当智能不再等待被询问时，会发生什么？
七十年来，计算机一直等待我们告诉它们该做什么。而活着的 Agent 开始主动注意、记忆，并率先伸出触角。
I. 命令的时代
计算的历史始于一条指令。
最早的程序员为机器喂入成堆的穿孔卡片，每个孔洞将人类意图翻译成计算机可以执行的内容。一个错误就可能毁掉整个序列，因此程序员需要提前规划好整个交互过程。机器接收指令，执行计算，然后返回结果。
命令行让交互变得更快。键盘取代了卡片，屏幕取代了打印输出，人们学会了通过精确的文本字符串与机器沟通。但计算机仍然在另一端等待，沉默直到被召唤。
图形界面软化了这种关系。我们不再需要记住命令，而是点击图标、打开窗口、在数字桌面上拖动对象。搜索引擎让事情变得更简单。我们可以在空白字段中输入几个单词，让互联网检索我们想要的内容。
然后出现了提示框。命令开始变得像对话，机器开始用完整的句子回答。
界面已经完全改变。但底层的仪式仍然熟悉：人类注意到一个需求，想起相关的上下文，决定要问什么，然后发起交互。
II. 提示框仍然是一个命令行
提示框感觉截然不同，因为语言让机器看起来更易接近。我们可以要求它写作、分析、解释、规划、想象或推理，而无需学习正式的语法。
然而，提示仍然将大部分认知负担放在人身上。你必须意识到某件事值得关注。你必须记住相关的历史，收集文档，解释情况，并制定请求。
一位即将参加投资者会议的创始人必须记住上次出现了哪些反对意见。一位经理必须意识到一个项目在多次对话中已经停滞。一位旅行者必须先收集所有人的日程、偏好和约束条件，然后才能请求制定计划。
一旦问题到达提示框，AI 可以完成令人印象深刻的工作。但把正确的问题放进提示框，仍然是我们的责任。
这就是为什么许多人觉得 AI 既强大又奇怪地苛刻。它可以在几秒钟内生成答案，但用户必须反复围绕问题重建上下文。
III. 每个问题之前看不见的工作
每个有用的提示都有隐藏的前史。
在让 AI 准备会议简报之前，有人已经找到了邀请函，记住了参与者，搜索了之前的笔记，找到了最新的文档，并决定了哪些未解决的问题重要。在请求制定每周计划之前，有人已经查看了日历，记住了个人优先级，评估了精力水平，并注意到哪些承诺正在被拖延。
我们很少把这算作工作，因为它发生在头脑内部。这是记忆、连接和决定什么值得关注持续的背景劳动。
现代生活使这种劳动更加困难。我们的上下文分散在收件箱、群聊、日历、会议记录、文档、项目管理工具、健康平台和金融服务中。每个应用程序都持有部分信息，而人仍然负责整合全局。
计算的下一重大转变可能来自将部分看不见的工作转移到系统本身。当智能能够跨越时间运作、理解持续上下文，并识别出何时发生了变化时，它变得更加有用。
IV. 会注意的机器
想象一下，一天开始时，你收到来自你的 Chief of Staff Agent 的消息。
它检查了你授权的日历，将今天的会议与你 Living Brain 中的相关笔记连接起来，并识别出上周仍未指定负责人的承诺。消息包含简要简报、底层来源，以及关于你接下来想做什么的问题。
稍后，一个项目 Agent 注意到同一个优先级事项在三次会议中被提及，却没有取得可衡量的进展。它在仍有时间干预时，将这个模式重新带回你的注意力中。
一个绩效 Agent 看到在异常忙碌的一周中，恢复和睡眠质量下降。它将这些信号与日程联系起来，建议保护一个空闲时段，同时将决定权留给你。
一个市场情报 Agent 检测到一条与你的战略相关的公司的新 Bloomberg 信号。它解释了这个发展为何重要，链接到底层来源，并提议将信号保存到相关的 Living Brain 中。
在每种情况下，重要的变化发生在答案之前。系统识别出某件事值得关注，并将其带到人面前。
机器开始注意了。
V. 主动性需要一个 Living Brain
一个没有上下文的主动 Agent 很快就会变成另一个通知系统。它可以提醒你有一个会议，但不能解释为什么这个会议重要。它可以报告一个变化，但不能知道这个变化属于一个活跃的优先级、一个被放弃的想法，还是你已经解决的问题。
有用的主动性需要记忆。Agent 需要了解发生了什么、现在什么重要，以及什么尚未完成。
这就是 ChatChat 中 Living Brain 的作用。它捕获来自笔记、文件、对话、语音备忘录、会议、连接工具和实时信号中选择的上下文，然后将这些信息编译成结构化的、连接的知识。
Living Brain 根据用户选择的权限，为分配的 Agent 提供相关历史访问权限。Chief of Staff Agent 可以检索之前的决策。研究 Agent 可以将新发现连接到现有项目。健康 Agent 可以在不进入用户工作大脑的情况下，处理选定的健康上下文。
关系很简单：Agent 伸出触角，Living Brain 给它理由。两者结合，让主动性从个人上下文中涌现，而不是基于通用日程。
VI. 打扰的权利
主动说话的能力创造了一种新的责任。
人类的注意力已经非常拥挤。每个应用程序都想要打扰的权限，而大多数通知的存在只是因为某个事件发生了，而不是因为那个事件重要。
一个活着的 Agent 必须达到更高的标准。它需要区分紧急性和新颖性、相关性和噪音、有意义的变化和另一个例行更新。它应该知道何时说话、何时等待，以及何时在行动前请求许可。
这就是为什么主动智能不仅仅依赖于一个强大的模型。它还需要一套工具、日程、边界和执行规则的约束。它还需要通过权限、出处和收据来验证。
在 ChatChat 中，用户选择 Agent 可以访问哪些连接器和 Living Brain。不同的 Agent 可以在不同的上下文边界内运作，因此工作 Agent 不会自动获得健康信息的访问权，而绩效 Agent 也不需要阅读公司邮件。
当 Agent 提出一个洞察时，用户应该能够理解它来自哪里。当 Agent 执行一个已批准的操作时，收据可以显示发生了什么以及哪些上下文为其提供了信息。
打扰的权利必须通过相关性和信任来赢得。
VII. 从反应到连续性
反应式 AI 将每个请求视为一个新的开始。而一个活着的 Agent 参与的是一个正在展开的故事。
这种差异逐渐显现。Agent 记住了某个决定已经做出。它注意到之后的信息与该决定相矛盾。它识别出一个反复出现的主题，检索相关历史，并在当前时刻赋予其新意义时返回它。
Living Brain 也通过这种关系发展。它告诉 Agent 信息，接收有用的结果，并在下一次对话中变得更加丰富。随着时间的推移，用户花费更少的精力重构上下文，而更多的时间决定如何处理它。
这创造了不同的计算节奏。人们不再反复打开工具、解释情况、请求输出，而是可以与 Agent 一起工作，这些 Agent 在生活和工作的选定部分中保持连续性。
计算机开始感觉不再像一个目的地，而更像一个持续的参与者。
VIII. 一个用于代理作用的新界面
每个计算界面都改变了意图与行动之间的距离。
穿孔卡片要求我们将意图翻译成机械。命令行要求我们将其翻译成语法。图形界面将其转化为手势。搜索引擎将其简化为关键词。提示框允许我们用自然语言表达它。
活着的 Agent 改变了关系的另一部分。它们缩短了某件事变得相关与用户意识到它之间的距离。
这并不意味着提示会消失。人们将继续提问、探索想法，并明确地指导 Agent。转变在于，有用的智能不再必须完全以请求开始。
对话可以跨越时间持续。一个决定可以在其假设发生变化时返回。一个未完成的承诺可以在被遗忘之前重新浮现。一个外部信号可以找到赋予它意义的内部上下文。
提示成为多种交互模式之一，而不是每个智能行为都必须通过的门口。
X. 最后一个提示之后
在计算历史的大部分时间里，机器耐心地等待人类想起要问什么。
下一代智能可能会提前一个时刻开始。它可能会记住我们，注意到什么改变了，并理解何时应该打破沉默。
ChatChat 正是为这种关系而构建的。它的活着的 Agent 可以跨对话、日程、连接工具和 Living Brain 中选择的上下文工作。它们可以参与个人和群聊，将相关信息带回注意力，并帮助将决策转化为行动。
最后一个提示将不是我们向机器询问的最后一件事情。它将标志着提示不再是智能开始的唯一方式。
机器已经花了七十年等待命令。
现在它正在学习何时先开口。
在 ChatChat 中认识你的第一个活着的 Agent，访问 chatchat.com
