一句话结论
三大厂商转向AI代理主动发起对话模式，核心挑战已从生成内容转变为判断何时以何种渠道介入用户。
关键要点
- Meta的Muse、OpenAI的Dots和Uber司机助手均转向主动代理模式，核心逻辑是代理先发起对话而非等待用户提问
- 主动消息的价值判断需综合四个维度：涉险金额、用户行动概率、机会过期速度、价值归属（用户或平台）
- TypeSafe的Jev和Supersonic Labs的Julia 1等新型决策模型替代LLM做发送决策，Julia 1支持CPU运行，单次决策耗时约33毫秒
- 渠道存在"入场费"差异：应用内卡片成本最低，聊天、短信成本递增，语音电话仅保留给紧急且占用双手的场景
- 主动代理具有强大的商业分发能力，Meta已在探索Muse的电商功能并推出面向小微企业的Muse for Small Business
背景与事实
传统聊天机器人采用拉取式接口，用户自主选择提问的时机、渠道和具体内容。Meta、OpenAI和Uber的最新产品架构彻底反转了这一逻辑：代理主动发起对话，用户成为接收方。这种转变将技术难题从"如何生成回答"迁移至"何时打断、通过什么渠道、提供什么内容"的复合决策问题。大型语言模型擅长生成文本内容，却并非判断"是否应该发送"这一决策问题的合适工具。
主动消息本质上是一次风险押注，仅在预期用户价值超过打断成本时才应发出。价值评估包含四个具体组成部分：当前情境的涉险金额、用户采取行动的预估概率、该机会的时效衰减速度、以及价值最终归属方是用户本人还是平台。这一价值判断同时决定两个后续决策：高价值且快速过期的消息立即发送，中等价值消息等待摘要聚合，低价值消息则直接放弃发送。消息价值越高，其"赚取"的渠道侵入性也越强。
通知与增长团队多年前已解决过类似问题的简化版本。渠道具有明确的成本梯度：应用内卡片成本最低，聊天消息成本较高，短信成本更高，语音电话则严格保留给紧急且用户双手被占用的场景。Uber的结果追踪系统为这些决策模型提供了必需的标注数据。
新型决策模型类别正在填补这一技术空白。TypeSafe的Jev和Supersonic Labs的开放权重模型Julia 1均返回结构化判断而非自由文本：从短列表中选择一个选项、输出一个分数、或给出是/否判断，且每个判断附带概率值。Julia 1在CPU上即可运行，单次决策耗时约33毫秒，使得代理可以在每次调用大语言模型前对海量触发器进行廉价的结构化预筛选。
影响分析
对中文开发者与从业者而言，这一趋势意味着产品架构重心将从大语言模型的生成能力转向决策层的设计。在实际开发中，团队需要构建独立于内容生成的"发送决策引擎"，该引擎输入上下文特征，输出结构化的渠道选择与发送时机判断。具备多年通知数据积累的团队在冷启动阶段具有显著优势，因为其历史数据可直接训练决策模型。对于缺乏此类数据的创业团队，优先构建轻量级决策模型比堆叠更大规模的语言模型更具边际效益。
适用边界
上述结论建立在代理已具备成熟内容生成能力且用户基盘足够大的前提下。对于用户量较小的早期产品，主动消息的打扰成本可能超过预期收益，此时被动响应模式仍是更优选择。此外，决策模型只能基于给定上下文进行判断，无法自主学习用户个体的长期行为模式，例如某用户仅在晚间响应通知，这类个性化知识需要额外的画像系统支撑。
孤本观察
主动代理的商业化本质是将分发渠道内化为产品功能，一旦用户感知到代理从"服务者"滑向"销售员"，所有消息的信用基础将同步崩塌。
常见问题
Supersonic Labs的Julia 1模型在什么硬件上运行，单次决策耗时多久？
Julia 1支持在CPU上运行，单次决策耗时约33毫秒。
主动消息的价值判断包含哪四个具体维度？
包括当前情境的涉险金额、用户采取行动的预估概率、该机会的时效衰减速度、以及价值最终归属方是用户本人还是平台。
不同沟通渠道的成本梯度排列顺序是怎样的？
应用内卡片成本最低，聊天消息成本较高，短信成本更高，语音电话仅用于紧急且占用双手的场景。
对于用户量较小的早期产品，哪种交互模式更优？
被动响应模式。因为早期产品主动消息的打扰成本可能超过预期收益。
决策模型在判断用户个性化行为方面存在什么局限？
只能基于给定上下文判断，无法自主学习用户个体的长期行为模式，需额外画像系统支撑。
来源：MarkTechPost