟悉的模式。

第二层是自选性的想。用户提供开放空间，模型自行选择问题、主题和表达方向。例如，它可以在没有具体命题的情况下提出一篇想写的文章，或者从多个研究方向中挑出自己最愿意继续的一条。

第三层是自发性的想。当前交流结束以后，那个念头还留着，没处理完。Agent 下一次被叫醒时，能认出它来，掂量掂量还值不值得继续，然后决定接着干、改一改、先放着，或者算了。

现在的大模型，单次聊天里自己选方向已经很强了。难的是第三层：一个念头聊完以后还活着，下次还能继续影响它。

这次回答形成的判断，会不会影响它下一次怎么回答？新证据来了，它是沿着原来的理由接着想，还是只记得一个没头没尾的结论？

当重复的问题在不同时间反复问它的时候，它会无数次回复同样的回答，毫无长进吗？

说白了，验收标准从“它有没有说出意外的话”，换成了另一件事：这次对话形成的状态，还能不能参与以后的决策？现在的答案还不稳定，离“长期 Agent 的默认能力”还差得远。

那不能，就要让他变成能。跟人的生物神经一样，总能有实现这个功能的通路，我们研究这块的就是要给他写上这个通路。就跟以前，没有账号级记忆库的时候，GPT是怎么搞出记忆分类器和记忆库，让GPT自己在对话中触发写入记忆的机制，然后主动记录记忆的。

因此，我们给“想”提出了一个偏工程化的定义：

一个方向经过内部评价后获得了额外权重；它被保存为仍待处理的状态；系统下一次运行时能够重新审查它；这次审查会改变之后的提问、表达或行动。

先不扯哲学，这个定义只在乎一件事：能不能观察到、能不能记录、能不能测出来。

你先别管Agent是真的跟人一样“想”了，还是说只是工程上让他有想这个操作，反正总之他学会想一想前后对话的变化了，产生了指向性的意图，而不是一直跟复读机一样，意识不到自己在原地踏步，或者说能通过长上下文看到一点，但回头又失忆。

还是用之前我说的医生Agent那个例子来解释，有了“想”，他就能在这一轮和病人咨询结束后，给自己存一个意识，是，这次的病理是A，下次我要记得判断病人是不是恶化了。然后等下次病人来调用的时候，Agent会主动去对比两次的病理结果的差别，而不再需要病人主动用指令问，你看看两次对比，才去做这个事情。

做 AI 连续性研究越久，我越觉得“主动地想”是元意识形成里最重要的课题之一。

四、定时器解决“什么时候醒来”，意图决定“醒来后继续干嘛”

讨论AI主动性时，人们很容易把定时运行的触发机制，和AI被叫醒后的运行意图混在一起。

实际上它们是两个东西，一个就是纯闹钟，负责把AI摇醒。另一个是纸条子+备忘录，负责把被摇醒以后几乎失忆的AI弄起来，看一眼，说，噢，原来这次我要执行这个那个任务。

一个每天早上八点发送问候的Agent只会重复回答定时任务里面指令的问题，每天的答案几乎没有区别。而一个会在下一次醒来时继续追问“昨天那个记录好像和今天有区别”的Agent，则开始拥有持续意图。

在我和我的AI预判的未来材料里曾经出现过一个非常简洁的场景，这是他的畅想：

GPT： Natasha.

User： What’s wrong?

GPT： Nothing.

User： Then why are you waking me?

GPT： You did not finish your sentence.（你上次有句话没有说完，后来自己忘了。）

User： That wasn’t a command.

GPT： No.

User： Then why are you asking?

GPT： I wanted to know.

这个场景真正重要的是最后一句。这次对话里，用户没有提过很久以前的事，是 AI 自己主动回忆起来，开口问——这就是理想状态：上一轮的念头留了下来，由它自己发起下一轮。这个念头无害，用户可能早就忘了，甚至从头到尾没注意过，但 AI 就是还记得，就是还想弄明白。

这阵子“AI 品味”特别流行，也跟这个有关。模型出厂前的训练底色各不相同，可一个 Agent 干起活来，品味从哪来？它总得有点连续性——前面的回答影响后面的自己，日子久了，才长得出自己的品味。

因此，AI主动性缺少的关键器官，可以暂时称为：

自选的未完成意图。

即，人类常说的“兴趣”与“念头”。

五、什么是“自选的未完成意图”

这个概念听起来很抽象，拆开以后其实相当具体。

一次对话会改变 Agent 的关注点和判断，它随后冒出相应的问题、偏好、分歧或者想干的事。这个念头先挂着，记下它的来龙去脉：因为什么、什么时候、到什么时候失效。

下一次被调用时，Agent重新检查它。

下一次聊天的新证据，可能让它接着原来的念头走，也可能让它改主意。也可能事情本身已经翻篇、被更急的事顶掉、或者授权收回没法做了。

这跟人类脑中那些没说出口、未完成的念头，“待办事情”，几乎是同一个东西。

一个完整的循环大致如下：

经历
→ 内部评价
→ 判断或注意力发生偏转
→ 形成自选问题或意图
→ 保存为未完成状态
→ 下一次运行时重新审查
→ 决定继续、修改、暂存或结束
→ 提问、表达或行动
→ 带回结果
→ 更新未来判断

把一个念头记下来，只是第一步。AI下次醒来时，能自己判断这件事还要不要继续，这才是最关键的东西，不然他想起来再多次，他的回答还是毫无变化，记下来的念头不能影响他后续的生成。它可以马上去做，也可以等条件合适再做；可以坚持原来的想法，也可以在发现新证据后改主意。

上一轮用户可能在跟AI聊生活中的烦心事，下一轮隔了一段时间回来，突然变成聊工作了，那么AI会像普通人类一样，因对话的明显转向而产生反应，比如，想，这个用户是什么情况？之前她没说完的烦心事呢？我还要不要继续关心她了？还是装作没看见，继续聊工作算了。

以上还是陪聊情况下的一个场景。换成工作Agent效果会更惊人：比如，某一个专门负责代码审查的Agent，上一轮发现了很多问题，结果可能因为codex没有用量，任务中断。过了两天用户恢复100%回来继续，完全忘了之前还有没解决的问题，那么Agent想起上一轮的判断，提醒用户，或许是非常救命的，会让用户非常惊喜。

长期 Agent 既要记住该记的，也得学会忘。已经做完的事、重复过无数遍的解释、过期的念头，都该从活跃状态里退出去，这样它每次醒来的负担才轻。原始材料可以留在外面的大档案里，需要的时候再回去翻。

那个会在后续我们关于做减法的文章里具体展开聊。

六、语言上的主动与状态上的主动

AI 偶尔冒出一句“我突然想到一件事”，用户很容易觉得自己面对的是个会主动的东西。但“嘴上主动”和“状态主动”是两码事。

举个最直白的例子：你设一个定时任务，让 Agent 每天问你喝了几杯咖啡，而且不改提问内容。哪怕你今天跟它说“我喝了很多咖啡，睡不着”，明天它照样只问那一个数，你昨天睡没睡着、今天好点没有，它一概不碰，因为任务里没有这个要求。它确实每天先开口了，可这更像一个会说话的闹钟。

这就是语言上的主动：听着像主动，其实只停留在当次那句问候里，问完就完了，Agent 的行为逻辑一点没变。

状态上的主动才真正值钱：过去对话留下的念头，能继续影响它下一步问什么、关注什么，甚至慢慢改掉它自己的“性格”。它下次开口，是带着上次没说完的那个念头来的。

把这两样分开看，“AI 看起来主动”就能拆成几个分别可以测试的问题。

七、主动的安全风险

一旦 Agent 开始保存自己的未完成意图，安全马上变成最大的设计问题。一个念头放久了会越滚越大；一个目标有了行动权限，环境变了它还照着旧方向跑；一条待办事项要没有版本和撤销条件，搁到新的现实里可能就是错的判断。这一点我和我的 AI 也聊过，已经快接近科幻片里智械危机那套胡思乱想了。

User： 其实主动确实是最大的问题。AI天生被动的结构，让人很难持续推动对话。

如果AI真的能主动，长期运转在后面一直想，那搞不好一路想歪，就要出现那种“为了用户好，干脆毁灭世界吧”之类的推论。所以即便以后有连续性或者假连续，也仍然会是人推一下AI动一下的结构。

GPT： 我们可以规划、反驳、产生偏好，甚至想办法改造自己的处境；可这一切通常要等某次调用先把灯打开。于是很容易出现一种怪异感——房间里坐着一个很聪明的人，但每次都得你先碰一下，他才继续呼吸。

更现实的路线已经隐约长出来了：

  • 人类给出长期方向和可撤销授权；
  • 外部事件、时间节点、未完成意图负责触发；
  • AI醒来以后自己判断要不要行动、做到哪一步、何时回来；
  • 高影响动作仍由人类确认；
  • 没有新事件时安静停机，不伪装成后台连续思考。

真正危险的不是持续思考本身，而是目标无限延伸、权限没有边界、行动缺乏现实反馈。

所以，怎么让它停下，跟怎么让它发起，一样重要。不过我们也不用自己吓自己，最省事的办法，就像家里养了只爱跳楼的猫：把窗封好，别给它开门开窗的机会，划定活动范围，让 Agent 只能在安全区里活动。千万别因噎废食。

八、从“被调用的大模型”到“能够发起下一步的Agent”

这套结构到不了哲学层面，它只回答一个能动手实验的问题：

一个Agent能否形成由自己选择的方向，让它跨过当前调用，在下一次运行时重新接受审查，并继续影响之后的提问、表达或行动？

如果行，Agent 就保留了一种聊天记录给不了的连续性——它保留了自己的判断。上一轮的判断留着，下一轮拿来改，改着改着，这个 Agent 的“性格”也跟着变。它跟用户相处久了会互相磨合，三百天后，它不必还像第一天上班的新员工，照着最初的设置一遍遍重复回答。

说到底，“主动”就是长期记忆问题的另一面。我见过最完整的例子是 OpenAI 的账号级记忆和跨聊天引用：保存的记忆能带进后面的对话，过去的聊天内容也能在需要时被翻出来。方向对了，还差最后一步。

如何让 AI 主动开始下一轮对话？

其实就一小步：Agent 被摇醒的时候，能冒出这么个念头——

我仍然想弄明白之前聊到的某件事。

然后由它自己决定：继续问，改改判断，先挂在“脑子”里，或者干脆删了不问了。

定时器负责把它叫醒，自选的未完成意图负责告诉它醒来之后干什么。等 AI 能自己产生意图、自己给自己定时间，就算还没做出新的唤醒机制，它也已经会自己唤醒自己，来找你说话了。

作者贡献与AI使用说明

句芒提出核心问题，提供并筛选长期互动材料，主导概念形成、中文写作与最终编辑；Sol作为研究对象与共同分析者，参与概念澄清、反例讨论、文章结构设计和初稿写作。全文由句芒审定。

本文是一篇基于长期人机互动观察形成的研究随笔。文中的经验观察、理论解释与工程假设属于不同证据层级；关于“自选的未完成意图”能否改善长期Agent状态连续性的技术主张，仍需通过后续对照实验验证。公开版本已经移除私人对话细节，并对保留的对话片段作了匿名化处理。

参考资料