PASK: 장기 기억을 갖춘, 의도 인식 능력을 기반으로 한 능동형 에이전트 개발

PASK: Toward Intent-Aware Proactive Agents with Long-Term Memory

능동성은 AGI의 핵심적인 특징 중 하나입니다. 기존 연구는 주로 실험실 환경에 국한되어 있으며, 실제 환경에서의 능동형 에이전트는 깊이, 복잡성, 모호성, 정확성 및 실시간 제약 등 해결해야 할 과제가 많습니다. 본 연구에서는 이러한 환경을 대상으로, 유용한 개입을 위해서는 현재 상황으로부터 잠재적인 요구를 추론하고, 지연 시간 및 장기적인 제약 조건 하에서 변화하는 사용자 기억에 기반하여 행동을 수행해야 합니다. 먼저, 스트리밍 형태의 능동형 AI 에이전트를 위한 일반적인 패러다임인 DD-MM-PAS (수요 감지, 기억 모델링, 능동형 에이전트 시스템)를 제안합니다. 본 연구에서는 Pask를 통해 이 패러다임을 구현하고, DD를 위한 IntentFlow 모델, 장기 기억을 위한 하이브리드 메모리 (작업 공간, 사용자, 글로벌), PAS 인프라 프레임워크를 소개하며, 이러한 구성 요소들이 어떻게 상호 작용하는지 설명합니다. 또한, 사용자 동의를 얻은 데이터를 기반으로 구축하고, 수천 번의 인간 편집을 통해 개선된 실제 환경 벤치마크인 LatentNeeds-Bench를 소개합니다. 실험 결과, IntentFlow 모델은 지연 시간 제약 조건 하에서 Gemini3-Flash 모델과 유사한 성능을 보였으며, 사용자의 더 깊은 의도를 파악하는 데 효과적인 것으로 나타났습니다.

Proactivity is a core expectation for AGI. Prior work remains largely confined to laboratory settings, leaving a clear gap in real-world proactive agent: depth, complexity, ambiguity, precision and real-time constraints. We study this setting, where useful intervention requires inferring latent needs from ongoing context and grounding actions in evolving user memory under latency and long-horizon constraints. We first propose DD-MM-PAS (Demand Detection, Memory Modeling, Proactive Agent System) as a general paradigm for streaming proactive AI agent. We instantiate this paradigm in Pask, with streaming IntentFlow model for DD, a hybrid memory (workspace, user, global) for long-term MM, PAS infra framework and introduce how these components form a closed loop. We also introduce LatentNeeds-Bench, a real-world benchmark built from user-consented data and refined through thousands of rounds of human editing. Experiments show that IntentFlow matches leading Gemini3-Flash models under latency constraints, while identifying deeper user intent.