聊天机器人有个共通点：你不发消息，它什么都不会做。工程团队 Rubric Labs 在 2026 年 11 月 5 日发表《Designing an Always-On Agent》，想解决的就是这件事。作者 Dexter Storey 的目标，是做出像《钢铁侠》里 Jarvis 那样一直待命的 AI。
Always-on agent 是什么
Always-on agent 可以叫它“常驻 AI 助理”。Rubric Labs 用三个特征定义它：
- 单一对话串（single-threaded）：只跟一个 AI 说话，它记得你，所有事都交给它
- 主动（proactive）：没人叫它，也会自己做事、给你发消息
- 有情境感知（situationally aware）：知道你的行程、邮件和环境，不用你每次补背景
对照目前的聊天机器人和一般 AI Agent，Rubric Labs 的描述是：
| 常驻 AI 助理 | 一般聊天机器人或 agent | |
|---|---|---|
| 存在方式 | 长期一条对话串 | 短暂，用完就关 |
| 启动方式 | 自己醒来 | 被动，你开口才动 |
| 信息来源 | 自己掌握环境 | 只看你当下给的内容 |
单一对话串：怎么不爆记忆
所有事塞进同一条对话，会遇到 context window（AI 一次能读进去的文字量，满了就读不下）的上限。想让它在同一条对话里一边排行程、一边订餐、一边回信，一定得处理这件事。Rubric Labs 用两招。
让 agent 自己整理记忆。 业界常见做法是 compaction（压缩）：对话太长时，把前面内容浓缩成摘要。Rubric Labs 发现，由外部程序代为压缩会打断节奏，就像硬生生切断了 agent 的思路和动能。
所以他们改成：
- 让 agent 每一轮都看得到自己用了多少 token
- 给它
foldContext工具，把一段消息换成自己写的摘要 - 给它
dropContext工具，直接删掉一段消息
实际上，agent 通常会等到一件事做完的空档再压缩，丢掉不再需要的推理和工具记录，留下还在用的内容。想先了解 AI 的记忆怎么运作，可以看 AI Agent 的记忆机制。
派分身去处理耗时的工作。 订餐、挂号这类要操作浏览器的事很花时间。主 agent 把它们交给 sub-agent（分身），自己继续跟你聊，主对话串也能留更多空间放整体脉络。分身的运作可以参考 Skill、Sub-agent、Cron 三大机制。
主动：heartbeat 和发消息工具
一般 agent 像一个函数：你发出请求，它返回结果。要变主动，它得能在任何时间醒来，也能不等你开口就先发消息。Rubric Labs 加了两个设计。
Heartbeat（心跳）。 每隔一段时间，系统往对话里塞一条“heartbeat”消息，agent 就醒了。频率可以固定，例如每小时一次，也可以让 agent 自己排下一次醒来的时间。
把“给你发消息”做成工具。 在普通聊天里，agent 每一轮的最后一句就是回复你的话。在这个设计里，agent 必须调用发消息工具，你才收得到。所以它醒来做完事，可以决定这次没什么值得说，不打扰你。最后一句话会留在对话里，当成它给自己的备忘。
Rubric Labs 举的例子：agent 知道你周三要飞奥斯汀，在例行心跳中发现航班信息，派分身整理机场到住处的路线和入住信息，再排一个接近降落时间的心跳，在你落地时把消息送出。
情境感知：广泛权限加通知收件箱
想让 agent 自己找到事做，它得知道你的处境。Rubric Labs 提供两层。
广泛权限。 让 agent 读你的邮箱、浏览器和文件，它就能自己发现你订的机票和住宿，找出你的偏好。Rubric Labs 认为，写代码的 AI 靠一个“执行终端命令”的工具就变强了，通用 agent 靠电脑操作工具也能做到类似的事。
通知系统。 光有权限不够，agent 不知道自己不知道什么。所以 Rubric Labs 给它一个收件箱，网络上的事件一发生就送进来。航班取消时，agent 可以立刻找替代航班并通知你，不用等一小时后才发现。
问题随之而来：收件箱很快塞满广告邮件、不是给它的 Slack 消息、不相关的编程项目通知。每条都叫醒 agent，可能每分钟就醒一次，白白烧 token（AI 用量的计价单位）。Rubric Labs 提出的一种做法，是先用一个较小的模型判断重不重要，重要的才叫醒 agent，其他的堆着，等 agent 自己有空再一次读完。
最难的一块：判断力
Storey 认为，上面这些架构都是相对简单的组合，真正的难题在模型本身：
“现在的模型非常不擅长这件事，因为它们缺乏判断力。”
他的说明是，现在的模型在训练阶段学的都是“把任务完成”，所以信号明确时表现很好，面对模糊的环境就会出问题。他举的例子是 Slack：agent 会对不是给它的消息动手，发现自己没有权限和背景后，最后交出一份设计文档。他的评价是毫无用处又尴尬。反过来，agent 也会漏掉真正该行动的时机。太积极与太消极之间的平衡，他认为更像凭经验摸索，无法照公式调好。
他建议的做法是让 agent 一开始很害羞，慢慢积累信心，找到自己能发挥的范围。具体要三件事：
- 系统提示（system prompt）写清楚它负责什么，并说明“什么都不做”完全没问题
- 不确定是不是自己的工作时，先问，不要猜
- 记住每次行动后你的反应（谢谢、纠正还是无视），下次行动前先翻这份记忆
给初学者的三个提醒
- 这是设计思路，文章没有提供实测数据，也没有说明效果多好。把它当成理解“常驻 AI”的地图就好。
- 权限给得越广，agent 能做的事越多，出错或被操控的风险也越大，可以搭配 AI Agent 的安全风险一起看。
- 想先弄懂 agent 与语言模型的分工，可以从 AI Agent 不是 AI 开始。