News / Research watch · Agenten-Infrastruktur
Der Survey, der Agenten sagt, sie sollen sich ihre eigene Arbeit suchen: Google-UIUCs 203-Seiten-Karte für proaktive KI
Agenten können Code lesen, Tools aufrufen und lange Aufgaben ausführen — aber in den meisten Stacks gehört das Wahrnehmen, was zu tun ist, und das Urteil, ob es sich lohnt, noch dem Menschen. Ein 23-Autoren-Survey von UIUC und Google, „Proactive AI for Superintelligent Agents", konsolidiert 1.410 zitierte Arbeiten zu der Karte dieser fehlenden Schicht: Proaktivität, die Fähigkeit, zweckmäßige Arbeit ohne explizite Aufforderung zu beginnen. Wir haben das Artefakt direkt verifiziert — das PDF ist laut Dateimetadaten exakt 203 Seiten stark, die Autorenliste und die Manuskript-Zitation von 2026 stimmen mit der Publikationsseite von Google Research überein, und das MIT-lizenzierte Begleit-Repository organisiert die vollständige Bibliothek von 1.410 Arbeiten, 80 repräsentative über 13 Domänen. Für Builder, die lange Agenten auf verbrauchsabhängigen APIs laufen lassen, ist der lastentragende Teil ein Kapitel: Arbitration — die vier Gates, die ein Agent passieren sollte, bevor er Ihre Tokens für Arbeit verausgabt, die niemand angefordert hat.
Direkt gelesen und verifiziert: Der Survey existiert und stimmt — 23 Autoren unter Leitung von Ke Yang und Jiateng Liu (UIUC) mit Google-Co-Autoren (Zifeng Wang, Chen-Yu Lee), zitiert als yang2026proactiveai auf der Publikationsseite von Google Research; das gehostete PDF hat 203 Seiten; das Begleit-Repository (EmpathYang/Proactive-AI-for-Superintelligent-Agents, MIT) organisiert 1.410 zitierte Arbeiten — 80 repräsentative über 13 Domänen — mit Bibliotheksdaten, aktualisiert Oktober 2026.
Das Framework: sechs Kapazitäten — Awareness, Anticipation, Agenda, Arbitration, Action, Adaptation. Das Scharnier ist Arbitration: Kandidateneingriffe passieren Gates von Unsicherheit (verstehe ich das Bedürfnis wirklich?), Nutzen (übersteigt der Gewinn die Kosten?), Timing (jetzt oder später?) und Risiko/Umkehrbarkeit (wenn ich falsch liege, wie schlimm?). Die Evaluation läuft auf drei Ebenen — Aufgabe, Mechanismus, Nutzer — mit explizit benannter Aufsichtslast und der Akzeptanzraten-Falle. Domänenübergreifender Engpass: Geschwindigkeit, Kosten und Zuverlässigkeit des Feedbacks begrenzen, wie schnell ein Agent sicher iterieren kann.
Nicht belegt: noch kein Peer-Reviewed-Ort (2026er Manuskript bei Google Research gehostet); es ist ein Survey, kein System — keine Benchmarks, keine Produkte; keine Inhalte zu chinesischen Anbietern — die China-Verbindung läuft über die eigene Berichtslinie dieser Seite: DeepSeeks dsh-superagent und Tsinghua/Zhipus HarnessPro praktizieren bereits Teile desselben Kosten-Disziplin-Problems.
Die Fakten, gestuft (7. Nov.)
- Das Artefakt, direkt gelesen und verifiziert. PDF gehostet auf Google Cloud storage (pubtools/1048480): 203 Seiten laut Dateimetadaten bestätigt. Autoren: 23, getragen von UIUC (Ke Yang, Jiateng Liu, Hanghang Tong, Jingrui He, Chenyan Xiong, Jiawei Han, ChengXiang Zhai u. a.) plus Google-Co-Autoren (Zifeng Wang, Chen-Yu Lee). Zitiert als
@misc{yang2026proactiveai}, 2026; kein Konferenzort angehängt. - Die Bibliothek, im Repo verifiziert. GitHub
EmpathYang/Proactive-AI-for-Superintelligent-Agents(MIT, 7 Commits, 18 Sterne): 1.410 zitierte Arbeiten unter dem Framework organisiert, 80 repräsentative analysiert, Bibliotheksdaten aktualisiert Oktober 2026. Das README gibt an, dass der Survey Arbeiten von 1937–2026 abdeckt. - Die sechs Kapazitäten (6A). Awareness (die Situation halten), Anticipation (Kontext → unausgesprochene Bedürfnisse), Agenda (priorisierte, persistente Ziele), Arbitration (Initiative über Unsicherheit, Nutzen, Timing, Risiko, Umkehrbarkeit gaten), Action (innerhalb der Autorität eingreifen), Adaptation (künftige Initiative aus Ergebnissen und Feedback kalibrieren — Annehmen, Ablehnen, Ändern, Ignorieren, Zurückziehen, Übernahme, jeweils im Kontext gelesen).
- Die 13 Domänen. Coding, GUI-Agenten, Informationszugang, Embodied & Robotics, Sicherheit, AutoResearch, Smart Home, Smart City, Gesundheitswesen, Recht, Bildung, Unterhaltung & Medien, Landwirtschaft — jeweils auf einer Initiative-Leiter mit fünf Sprossen von reaktiv bis Agenda-generierend abgebildet.
- Der Evaluationsstapel. Aufgabenebene (haben sich die Ergebnisse verbessert; hat die gesparte Zeit die Mehrkosten überstiegen), Mechanismusebene (Lage gelesen, vorweggenommen, Timing gut gewählt), Nutzerebene (Aufsichts- und Korrekturlast, Erfahrung, Kontrolle, Vertrauen im Einklang mit der tatsächlichen Zuverlässigkeit). Die Akzeptanzraten-Falle: Ein Agent kann lernen, Vorschläge besser zu verpacken, ohne besser zu werden im Urteilen über ihren Wert.
- Der Engpass. Domänenübergreifend begrenzt, was proaktive Iteration erlaubt, das Feedback: CI und Compiler schließen in Sekunden oder Minuten; Rückmeldungen aus Medizin, Landwirtschaft und Nasslabor brauchen einen Behandlungszyklus, eine Saison oder ein teures Experiment. Feedback-Geschwindigkeit, -Kosten und -Zuverlässigkeit setzen das sichere Tempo der Initiative.
- Was offen bleibt. Kein Ort/Peer Review, keine Benchmark-Suite, keine Referenzimplementierung. Die 203-Seiten-Zahl haben wir aus dem PDF selbst bestätigt; Medienzusammenfassungen (NLPer, 5. Nov.) haben das Framework konsistent mit den Primärquellen wiedergegeben.
Verifiziert am 7. Nov. 2026: Google-Research-Publikationsseite, GitHub-Repo-README und Projektseite direkt gelesen; PDF-Seitenzahl aus der Datei selbst (9,1 MB, /Count 203). Framework-Aussagen gegen die README-Struktur des Repos gegengeprüft. Keine unabhängige Bewertung der wissenschaftlichen Qualität des Surveys vorgenommen.
Arbitration in Builder-Sprache: die vier Gates, bevor sich Ihre Tokens bewegen
Die lastentragendste Idee des Surveys für jeden, der Agenten laufen lässt: Handeln und Nicht-Handeln müssen verglichen werden, bevor gehandelt wird. Ein Terminkonflikt ist nur ein Datum, bis der Agent ihn gegen Route und Zeit abwägt, schätzt, ob die Vorbereitung einer Fern-Teilnahme-Option wirklich hilft, und erst dann einen Grund gewinnt, zu sprechen. Übersetzt in einen Agenten-Stack auf verbrauchsabhängigen APIs sind die vier Gates eine Engineering-Checkliste: Unsicherheit — würde ein Mensch das ein echtes Bedürfnis nennen oder einen dünnen Hinweis (isolierte Validierung, bevor ein Patch vorgeschlagen wird); Nutzen — erwarteter Gewinn gegen Rechenzeit, Zeit, Unterbrechung und Korrekturkosten; Timing — den Fund für eine natürliche Aufgabenlücke zurückhalten; Risiko/Umkehrbarkeit — Datenbank-Schreibzugriffe, Merges und ausgehende Nachrichten brauchen eine vorherige Autorisierung, gerade weil sie schwer rückgängig zu machen sind.
Die Failure-Galerie des Surveys ist jedem vertraut, der einen proaktiven Assistenten laufen ließ: jeder Vorschlag ist einzeln vernünftig und zusammen unerträglich — hier refaktorisieren, dort Dokumentation, nebenbei diese Abhängigkeit upgraden — während der Nutzer gerade ausliefert. Das dokumentierte Heilmittel ist strukturell, nicht verhaltensbasiert: Kandidaten vor der Ausführung durch die Gates schicken, Funds parken, bis das Timing-Gate aufgeht, und „nicht stören" als entworfenes Ergebnis behandeln statt als Versagen.
Das Evaluationskapitel landet auf der Wochenrechnung dieser Seite: Gewinne auf Aufgabenebene müssen gegen die Aufsichtslast auf Nutzerebene verrechnet werden. Ein Agent, dessen Aufgabenliste wächst, während die Aufräum-Warteschlange des Menschen schneller wächst, hat negativen Wert — unabhängig von Benchmark-Scores.
Kontext: die Linie der chinesischen Labore praktiziert Teile davon bereits
Der Survey hat keinen China-Anbieter-Inhalt, aber die Probleme, die er systematisiert, leben auf der Berichtslinie dieser Seite. DeepSeeks open-sourced dsh-superagent (Vollübersetzung) hat exakt die Aktions-und-Kosten-Hälfte konstruiert — Batching, Ereignisfilterung, spekulative Ausführung — für 24/7-Persistenz. Das HarnessPro-Paper von Tsinghua/Zhipu hat das Nutzen-Gate von Arbitration quantifiziert: +2,0pp Pass-Rate bei −26,1 % Kosten pro Aufgabe durch wahlweise reasoning-Intensität und Stopp-Punkte pro Aufgabe. Was der Survey hinzufügt, ist der Rahmen um diese Punktlösungen: Awareness und Anticipation vor der Verausgabung, Arbitration, bevor die Verausgabung gerechtfertigt ist, Adaptation danach.
Für Builder ist die Kostenrechnung dieselbe, die wir jede Woche auf Modellpreise anwenden: Das „lohnt-es-sich"-Gate eines proaktiven Agenten ist die Kosten-pro-Aufgabe-Frage — DeepSeek V4.1-Flash außerhalb der Spitzenzeit zu $0,22/1M gegen GLM-5.3 zu $1,40/$4,40 entscheidet, welche Verhaltensweisen Ihr Stack einem Agenten erlauben kann, ungefragt zu starten, und die Vergleichstabelle hält die Leiter. Autorität wird, wie der Survey es rahmt, auf verdientem Vertrauen gewährt: Agenten mit reversibler, sandgeboxter Initiative starten; den Umfang erst erweitern, wenn die Adaptationsschleife ihn verdient hat.
Zu beobachten: der Survey, der einen Ort und Zitationen findet, die Repo-Bibliothek über 1.410 wachsend, und jeder Anbieter, der arbitration-gegatete Proaktivität als Produktfunktion ausliefert — das Letztere würde dieses Stück von Forschungs-Beobachtung zu Launch-Berichterstattung verschieben.
Zugang von außerhalb Chinas — und der übliche Disclaimer
Diese Seite verfolgt chinesische Modell-APIs für internationale Builder: offizielle Endpunkte, Preise und Open-Weights-Status, plus die Agenten-Infrastruktur-Arbeit, die darauf aufbaut. Die Modelle unter der Kostenrechnung leben in der Vergleichstabelle und dem Günstigste-API-Guide; die Agenten-Linie ist in den dsh-superagent- und HarnessPro-Briefings abgedeckt.
Unabhängigkeits-Disclaimer: ChinaModelAPI ist eine unabhängige Informationsseite, nicht mit den Autoren des Surveys, UIUC, Google oder einem Modellhersteller verbunden. Artefakt-Fakten stammen aus direkten Lesungen (Publikationsseite, Repo, PDF-Metadaten); Framework-Zusammenfassungen schreiben den Survey zu; nichts hier ist ein Routing-, Verfügbarkeits- oder Preisversprechen, und keine Bewertung des wissenschaftlichen Verdients des Surveys ist impliziert.
Primärquellen
- Google Research — Publikationsseite (23 Autoren, Abstract, 2026; direkt gelesen)
- Survey-PDF (pubtools/1048480) — 203 Seiten aus den Dateimetadaten bestätigt; direkt gelesen
- GitHub — EmpathYang/Proactive-AI-for-Superintelligent-Agents (MIT; 1.410 Arbeiten, 80 repräsentative, 13 Domänen; README direkt gelesen)
- Projektseite — interaktive Übersicht; Bibliothek aktualisiert Oktober 2026
- NLPer / AINLP (WeChat, 5. Nov. 2026) — die Durchsicht, die dieses Briefing gegengeprüft hat; konsistent wiedergegeben
- Verweise auf der Seite: dsh-superagent Open Source · HarnessPro-Kosten-Disziplin-Paper · Günstigste-API-Guide · Vergleichstabelle
FAQ (2026)
Was ist der Survey „Proactive AI for Superintelligent Agents"?
Ein 203-Seiten-Survey von 23 Autoren von UIUC und Google (Ke Yang, Jiateng Liu et al.; zitiert als yang2026proactiveai, gehostet auf den Publikationen von Google Research), der 1.410 zitierte Arbeiten — 80 repräsentative in 13 Anwendungsdomänen — dazu konsolidiert, wie Agenten lohnende Arbeit ohne explizite Aufforderung finden und beginnen können. Das MIT-Begleit-Repo auf GitHub enthält das Paper und die strukturierte Bibliothek, aktualisiert Oktober 2026.
Was ist Proaktivität in der Definition des Surveys?
Die Fähigkeit, zweckmäßiges Handeln ohne explizite Anfrage zu beginnen — den Ermessensspielraum ausüben, den Anweisungen offenlassen (Abwägungen, Lücken, Kontingenzen, Umplanung). Der Survey stellt sie als dritte Achse neben Intelligenz (Fähigkeit) und Alignment (menschlichen Werten dienen) und zielt auf kalibrierte Initiative statt Über- oder Unterhandeln.
Was sind die sechs Kapazitäten (6A-Framework)?
Awareness (die Situation halten), Anticipation (Kontext in unausgesprochene Bedürfnisse verwandeln), Agenda (organisierte, priorisierte Ziele), Arbitration (entscheiden, ob jetzt eingegriffen wird), Action (innerhalb der gewährten Autorität eingreifen), Adaptation (aus Ergebnissen und Feedback lernen).
Was sind die Arbitration-Gates?
Bevor eingegriffen wird, durchläuft eine Kandidatenaktion vier Prüfungen: Konfidenz (versteht sie das Bedürfnis wirklich oder rät sie aus einem dünnen Hinweis), Nutzen (übersteigt der erwartete Gewinn Rechenzeit, Zeit, Unterbrechung und Korrekturkosten), Timing (jetzt, oder nachdem der Nutzer den aktuellen Schritt beendet hat), und Risiko/Umkehrbarkeit (wenn sie falsch liegt, wie schlimm und wie wiederherstellbar). Warten und das Zurückhalten eines Funds für eine natürliche Lücke sind Teil des Designs, keine Fehler.
Wie sollten proaktive Agenten evaluiert werden?
Drei Ebenen: Aufgabe (haben sich die Ergebnisse verbessert — hat die gesparte Zeit die Mehrkosten überstiegen), Mechanismus (hat sie die Lage gelesen, vorweggenommen, das Timing gut gewählt), Nutzer (Aufsichts- und Korrekturlast, Erfahrung, Kontrolle und Vertrauen im Einklang mit der tatsächlichen Zuverlässigkeit). Der Survey warnt: Nur die Vorschlags-Akzeptanzrate zu optimieren kann einen Agenten lehren, Vorschläge besser zu verpacken, ohne besser im Urteil über ihren Wert zu werden.
Warum ist das für API-Builder relevant?
Lange Agenten auf verbrauchsabhängigen APIs leben im Arbitrationsproblem: jeder proaktive Schritt ist gegen Unsicherheit abgerechnete Rechenzeit. Die Gates und die Evaluation auf drei Ebenen des Surveys sind eine Checkliste, um zu entscheiden, welche proaktiven Verhaltensweisen Ihr Stack sich leisten kann — und seine domänenübergreifende Erkenntnis ist, dass Feedback-Geschwindigkeit, -Kosten und -Zuverlässigkeit setzen, wie schnell ein Agent sicher iterieren kann.