用主动推理优化 AI Agent 上下文获取
新论文将主动推理形式化为 AI Agent 的上下文获取框架，提出 OQA 实例化方法并对前沿大模型进行评测。
一项新近发布在 arXiv 上的论文将"主动推理"（active inference）框架引入交互式 AI Agent 的上下文获取过程，提出了一套模型无关的设计原则，并就何时追问、何时假设这一核心权衡给出了形式化处理。
研究问题：追问还是假设
在用户与 AI Agent 交互时，信息缺失是常态：用户可能省略约束、偏好、所需文件或任务变量。Agent 此刻面临权衡——是按默认假设继续推进，还是消耗 token 去提问、做检索、调用工具或尝试不同 prompt？论文把这一权衡形式化为"上下文获取的主动推理"问题。
框架结构：内外两层决策
作者把 Agent 的交互拆为两层：
- 内部推理步：依据当前观察，更新对潜在任务状态的信念（belief）；
- 外部决策步：在三类动作中做出选择——"获取更多上下文的动作"、"执行任务的动作"、"停止动作"，目标是在 token 成本约束下最小化"期望自由能"。
在确定性设定下，框架中的认知项（epistemic term）可化简为"期望信息增益"，并可按 token 成本做归一化，从而显式地平衡"问得值不值"。
实例化与实验设置
论文将上述通用框架实例化为"最优提问"（Optimal Question Asking, OQA），配套精确后验（exact posteriors）与动态规划求解器（oracle），并在候选规模为 25 至 300 的二元与多分类任务上，对前沿大语言模型进行基准评测。论文还顺带讨论了两个应用方向：
- 生成前的澄清（clarification before generation）；
- token 预算下的自动 prompt 优化。
意义与当前局限
该方法被定位为模型无关，作者主张将"主动推理"视为 AI Agent 上下文获取层的一种设计原则，而非绑定到某一具体模型架构。需要指出的是，目前可阅的仅是论文摘要，正式的基准结果、模型对比数据与统计显著性等细节，仍需查阅论文正文才能确认。
论文标题为 Active Inference as Context Acquisition for AI Agents，arXiv 编号 2608.19202，作者为 Sanchayan Dutta。