智能眼镜、MR 头显、环境 copilot 正在把 AI 助手从「问了才答」变成「常驻在场」。常驻带来一个全新的产品问题：助手什么时候应该主动开口？说早了是打扰，说晚了没价值，不说等于不存在。
2026 年 9 月 20 日更新：论文已被 TMLR（Transactions on Machine Learning Research）接收。接收版新增了一个机器评分的试点实验（§8.4），下文「这篇的证据强度」一节已据此修订。另有一条 6 分钟的视频讲解。
论文说了什么
综述把整个问题组织在一条决策规则上：当行动的期望收益减去打扰的期望代价超过阈值时，才介入。写成式子是 intervene ⇔ E[收益] − E[打扰代价] > θ。
这条规则本身不新，1999 年 Horvitz 的告警模型就是这么写的。综述的判断是：到 2026 年，收益项因为模型和感知能力的进步大幅变强了，代价项却几乎从现代实现里消失了。
两条互不引用的文献线由此形成。
1999 至 2022 年这条线，把打扰的代价量到了相当细的程度。Horvitz 把它建模成对推断出的注意力状态求期望；Iqbal 与 Horvitz 在 2007 年实测出，一次告警会带来 20 到 25 分钟的认知恢复弧，而 27% 被打断的任务再也没有被拾起来。这条线之所以停在那里，是因为那个年代的介入兑现不了多少收益，最多让你早几秒读到一封邮件。
2024 至 2026 年这条线有了能干活的执行者，YETI、ProAssist、VisionClaw、PRISM 都能跑多步任务，却把决策层从零重搭了一遍。两条线之间的引用接近缺失：偶有出现，也只是相关工作里一笔带过，没有把那套形式化接进模型。代价项被拆散在各处重新发现：PRISM 用贝叶斯风险给误报定价，把误报率从 50.22% 压到 22.94%；Precision Proactivity 测了认知负荷但没接进闸门；EgoSocial 点了社交违规的名却没有量化；WakeAnchor 和 ProAgent 算的是算力开销而不是用户损失。注意力状态和沉默的代价这两项，1999 年之后没有人再碰。
代价项缺失的后果是被实验打出来的。有团队给主动智能体加了单边奖励，只罚误报、不奖及时，GPT-4o 的召回率从 98.11% 崩到 56.76%。两项缺一不可这件事，这个领域是靠付出代价重新学会的。
这篇的证据强度
综述指出评估是闸门层：在介入质量变得可测量之前，主动性的强化学习奖励无从定义。它把测量质量分成四档，L0 是显式的接受与忽略，便宜、可归因，但偏得厉害；L3 才是「这次介入时机确实好」的真实度量。整个领域只在 L0 上训练，因为只有它可操作，而 L0 分不清「我想要这个」和「我现在想要这个」。证据是 PRISM 一旦只按接受与否设闸门，误报率反弹到 62.50%：用户会欣然接受一条在糟糕时刻送达的有用建议。
现有基准没有一个能同时回答「受欢迎吗、抓住了吗、定价了吗」三个问题。Pro²Bench 的质量分给假阳性和假阴性都记 0，于是「打断一个人说无关的话」和「眼看着关键任务失败却不吭声」得到同样的惩罚，时机质量这个区别整个消失。EgoSocial 在识别社交场景上有 51.65 到 56.08 的宏 F1，但在介入时机上只有 12.50% 到 17.67%：模型看得懂场面，选不准时刻。
综述自己的短板也标了出来。50 篇引用里有 21 篇是未经评审的 2024 至 2026 年 arXiv 预印本，这是新兴方向的通病；论文正文与表格冲突时以表格为准，公式与开源代码冲突时另行注明。作为综述，它的主要价值仍是把散落的代价项收拢成一个可用的账本；唯一的新实验是下面这个试点，规模和结论都有限。
文末的基准设计里，人工标注部分仍是提案：单一场景族、200 到 300 个窗口、每窗口 3 名标注者，从 HoloAssist 的教师发话里取真实介入时机做种子。关键设计是把二元标签换成三分窗口，「必须介入 / 可以介入 / 不可介入」，中间那段正是成本收益推理起作用的区域，被二元标注抹掉了；标注者的分歧保留而不裁决，因为受扰程度本来就因人而异。
接收版补了一个机器评分的试点（§8.4），先回答「这套指标跑不跑得通」。标签按规则从 HoloAssist 的公开标注里生成：做错的动作记为「必须介入」，指导者主动的跟进记为「可以介入」，用户正在说话的时段记为「不可介入」，共 1,758 个 session、131.5 小时。五个参照策略里，每秒都开口的策略时机召回率最高（0.962），成本加权得分却在整个折算率扫描区间内垫底（λ=1 时为 −367,752）；一个设定为抓住 70% 错误的模拟检测器配上成本敏感闸门，召回 0.703，违规率 0.09%（对照 0.82%），λ=1 时得分 +5,932。λ 到 2 以上，永不开口反而胜出，所以折算率按曲线报告而不取定值。这个试点说明指标可执行、能区分策略；它不说明标签是对的：标签由规则生成，未经人工判定，检测器是模拟的，标注者一致性是下一阶段的第一项交付。
对实践的意义
FIM One 编排的智能体越来越多带主动触发：定时巡检、异常提醒、待办推送。「什么时候打扰用户」在我们这里不是玄学，是可以按这条规则逐项拆解的工程问题。
两条可以直接抄走的经验。一是奖励必须双边，只罚误报会把助手训成哑巴，这一点已经有人替我们付过学费。二是代价与状态相关，同一条提醒推给正在开会的人和正在发呆的人不是一个价钱；PRISM 把成本比固定在整个部署周期，这正是 1999 年那篇的核心洞察至今仍然缺席的地方。