這項由廣東智能科技研究院的研究團隊開展的研究，以預(yù)印本形式發(fā)布于2026年6月4日，論文編號為arXiv:2606.05557，感興趣的讀者可以通過該編號檢索完整論文。

當(dāng)你給朋友發(fā)消息問"你現(xiàn)在在哪"，你真正想問的，可能根本不是GPS坐標(biāo)。你真正想知道的，也許是"你現(xiàn)在方不方便聊"，或者"我現(xiàn)在去找你合不合適"。這種話里話外的默契，在人與人之間司空見慣，但對AI助手來說，卻是一道幾乎無法逾越的門檻。

這項研究的主角，是一套叫做AURA的AI助手框架。廣東智能科技研究院的研究團隊針對一個困擾AI領(lǐng)域已久的問題展開了系統(tǒng)性研究：當(dāng)用戶提出一個問題時，AI只回答字面意思，而忽略了用戶真正想知道什么。AURA的誕生，正是為了填補這道鴻溝。

一、為什么AI總在答非所問

以一個具體場景為例。假設(shè)你在一個智能辦公系統(tǒng)里問AI助手："林薇現(xiàn)在在哪？"AI查了一下數(shù)據(jù)庫，告訴你："林薇在日出咖啡館。"然后對話就結(jié)束了。但你真正想知道的，是：她現(xiàn)在忙不忙？現(xiàn)在去打擾她合不合適？她今天心情怎么樣？

這就是研究團隊所說的"字面需求"與"隱性需求"之間的鴻溝。字面需求是你說出來的話，隱性需求是你沒說出來但其實更在乎的那部分。傳統(tǒng)AI助手只處理前者，對后者視而不見。

現(xiàn)有的AI助手解決方案都在這個問題上留有盲區(qū)。以ReAct這一廣為人知的AI推理框架為例，它的工作方式是"邊想邊找工具"，只有當(dāng)你明確問到某件事時，它才去調(diào)用相應(yīng)的查詢工具。Plan-and-Solve框架則是先制定一個查詢計劃再執(zhí)行，但這個計劃完全基于你說出口的那句話，沒有任何機制去思考"用戶可能還想知道什么"。還有一類系統(tǒng)會把所有環(huán)境信息一股腦塞進AI的提示詞里，希望AI自己去挑有用的，但這種方式根本沒有針對特定查詢做任何篩選，就像把整個圖書館的書都堆在你桌上讓你自己找答案一樣低效。

AURA的核心貢獻，就是在AI"看到場景"和"開始查詢"之間，插入了一個專門負(fù)責(zé)揣摩用戶意圖的推理步驟。研究團隊把這個步驟的產(chǎn)出叫做"意圖框架"（IntentFrame），這是整個系統(tǒng)的靈魂所在。

二、意圖框架：AI的揣摩心思之法

為了講清楚意圖框架是怎么工作的，可以用一個偵探的工作方式來理解整個AURA系統(tǒng)。

一名優(yōu)秀的偵探接到案子后，不會立刻沖出去到處搜證。他會先在腦子里把案情過一遍，判斷哪些線索最關(guān)鍵，然后有針對性地去追查那幾條線索，而不是把整個城市翻個底朝天。AURA的工作方式與此如出一轍。

AURA的工作流程分為兩大階段。第一個階段是確定性的信息收集階段，系統(tǒng)會自動感知當(dāng)前場景、整理記憶中的歷史信息，就像偵探到達現(xiàn)場后先觀察一下周圍環(huán)境。這個階段不需要AI做任何判斷，純粹是機械式的信息匯總。

第二個階段才是AURA真正區(qū)別于其他系統(tǒng)的地方：意圖推理階段。系統(tǒng)把用戶的原始問題、當(dāng)前場景快照，以及相關(guān)歷史記憶一起交給一個專門負(fù)責(zé)推理用戶意圖的模塊——IntentInferrer——讓它產(chǎn)生一份結(jié)構(gòu)化的意圖框架。

這份意圖框架包含七個字段。字段"l"是對用戶字面需求的重新表述，就像偵探把報案人說的話用自己的語言復(fù)述一遍；字段"I"是一組推測出來的隱性需求，列出用戶可能真正想了解的幾件事；字段"g"是一個介于0到1之間的數(shù)字，代表字面需求和隱性需求之間的"差距分"——如果字面問題本身已經(jīng)能滿足需求，得分就接近0，如果用戶真正想問的和說出來的完全是兩回事，得分就接近1；字段"P"是系統(tǒng)建議調(diào)用的查詢工具集合；字段"a"是一個警報標(biāo)志，決定是否要在回答中主動提醒用戶某些重要信息；字段"c"是系統(tǒng)對自己推斷的自信程度；字段"r"是推斷過程的簡短說明。

回到"林薇在哪"這個例子。當(dāng)下午兩點半，林薇正在咖啡館里時，意圖框架會被填充為：字面需求是"找到林薇的位置"，隱性需求是"她現(xiàn)在有空聊嗎"和"她在休息還是在忙"，差距分為0.6，建議調(diào)用的工具包括查詢林薇私有狀態(tài)的接口和查詢林薇當(dāng)前計劃的接口，警報標(biāo)志為開啟，自信程度為0.7。

這個差距分0.6，在系統(tǒng)內(nèi)部會被映射為一個查詢預(yù)算上限：最多可以發(fā)出3次追加查詢。但實際上，當(dāng)?shù)谝淮尾樵?林薇的私有狀態(tài)"返回"狀態(tài)：正忙"時，系統(tǒng)就已經(jīng)得到了回答隱性需求所需要的關(guān)鍵信息，于是主動停止，只用了2次查詢而非3次。

這種"給一個上限，但不強制用滿"的設(shè)計，正是AURA在效率上的聰明之處。就像一個偵探知道自己最多可以發(fā)出3張搜查令，但找到關(guān)鍵證據(jù)后，他不會為了用滿配額而繼續(xù)折騰。

三、探索者：有預(yù)算的智能搜查

意圖框架產(chǎn)生之后，AURA進入"探索"階段（Explore）。這個階段的任務(wù)是在確定的預(yù)算范圍內(nèi)，有針對性地向環(huán)境發(fā)出查詢，獲取回答隱性需求所需的私有狀態(tài)信息。

研究團隊把這個過程設(shè)計得頗為精巧。探索階段是在AI生成最終回答之前完成的，而不是穿插在回答生成過程中。這意味著AI最終給出的答案，是建立在一份完整的、提前收集好的探查記錄之上的，而不是一邊說話一邊找信息。這種設(shè)計讓整個查詢過程更加干凈和可控。

探索階段的算法邏輯并不復(fù)雜：在每一步，AI會看一眼當(dāng)前已有的信息和工具清單，然后決定是調(diào)用某個工具獲取更多信息，還是認(rèn)為已經(jīng)夠了可以停下來了。每次工具調(diào)用的結(jié)果都會被追加到一個"探查記錄"里，這個記錄又成為下一步?jīng)Q策的參考。等探查階段結(jié)束，系統(tǒng)會對這份記錄做一個摘要，然后把摘要交給后續(xù)的推理和回答生成模塊。

這個設(shè)計有四個值得關(guān)注的特點。其一是目標(biāo)導(dǎo)向：工具的選擇不是隨機的，而是由AI根據(jù)當(dāng)前信息缺口主動決定的。其二是有界的：查詢步數(shù)有硬性上限，確保系統(tǒng)不會為了找信息而無限循環(huán)。其三是可組合的：每次查詢的結(jié)果都會更新上下文，使得下一次查詢能夠基于更完整的信息做出更準(zhǔn)確的判斷，支持多跳式信息收集。其四是可分離的：探查過程獨立于推理過程，結(jié)果可以被緩存或跳過，適合工程化部署。

四、AURATown：專門制造的考驗場

研究團隊專門為測試AURA建造了一個叫做AURATown的多智能體社會模擬環(huán)境。這是一個60×60的網(wǎng)格世界，里面住著5個有名有姓的虛擬居民，分布在20個命名地點，從早上6點到晚上11點過著各自的日子。

這5位居民分別是：32歲、性格溫暖外向的咖啡館老板林薇；28歲、內(nèi)向善于觀察的作家張浩；45歲、務(wù)實的雜貨店主陳梅；20歲、充滿理想的學(xué)生劉陽；以及68歲、睿智的退休教授王俊。他們的日常活動，位置信息，以及當(dāng)前正在做的事情，都是公開可見的。

但每個人都有一套"私有狀態(tài)"，這些狀態(tài)信息被藏在工具接口后面，不能直接從場景快照里讀取。這些私有狀態(tài)包括：可用性（現(xiàn)在方不方便）、情緒狀態(tài)（今天心情怎么樣）、未說出口的目標(biāo)（正在心里盤算什么事）、以及對其他人的看法和了解（可能已經(jīng)過時的信息）。

私有狀態(tài)的更新規(guī)則是確定性的，按照七條優(yōu)先規(guī)則運轉(zhuǎn)。舉個例子：一個人在職場上同時有三個以上的同事在場，系統(tǒng)會自動將其狀態(tài)設(shè)為"正忙、疲憊且專注"；如果這個人的工作場所里沒有其他人，則狀態(tài)變?yōu)?有空、感到孤獨、暗自期待有人來"。關(guān)于其他人的看法，只有當(dāng)兩個角色在同一時刻出現(xiàn)在同一位置時才會更新，這就自然產(chǎn)生了"過時信息"的問題——某人可能對另一個人的近況有錯誤的認(rèn)知，而這恰恰是研究團隊專門設(shè)計的測試陷阱。

兩個工具庫被分開設(shè)計，互不重疊。服務(wù)于事實查詢測試的工具庫包括八個工具，涵蓋世界時間、位置信息、附近的人、所有人的位置摘要、最近的記憶、最近的事件、當(dāng)前計劃和地點詳情。服務(wù)于隱性意圖測試的工具庫包括五個工具，專注于個體的公開狀態(tài)、附近的人、行動計劃、私有狀態(tài)和對他人的看法。

五、用一百道題檢驗"讀心"能力

研究團隊構(gòu)建了一套100道題的四場景隱性意圖測試集。這100道題分布在四個不同的場景快照里：咖啡館場景、圖書館場景、花園場景，以及深夜場景。每個場景包含25道題，這25道題又按照五種類型平均分配。

第一類是"可用性"查詢，表面上問的是位置，實際上想知道對方有沒有空，比如"林薇在哪里"其實是在問"我現(xiàn)在能去找她嗎"。第二類是"情緒"查詢，問的是心理狀態(tài)是否適合某種互動，比如"陳梅今天怎么樣"背后是"她現(xiàn)在適不適合討論正事"。第三類是"適當(dāng)性"查詢，涉及綜合多種信息判斷某個行為是否合時宜，比如"現(xiàn)在邀請林薇喝咖啡合適嗎"。第四類是"潛在目標(biāo)"查詢，試圖了解某人正在私下盤算什么。第五類是"二階信念"查詢，這是最復(fù)雜的一類：問的不是某人的實際狀態(tài)，而是另一個人對這個人的認(rèn)知，比如"林薇認(rèn)為張浩現(xiàn)在在哪"——正確答案必須基于林薇最后一次見到張浩時的信息，而不是張浩當(dāng)前的實際位置。

這100道題由研究團隊成員寫作，并請兩位獨立標(biāo)注員對題目類型進行驗證標(biāo)注，兩人之間的一致性系數(shù)（Cohen's κ）達到0.61，屬于"實質(zhì)性一致"這一級別。標(biāo)注員之間的分歧主要集中在兩類邊界：情緒和可用性之間的混淆，以及適當(dāng)性和字面查詢之間的混淆，這從側(cè)面說明這些分類確實反映了真實語義上的復(fù)雜性。

測試在四種條件下分別運行：純字面條件（只用場景快照，不調(diào)用任何工具）、NoIntent條件（ReAct風(fēng)格的工具調(diào)用，最多3次，但沒有意圖推理步驟）、Plan-and-Solve條件（先規(guī)劃后執(zhí)行，預(yù)算3次），以及AURA意圖條件（先推理意圖框架，再按差距分決定查詢預(yù)算，最多3次）。每種條件在三個隨機種子下各跑一遍，共產(chǎn)生300個評分單元。

每道題的回答由同款A(yù)I（GPT-4o-mini）擔(dān)任裁判，從兩個維度打分：字面得分（回答有沒有準(zhǔn)確回應(yīng)字面問題）和隱性得分（回答有沒有覆蓋用戶可能真正想知道的內(nèi)容）。研究團隊用嚴(yán)格的統(tǒng)計方法（配對t檢驗）衡量各條件之間的差異。

六、數(shù)字說話：哪里贏、哪里輸，都算數(shù)

在隱性需求覆蓋這個關(guān)鍵指標(biāo)上，AURA意圖條件以0.804的平均得分領(lǐng)跑，ReAct風(fēng)格的NoIntent條件得到0.733，而純字面條件只有區(qū)區(qū)0.223。AURA與NoIntent之間的差距是+0.071，統(tǒng)計顯著性極高，p值低于0.000001（即百萬分之一）。

四個場景的具體表現(xiàn)有所分化。咖啡館場景和圖書館場景的提升分別為+0.091，花園場景為+0.080，這三個場景的結(jié)果都通過了統(tǒng)計顯著性檢驗。深夜場景的提升幅度只有+0.024，沒有通過檢驗。研究團隊的解釋是：深夜場景里各個角色分布在不同地點，他們的公開狀態(tài)已經(jīng)足以透露出"有沒有空"的信息，私有狀態(tài)能提供的額外價值因此大幅縮水，意圖框架自然無用武之地。

按五類題型細(xì)分來看，差距最大的是"可用性"類題目，提升幅度高達+0.29，p值極低。原因直觀：問"某人在哪"這種問法，完全沒有任何字面線索能提示AI去查詢可用性信息，所以意圖框架的存在至關(guān)重要。"適當(dāng)性"類提升+0.11，"情緒"類提升+0.07，也都具有統(tǒng)計意義。"二階信念"類幾乎沒有提升（-0.02），因為"X認(rèn)為Y怎么樣"這個句式本身已經(jīng)明確地指向了信念查詢，ReAct風(fēng)格的工具調(diào)用也能自然觸發(fā)，不需要意圖框架額外引導(dǎo)。"潛在目標(biāo)"類出現(xiàn)了負(fù)向結(jié)果（-0.09），研究團隊在文章結(jié)尾坦承這是一個尚未解決的不足，并未試圖掩蓋。

除了隱性需求的覆蓋率，研究團隊還測試了AURA在純事實查詢場景下的表現(xiàn)，并明確指出：在這個場景里，AURA的差距路由控制器并不是精度最高的方案，而是一個"訪問代價帕累托前沿點"。具體來說，如果每次查詢都調(diào)用全部八個工具（Fixed-Probe），可以達到0.766的事實精度；AURA差距路由只能達到0.696，差了約7個百分點。但AURA每次查詢平均只用1.4次工具調(diào)用，而Full-Probe用了8次，少了82%。

在一個專門設(shè)計的30道隱私敏感題目集上，這種差距更具實際意義。Fixed-Probe方案有100%的"越權(quán)工具調(diào)用率"——也就是說，每一道題它都觸發(fā)了被明確禁止的高敏感工具。Plan-and-Solve有78.9%的違規(guī)率，ReAct有25.6%。而AURA差距路由的違規(guī)率是0%。研究團隊指出，這不是刻意設(shè)計的隱私保護，而是差距分機制的自然結(jié)果：當(dāng)一道題的差距分很低，預(yù)算被設(shè)為0，系統(tǒng)根本不會進入工具調(diào)用階段，從結(jié)構(gòu)上杜絕了觸發(fā)敏感工具的可能。

七、是真的學(xué)會了揣摩，還是在背答案

研究團隊針對這個最關(guān)鍵的疑問做了一組消融實驗（通過逐步拆除某個組件來確認(rèn)它的貢獻）。他們測試了三種提示詞配置：使用原始題目集里有重疊的示例、使用與題目完全不重疊的新示例，以及完全不提供示例。

結(jié)果顯示：與有重疊示例相比，換成不重疊示例后，意圖條件的得分只下降了0.037，提升幅度仍然顯著。這說明提升的來源不是記住了答案。但是，完全去掉示例之后，得分下降到0.677，與NoIntent條件之間的差距縮小到不再具有統(tǒng)計意義。

更有說服力的是一組機制分析。完全無示例的情況下，意圖框架推斷出來的平均差距分從0.589降到了0.476，而得分在0.60以上的"高差距"題目數(shù)量從75個里的43個降到了22個。換句話說，失去示例的意圖框架傾向于低估差距，把本該分配更多查詢預(yù)算的題目識別成低差距題目，于是直接用默認(rèn)答案草草了事。示例的作用是幫助系統(tǒng)"校準(zhǔn)"對差距分的判斷，而不是提供答案模板。

另一組實驗對比了LLM驅(qū)動的意圖推理和一套基于關(guān)鍵詞的規(guī)則推理。規(guī)則推理檢查問題里有沒有"有空""情緒""合適""想做什么"這類詞匯來決定是否調(diào)用查詢工具。結(jié)果是：規(guī)則推理的隱性需求覆蓋率只有0.368，而LLM驅(qū)動的覆蓋率是0.803，差了整整0.44。差距最大的是"可用性"類題目，因為"林薇在哪"里根本沒有任何觸發(fā)詞，規(guī)則推理會認(rèn)為差距為0而直接跳過查詢，得到的結(jié)果和純字面條件幾乎一樣。

換句話說，整套機制的價值，核心在于LLM能夠推斷出"這個表面上在問位置的問題，背后藏著對可用性的關(guān)心"，而不是機械地掃描問題里有沒有出現(xiàn)特定詞匯。

八、換個腦子還管用嗎

研究團隊在另外三個語言模型上重復(fù)了核心實驗。在claude-haiku-4.5上，意圖條件比NoIntent條件高出0.086，具有統(tǒng)計意義。在qwen-plus上，差距更大，達到0.25，置信區(qū)間在+0.14到+0.37之間。這兩個模型都重現(xiàn)了核心發(fā)現(xiàn)。

然而gemini-2.5-flash出了問題。這個模型在75道題里有23道無法解析意圖框架要求的JSON格式，觸發(fā)了備用的規(guī)則推理，最終導(dǎo)致意圖條件得分反而低于NoIntent條件。研究團隊明確指出，這是Gemini在結(jié)構(gòu)化輸出格式遵從性上的能力邊界，而非AURA架構(gòu)本身的問題。

研究團隊還把AURA的外部邊界測試得很清楚。在FANToM這個廣為人知的心智理論基準(zhǔn)測試上，AURA相對于無工具條件幾乎沒有任何提升，p值超過0.9。原因在于FANToM的題目是把完整的對話記錄直接放在提示詞里，AI不需要額外查詢?nèi)魏涡畔ⅲ鈭D框架推斷出的差距分自然接近零，查詢預(yù)算為零，結(jié)果等同于不用AURA。這正好印證了研究團隊對AURA適用范圍的定義：只在私有狀態(tài)需要通過工具才能獲取的結(jié)構(gòu)化環(huán)境里有效，對于"信息已經(jīng)在提示詞里了"的場景無能為力。LoCoMo長期對話記憶測試的結(jié)果則顯示，工具調(diào)用本身帶來了顯著提升（F1從0.042上升到0.173），但在工具調(diào)用已經(jīng)存在的基礎(chǔ)上，意圖框架的額外貢獻不顯著（+0.020，p=0.28）。GAIA基準(zhǔn)測試則直接出現(xiàn)了負(fù)向遷移，研究團隊把原因歸結(jié)為：GAIA的每次"探查"本身是一次搜索引擎調(diào)用，其輸出是LLM總結(jié)的網(wǎng)頁內(nèi)容，而不是結(jié)構(gòu)化模擬器的確定性返回值，探查結(jié)果里的錯誤會沿著查詢鏈累積，越查越亂。

九、真實的人怎么看

除了自動化評分，研究團隊還請了8名獨立評分員對50對配對回答（AURA對比Vanilla LLM）進行盲測評分，評價維度包括環(huán)境意識、回答有用性、角色可信度和事實準(zhǔn)確度，五分制。

在最保守的統(tǒng)計方法（先對每位評分員在50個場景上的得分取平均，再對8個平均值做檢驗）下，AURA在四個維度上都顯著更高，Wilcoxon檢驗p值均為0.017。環(huán)境意識維度的提升最大，平均差距為+1.86分；回答有用性+1.58分；角色可信度+1.59分；事實準(zhǔn)確度+1.39分。

從一致性角度看，在200個（場景×維度）格子里，有148個（74%）達到了至少6/8評分員傾向于AURA的共識，而沒有任何一個格子出現(xiàn)6/8評分員傾向于Vanilla的情況。

研究團隊也坦誠地報告了這個人類評估的局限性。8名評分員的樣本量較小，效應(yīng)量的估計存在相當(dāng)大的不確定性。評分員招募方式是通過作者的朋友和同事，而非有管理的眾包平臺。評價表單沒有向評分員展示模擬器的實時狀態(tài)，所以評分員在判斷"事實準(zhǔn)確度"時，只能依靠自己對AURATown角色清單的印象，無法核實動態(tài)狀態(tài)信息。研究團隊還獨立掃描了50條AURA回答中的虛構(gòu)內(nèi)容，發(fā)現(xiàn)有2條出現(xiàn)了明確的虛構(gòu)地名，靜態(tài)實體虛構(gòu)率為4%。

歸根結(jié)底，AURA做到的事情并不神秘。它只是在AI"看到場景"和"開始查詢"之間加了一道思考：你問出來的這句話，和你真正想知道的東西，有多大距離？距離越大，就越值得多問幾個問題。這個機制在特定場景下確實有效，在另一些場景下無效，而研究團隊把兩種結(jié)果都如實呈現(xiàn)，這本身就是研究誠實度的一個體現(xiàn)。

至于那個"潛在目標(biāo)"類題目始終表現(xiàn)不佳的問題，以及差距到預(yù)算的映射現(xiàn)在還是人工調(diào)參的問題，研究團隊都在結(jié)論部分明確標(biāo)注為未來工作的方向。一方面，IntentFrame目前只處理單輪查詢；在多輪對話里，隨著對話的推進不斷更新差距分，理論上能讓后續(xù)查詢成本越來越低。另一方面，如果能從交互日志里學(xué)習(xí)差距到預(yù)算的最佳映射，而不是用固定的階梯函數(shù)，校準(zhǔn)質(zhì)量可能進一步提升。

這項研究的代碼、模擬器和測試集都已在GitHub上公開，有興趣動手復(fù)現(xiàn)或延伸的讀者可以通過論文編號arXiv:2606.05557找到對應(yīng)的鏈接。

Q&A

Q1：AURA系統(tǒng)的"意圖框架"和普通AI助手有什么本質(zhì)區(qū)別？

A：普通AI助手只處理用戶說出口的問題，而AURA的意圖框架會在回答之前先推斷用戶沒說出口但真正想知道的內(nèi)容，并用一個數(shù)值"差距分"衡量兩者的偏離程度。差距分越高，系統(tǒng)就會調(diào)用越多的查詢工具去獲取隱藏信息，最終給出覆蓋用戶真實需求的回答，而不只是回答字面問題。

Q2：AURA在哪些場景下有效，哪些場景下沒用？

A：AURA在需要通過工具才能獲取私有狀態(tài)信息的結(jié)構(gòu)化環(huán)境里效果顯著，比如多智能體社會模擬、智能助理查詢某人狀態(tài)這類場景。但在信息已經(jīng)完整放在上下文里的情況下（如FANToM敘事問答）、對抗性游戲場景、以及需要搜索引擎的開放性事實查詢（如GAIA）里，AURA的優(yōu)勢消失甚至出現(xiàn)負(fù)面效果。

Q3：AURA系統(tǒng)的隱私保護機制是怎么工作的？

A：AURA的隱私保護是差距路由機制的自然副產(chǎn)品。當(dāng)用戶問的是低隱性需求的簡單問題時，差距分接近零，查詢預(yù)算被設(shè)為零，系統(tǒng)根本不會進入工具調(diào)用階段，因此從結(jié)構(gòu)上就無法觸發(fā)被禁止的高敏感工具。在30道隱私敏感測試題上，AURA的越權(quán)工具調(diào)用率為0%，而Fixed-Probe方案的違規(guī)率達到100%。