龙虾之后，为什么说「主动式智能」才是Agent的终极形态？

机器之心发布

一、当 AI 的进化被止于屏幕

OpenClaw 的爆火，不只是因为它能替你干活。

如果仅仅是自动化，市面上的 RPA 工具早就能做到。OpenClaw 真正让人兴奋的，是它展现出的主动性：基于对邮件、日程、聊天记录的持续理解，主动帮你处理事务、主动推送你可能需要的信息。从 Reactive 到 Proactive 的跨越，让整个行业第一次感受到：AI Agent 不只能「被使唤」，更能「替你想」。

但这种主动性有一个边界，它止步于屏幕。

OpenClaw 的感知器是截屏和文件系统，记忆是聊天记录和邮件归档。合上电脑走进真实生活，上下文链路就此中断。会议室里一小时的讨论、通勤路上偶然看到的书、午餐时的闲聊，对所有数字 Agent 都是感知盲区。

这不是 OpenClaw 的缺陷，而是所有数字 Agent 的结构性边界。当视线从屏幕转向现实，上下文的介质就从文本流变成了视听流，这不是数据量的叠加，而是维度的跨越。

当现实世界本身成为 AI 的上下文，Agent 才有机会从数字世界的「主动帮你干活」，进化为现实生活里的「主动替你留心」，这就是 Proactive AI 从线上走向线下的起点。

冲着这个命题而来的，是 Looki 最新上线的 Proactive Intelligence Engine （Looki PIE）。

这家由 CMU 校友创办的硬件初创公司，正在将自动驾驶「从感知到决策」的工程范式，迁移到一款 30g 的可穿戴设备上，试图在现实世界中构建真正的主动智能。

二、从「被动记录」到「主动判断」

判断一个 Agent 是否真正理解你的生活，最简单的方法是看它敢不敢主动开口。

Looki L1 去年 8 月海外发售后引发了不小的关注，并在 12 月上线国内版本。在用户社区里，它被称为「人生回看器」，通过全天候的视听记录，为用户梳理生活碎片、提供回溯与洞察。

但早期的交互模式仍是 Reactive 的：你问它「今天吃了什么」，它从视听数据中提取答案；你让它整理会议内容，它忠实执行。触发点始终在用户手里。

今天向国内用户正式上线的最新版本，标志着这款产品的关键跨越。

Looki 从固定间隔采集升级为 AI 自主判断「此刻是否需要记录、是否需要给出反馈」的动态决策模式，它被团队定义为「场景自适应式智能」（Scene-Adaptive Intelligence）。

这种「主动」是什么体感？让我来分享一次真实的出差经历。

佩戴 Looki 前往首都机场。过完安检，第一条推送到了，它不是航班提醒，而是 Looki 识别到我进入候机区后，主动提醒：「你答应了给家里小宝贝们带礼物，在机场挑点航天模型或者熊猫周边吧。」它记住的不是日程条目，而是我几天前某次对话中随口提的一句话。

走进包子铺还没坐稳，第二条来了：「这 '返京第一口' 选得有老北京情怀！建议再配一碗小米粥或者炒肝，记得去调料区弄碟醋加点油辣椒，那才地道。」

它识别出了餐厅，还基于我的饮食偏好给出了搭配建议，这条推送的信息密度和个人化程度，已经超出了我对一个可穿戴设备的预期。

回到候机区，第三波推送到达：一份基于我此前设定的「AI 行业动态」偏好生成的当日新闻摘要：算力涨价、新融资，每条附有我关注的行业关联分析；紧跟着是三条 T3 航站楼的冷知识，最后一条居然是关于天窗采光设计的，因为它记得我偏好「明亮日照办公环境」。

一个小时，三个场景节点，四次主动判断。每一次都融合了即时感知和历史记忆，没有一条需要我主动发起。坦白说，有几条推送的时机之精准让我有点意外：它确实在学习「什么时候该开口」。

这条体验链背后的技术链路与 OpenClaw 截然不同。OpenClaw 从文本指令出发，经工具调用到结果反馈，在数字世界闭环。

Looki PIE 的起点是未经编辑的现实视听片段，系统先「看懂」场景，再从全天行为时序中检索记忆，判断「此刻是否值得介入」，最终生成一条融合即时感知与历史上下文的推送。

从 Reactive 到 Proactive，关键不在模型更大，而在让现实世界成为持续供给的个人上下文。

三、主动判断的两个技术切面

在出差场景的「即时提醒」之外，翻到 APP 的另一个页面「探索」，会发现一个更有想象力的功能入口：用户可以用自然语言，自己定义 Agent 在什么条件下该做什么。

它本质上是一段为现实世界编写「If...Then...」的提示词。

我试着设了几条：「每天一杯咖啡，多了提醒我克制」「到了餐厅帮我推荐菜」「开会时有任何洞察及时告诉我」「每天早上到公司，把我关心的信息发给我」。设定过程极简，自然语言输入即可。

这些规则的触发逻辑和手机定时提醒完全不同。手机闹钟只能按时间或坐标响，而Looki 的触发条件却是场景语义：摄像头捕捉到你面前第二杯咖啡才触发健康提醒，识别出你走进餐厅在看菜单才推送推荐。

背后是一条完整管线：从自然语言的意图解析、视觉特征提取，到实时场景匹配和多维上下文验证。这套具身智能 Pipeline 通常存在于机器人实验室，如今被压进 30g 的日常设备。

不过，比「看懂场景」更难的是「决定什么时候开口」。

回看出差那四次推送：安检后提醒买礼物：「进入商业区 + 有空闲 + 记得承诺 "同时满足；进餐厅推荐 ——「正在做就餐决策 + 了解口味」；候机推新闻：「有碎片时间 + 偏好匹配」。每一次都是多因子时机决策，而非规则匹配。

我体验下来最深的感受是：Proactive AI 的核心难度不在推送的内容质量，而在时机精度

同一条信息，忙时弹出是骚扰，闲时送达是贴心。对比来看，OpenClaw 的场景相对简单：它只在用户明确指令时行动，不需要在物理环境中判断介入时机。但 Looki PIE 的挑战更体现在物理世界的纷扰中，判断和选择时机比信息世界更困难。

这个分寸，就是 Proactive AI 最核心的技术挑战。

四、为现实世界搭建一套全新的 Agent Harness

Looki PIE 是产品概念，落到工程层面是系统问题。

OpenClaw 的 Harness 为数字世界设计：所有输入是文本态，所有操作在数字环境中。当 Agent 走出屏幕，面对混沌的视听流和非确定性的现实场景，Harness 每一层都得重建。

在 Looki 的两位创始人看来，自动驾驶本质上就是在为现实世界搭 Harness Engineering。从实时采集多模态数据、极低延迟完成场景理解，到做出决策并承担后果。现在他们把同一套工程范式从道路平移到了日常生活。

首先是「看」的问题。

30g 设备、12 小时续航，感知模块不可能常开。Looki PIE 突破在于端侧部署了轻量化决策模型，根据环境光流和声音波形实时判断「此刻是否值得激活」。通勤时低频运转，会议或聚餐时自动加密采集。不是无差别地盯着你，而是学会什么时候该「睁眼」。

「看到」之后是「记住」。

Looki 面对的是一整天的视频流和音频流，一帧画面的 token 消耗可能抵得上一封完整邮件，全量灌入模型既不经济也会放大幻觉风险。据 CTO 刘博聪介绍，Looki 在云端构建了多层级上下文索引体系，按语义需求精准摘取最相关片段。出差场景中「你答应给孩子带礼物」那条推送，靠的就是这套索引从数天前一段对话中打捞出一个承诺，在「用户正在机场候机」的实时场景中将它激活。

最顶层是「决定说不说」。

感知和记忆提供了原料，但 Looki PIE 最终能否成立，取决于决策层在没有明确指令时自主判断此刻是否该行动。数字 Harness 不太需要纠结这个：行动由用户指令确定性触发。现实 Harness 必须多出这层主动决策能力，且容错空间极小。

还有一件事绕不开：隐私。

Looki 采用端侧过滤加 App 手动上传的双重门控，原始视听数据不无差别上云。而动态感知机制在架构层面做了一件巧妙的事，设备不是时刻在录，而是由 AI 判断「此刻是否需要激活」，同一套决策逻辑同时服务于能力和隐私。

当感知范围延伸到整个生活现场，隐私保障的质量直接决定产品生死。

五、从「个人上下文」到「数字直觉」

回到开篇。OpenClaw 让行业看到了 Proactive AI 在数字世界的面貌，但只活在屏幕里的 Agent 覆盖的终究是生活的一半。

Looki PIE 试图覆盖另一半。它证明了：现实世界的上下文，那些连续的视听流、散落的行为轨迹、非结构化的生活碎片，可以被工程化地采集、结构化地记忆、智能化地调用，并以此支撑 Agent 做出主动判断。

这条路还很长。执行力边界、感知精度、隐私框架，都有大量未解命题。但方向清晰：当你的生活轨迹、所见所闻、与家人的对话沉淀为属于你的「个人上下文」，AI 就不再需要你手动描述世界：它自己看到了、记住了、理解了，然后在你需要的时候，先你一步。

各路「龙虾们」还在为数字世界的「断片」焦头烂额，而窗外的现实世界，作为上下文的新疆域，才刚刚被纳入 AI 的视野。当 Agent 终于走出对话框，开始真正 「看见」这片广袤的现实，我们与 AI 的关系，或许才刚刚开始。