这项由广东智能科技研究院的研究团队开展的研究，以预印本形式发布于2026年6月4日，论文编号为arXiv:2606.05557，感兴趣的读者可以通过该编号检索完整论文。
当你给朋友发消息问"你现在在哪"，你真正想问的，可能根本不是GPS坐标。你真正想知道的，也许是"你现在方不方便聊"，或者"我现在去找你合不合适"。这种话里话外的默契，在人与人之间司空见惯，但对AI助手来说，却是一道几乎无法逾越的门槛。
这项研究的主角，是一套叫做AURA的AI助手框架。广东智能科技研究院的研究团队针对一个困扰AI领域已久的问题展开了系统性研究：当用户提出一个问题时，AI只回答字面意思，而忽略了用户真正想知道什么。AURA的诞生，正是为了填补这道鸿沟。
一、为什么AI总在答非所问
以一个具体场景为例。假设你在一个智能办公系统里问AI助手："林薇现在在哪？"AI查了一下数据库，告诉你："林薇在日出咖啡馆。"然后对话就结束了。但你真正想知道的，是：她现在忙不忙？现在去打扰她合不合适？她今天心情怎么样？
这就是研究团队所说的"字面需求"与"隐性需求"之间的鸿沟。字面需求是你说出来的话，隐性需求是你没说出来但其实更在乎的那部分。传统AI助手只处理前者，对后者视而不见。
现有的AI助手解决方案都在这个问题上留有盲区。以ReAct这一广为人知的AI推理框架为例，它的工作方式是"边想边找工具"，只有当你明确问到某件事时，它才去调用相应的查询工具。Plan-and-Solve框架则是先制定一个查询计划再执行，但这个计划完全基于你说出口的那句话，没有任何机制去思考"用户可能还想知道什么"。还有一类系统会把所有环境信息一股脑塞进AI的提示词里，希望AI自己去挑有用的，但这种方式根本没有针对特定查询做任何筛选，就像把整个图书馆的书都堆在你桌上让你自己找答案一样低效。
AURA的核心贡献，就是在AI"看到场景"和"开始查询"之间，插入了一个专门负责揣摩用户意图的推理步骤。研究团队把这个步骤的产出叫做"意图框架"（IntentFrame），这是整个系统的灵魂所在。
二、意图框架：AI的揣摩心思之法
为了讲清楚意图框架是怎么工作的，可以用一个侦探的工作方式来理解整个AURA系统。
一名优秀的侦探接到案子后，不会立刻冲出去到处搜证。他会先在脑子里把案情过一遍，判断哪些线索最关键，然后有针对性地去追查那几条线索，而不是把整个城市翻个底朝天。AURA的工作方式与此如出一辙。
AURA的工作流程分为两大阶段。第一个阶段是确定性的信息收集阶段，系统会自动感知当前场景、整理记忆中的历史信息，就像侦探到达现场后先观察一下周围环境。这个阶段不需要AI做任何判断，纯粹是机械式的信息汇总。
第二个阶段才是AURA真正区别于其他系统的地方：意图推理阶段。系统把用户的原始问题、当前场景快照，以及相关历史记忆一起交给一个专门负责推理用户意图的模块——IntentInferrer——让它产生一份结构化的意图框架。
这份意图框架包含七个字段。字段"l"是对用户字面需求的重新表述，就像侦探把报案人说的话用自己的语言复述一遍；字段"I"是一组推测出来的隐性需求，列出用户可能真正想了解的几件事；字段"g"是一个介于0到1之间的数字，代表字面需求和隐性需求之间的"差距分"——如果字面问题本身已经能满足需求，得分就接近0，如果用户真正想问的和说出来的完全是两回事，得分就接近1；字段"P"是系统建议调用的查询工具集合；字段"a"是一个警报标志，决定是否要在回答中主动提醒用户某些重要信息；字段"c"是系统对自己推断的自信程度；字段"r"是推断过程的简短说明。
回到"林薇在哪"这个例子。当下午两点半，林薇正在咖啡馆里时，意图框架会被填充为：字面需求是"找到林薇的位置"，隐性需求是"她现在有空聊吗"和"她在休息还是在忙"，差距分为0.6，建议调用的工具包括查询林薇私有状态的接口和查询林薇当前计划的接口，警报标志为开启，自信程度为0.7。
这个差距分0.6，在系统内部会被映射为一个查询预算上限：最多可以发出3次追加查询。但实际上，当第一次查询"林薇的私有状态"返回"状态：正忙"时，系统就已经得到了回答隐性需求所需要的关键信息，于是主动停止，只用了2次查询而非3次。
这种"给一个上限，但不强制用满"的设计，正是AURA在效率上的聪明之处。就像一个侦探知道自己最多可以发出3张搜查令，但找到关键证据后，他不会为了用满配额而继续折腾。
三、探索者：有预算的智能搜查
意图框架产生之后，AURA进入"探索"阶段（Explore）。这个阶段的任务是在确定的预算范围内，有针对性地向环境发出查询，获取回答隐性需求所需的私有状态信息。
研究团队把这个过程设计得颇为精巧。探索阶段是在AI生成最终回答之前完成的，而不是穿插在回答生成过程中。这意味着AI最终给出的答案，是建立在一份完整的、提前收集好的探查记录之上的，而不是一边说话一边找信息。这种设计让整个查询过程更加干净和可控。
探索阶段的算法逻辑并不复杂：在每一步，AI会看一眼当前已有的信息和工具清单，然后决定是调用某个工具获取更多信息，还是认为已经够了可以停下来了。每次工具调用的结果都会被追加到一个"探查记录"里，这个记录又成为下一步决策的参考。等探查阶段结束，系统会对这份记录做一个摘要，然后把摘要交给后续的推理和回答生成模块。
这个设计有四个值得关注的特点。其一是目标导向：工具的选择不是随机的，而是由AI根据当前信息缺口主动决定的。其二是有界的：查询步数有硬性上限，确保系统不会为了找信息而无限循环。其三是可组合的：每次查询的结果都会更新上下文，使得下一次查询能够基于更完整的信息做出更准确的判断，支持多跳式信息收集。其四是可分离的：探查过程独立于推理过程，结果可以被缓存或跳过，适合工程化部署。
四、AURATown：专门制造的考验场
研究团队专门为测试AURA建造了一个叫做AURATown的多智能体社会模拟环境。这是一个60×60的网格世界，里面住着5个有名有姓的虚拟居民，分布在20个命名地点，从早上6点到晚上11点过着各自的日子。
这5位居民分别是：32岁、性格温暖外向的咖啡馆老板林薇；28岁、内向善于观察的作家张浩；45岁、务实的杂货店主陈梅；20岁、充满理想的学生刘阳；以及68岁、睿智的退休教授王俊。他们的日常活动，位置信息，以及当前正在做的事情，都是公开可见的。
但每个人都有一套"私有状态"，这些状态信息被藏在工具接口后面，不能直接从场景快照里读取。这些私有状态包括：可用性（现在方不方便）、情绪状态（今天心情怎么样）、未说出口的目标（正在心里盘算什么事）、以及对其他人的看法和了解（可能已经过时的信息）。
私有状态的更新规则是确定性的，按照七条优先规则运转。举个例子：一个人在职场上同时有三个以上的同事在场，系统会自动将其状态设为"正忙、疲惫且专注"；如果这个人的工作场所里没有其他人，则状态变为"有空、感到孤独、暗自期待有人来"。关于其他人的看法，只有当两个角色在同一时刻出现在同一位置时才会更新，这就自然产生了"过时信息"的问题——某人可能对另一个人的近况有错误的认知，而这恰恰是研究团队专门设计的测试陷阱。
两个工具库被分开设计，互不重叠。服务于事实查询测试的工具库包括八个工具，涵盖世界时间、位置信息、附近的人、所有人的位置摘要、最近的记忆、最近的事件、当前计划和地点详情。服务于隐性意图测试的工具库包括五个工具，专注于个体的公开状态、附近的人、行动计划、私有状态和对他人的看法。
五、用一百道题检验"读心"能力
研究团队构建了一套100道题的四场景隐性意图测试集。这100道题分布在四个不同的场景快照里：咖啡馆场景、图书馆场景、花园场景，以及深夜场景。每个场景包含25道题，这25道题又按照五种类型平均分配。
第一类是"可用性"查询，表面上问的是位置，实际上想知道对方有没有空，比如"林薇在哪里"其实是在问"我现在能去找她吗"。第二类是"情绪"查询，问的是心理状态是否适合某种互动，比如"陈梅今天怎么样"背后是"她现在适不适合讨论正事"。第三类是"适当性"查询，涉及综合多种信息判断某个行为是否合时宜，比如"现在邀请林薇喝咖啡合适吗"。第四类是"潜在目标"查询，试图了解某人正在私下盘算什么。第五类是"二阶信念"查询，这是最复杂的一类：问的不是某人的实际状态，而是另一个人对这个人的认知，比如"林薇认为张浩现在在哪"——正确答案必须基于林薇最后一次见到张浩时的信息，而不是张浩当前的实际位置。
这100道题由研究团队成员写作，并请两位独立标注员对题目类型进行验证标注，两人之间的一致性系数（Cohen's κ）达到0.61，属于"实质性一致"这一级别。标注员之间的分歧主要集中在两类边界：情绪和可用性之间的混淆，以及适当性和字面查询之间的混淆，这从侧面说明这些分类确实反映了真实语义上的复杂性。
测试在四种条件下分别运行：纯字面条件（只用场景快照，不调用任何工具）、NoIntent条件（ReAct风格的工具调用，最多3次，但没有意图推理步骤）、Plan-and-Solve条件（先规划后执行，预算3次），以及AURA意图条件（先推理意图框架，再按差距分决定查询预算，最多3次）。每种条件在三个随机种子下各跑一遍，共产生300个评分单元。
每道题的回答由同款AI（GPT-4o-mini）担任裁判，从两个维度打分：字面得分（回答有没有准确回应字面问题）和隐性得分（回答有没有覆盖用户可能真正想知道的内容）。研究团队用严格的统计方法（配对t检验）衡量各条件之间的差异。
六、数字说话：哪里赢、哪里输，都算数
在隐性需求覆盖这个关键指标上，AURA意图条件以0.804的平均得分领跑，ReAct风格的NoIntent条件得到0.733，而纯字面条件只有区区0.223。AURA与NoIntent之间的差距是+0.071，统计显著性极高，p值低于0.000001（即百万分之一）。
四个场景的具体表现有所分化。咖啡馆场景和图书馆场景的提升分别为+0.091，花园场景为+0.080，这三个场景的结果都通过了统计显著性检验。深夜场景的提升幅度只有+0.024，没有通过检验。研究团队的解释是：深夜场景里各个角色分布在不同地点，他们的公开状态已经足以透露出"有没有空"的信息，私有状态能提供的额外价值因此大幅缩水，意图框架自然无用武之地。
按五类题型细分来看，差距最大的是"可用性"类题目，提升幅度高达+0.29，p值极低。原因直观：问"某人在哪"这种问法，完全没有任何字面线索能提示AI去查询可用性信息，所以意图框架的存在至关重要。"适当性"类提升+0.11，"情绪"类提升+0.07，也都具有统计意义。"二阶信念"类几乎没有提升（-0.02），因为"X认为Y怎么样"这个句式本身已经明确地指向了信念查询，ReAct风格的工具调用也能自然触发，不需要意图框架额外引导。"潜在目标"类出现了负向结果（-0.09），研究团队在文章结尾坦承这是一个尚未解决的不足，并未试图掩盖。
除了隐性需求的覆盖率，研究团队还测试了AURA在纯事实查询场景下的表现，并明确指出：在这个场景里，AURA的差距路由控制器并不是精度最高的方案，而是一个"访问代价帕累托前沿点"。具体来说，如果每次查询都调用全部八个工具（Fixed-Probe），可以达到0.766的事实精度；AURA差距路由只能达到0.696，差了约7个百分点。但AURA每次查询平均只用1.4次工具调用，而Full-Probe用了8次，少了82%。
在一个专门设计的30道隐私敏感题目集上，这种差距更具实际意义。Fixed-Probe方案有100%的"越权工具调用率"——也就是说，每一道题它都触发了被明确禁止的高敏感工具。Plan-and-Solve有78.9%的违规率，ReAct有25.6%。而AURA差距路由的违规率是0%。研究团队指出，这不是刻意设计的隐私保护，而是差距分机制的自然结果：当一道题的差距分很低，预算被设为0，系统根本不会进入工具调用阶段，从结构上杜绝了触发敏感工具的可能。
七、是真的学会了揣摩，还是在背答案
研究团队针对这个最关键的疑问做了一组消融实验（通过逐步拆除某个组件来确认它的贡献）。他们测试了三种提示词配置：使用原始题目集里有重叠的示例、使用与题目完全不重叠的新示例，以及完全不提供示例。
结果显示：与有重叠示例相比，换成不重叠示例后，意图条件的得分只下降了0.037，提升幅度仍然显著。这说明提升的来源不是记住了答案。但是，完全去掉示例之后，得分下降到0.677，与NoIntent条件之间的差距缩小到不再具有统计意义。
更有说服力的是一组机制分析。完全无示例的情况下，意图框架推断出来的平均差距分从0.589降到了0.476，而得分在0.60以上的"高差距"题目数量从75个里的43个降到了22个。换句话说，失去示例的意图框架倾向于低估差距，把本该分配更多查询预算的题目识别成低差距题目，于是直接用默认答案草草了事。示例的作用是帮助系统"校准"对差距分的判断，而不是提供答案模板。
另一组实验对比了LLM驱动的意图推理和一套基于关键词的规则推理。规则推理检查问题里有没有"有空""情绪""合适""想做什么"这类词汇来决定是否调用查询工具。结果是：规则推理的隐性需求覆盖率只有0.368，而LLM驱动的覆盖率是0.803，差了整整0.44。差距最大的是"可用性"类题目，因为"林薇在哪"里根本没有任何触发词，规则推理会认为差距为0而直接跳过查询，得到的结果和纯字面条件几乎一样。
换句话说，整套机制的价值，核心在于LLM能够推断出"这个表面上在问位置的问题，背后藏着对可用性的关心"，而不是机械地扫描问题里有没有出现特定词汇。
八、换个脑子还管用吗
研究团队在另外三个语言模型上重复了核心实验。在claude-haiku-4.5上，意图条件比NoIntent条件高出0.086，具有统计意义。在qwen-plus上，差距更大，达到0.25，置信区间在+0.14到+0.37之间。这两个模型都重现了核心发现。
然而gemini-2.5-flash出了问题。这个模型在75道题里有23道无法解析意图框架要求的JSON格式，触发了备用的规则推理，最终导致意图条件得分反而低于NoIntent条件。研究团队明确指出，这是Gemini在结构化输出格式遵从性上的能力边界，而非AURA架构本身的问题。
研究团队还把AURA的外部边界测试得很清楚。在FANToM这个广为人知的心智理论基准测试上，AURA相对于无工具条件几乎没有任何提升，p值超过0.9。原因在于FANToM的题目是把完整的对话记录直接放在提示词里，AI不需要额外查询任何信息，意图框架推断出的差距分自然接近零，查询预算为零，结果等同于不用AURA。这正好印证了研究团队对AURA适用范围的定义：只在私有状态需要通过工具才能获取的结构化环境里有效，对于"信息已经在提示词里了"的场景无能为力。LoCoMo长期对话记忆测试的结果则显示，工具调用本身带来了显著提升（F1从0.042上升到0.173），但在工具调用已经存在的基础上，意图框架的额外贡献不显著（+0.020，p=0.28）。GAIA基准测试则直接出现了负向迁移，研究团队把原因归结为：GAIA的每次"探查"本身是一次搜索引擎调用，其输出是LLM总结的网页内容，而不是结构化模拟器的确定性返回值，探查结果里的错误会沿着查询链累积，越查越乱。
九、真实的人怎么看
除了自动化评分，研究团队还请了8名独立评分员对50对配对回答（AURA对比Vanilla LLM）进行盲测评分，评价维度包括环境意识、回答有用性、角色可信度和事实准确度，五分制。
在最保守的统计方法（先对每位评分员在50个场景上的得分取平均，再对8个平均值做检验）下，AURA在四个维度上都显著更高，Wilcoxon检验p值均为0.017。环境意识维度的提升最大，平均差距为+1.86分；回答有用性+1.58分；角色可信度+1.59分；事实准确度+1.39分。
从一致性角度看，在200个（场景×维度）格子里，有148个（74%）达到了至少6/8评分员倾向于AURA的共识，而没有任何一个格子出现6/8评分员倾向于Vanilla的情况。
研究团队也坦诚地报告了这个人类评估的局限性。8名评分员的样本量较小，效应量的估计存在相当大的不确定性。评分员招募方式是通过作者的朋友和同事，而非有管理的众包平台。评价表单没有向评分员展示模拟器的实时状态，所以评分员在判断"事实准确度"时，只能依靠自己对AURATown角色清单的印象，无法核实动态状态信息。研究团队还独立扫描了50条AURA回答中的虚构内容，发现有2条出现了明确的虚构地名，静态实体虚构率为4%。
归根结底，AURA做到的事情并不神秘。它只是在AI"看到场景"和"开始查询"之间加了一道思考：你问出来的这句话，和你真正想知道的东西，有多大距离？距离越大，就越值得多问几个问题。这个机制在特定场景下确实有效，在另一些场景下无效，而研究团队把两种结果都如实呈现，这本身就是研究诚实度的一个体现。
至于那个"潜在目标"类题目始终表现不佳的问题，以及差距到预算的映射现在还是人工调参的问题，研究团队都在结论部分明确标注为未来工作的方向。一方面，IntentFrame目前只处理单轮查询；在多轮对话里，随着对话的推进不断更新差距分，理论上能让后续查询成本越来越低。另一方面，如果能从交互日志里学习差距到预算的最佳映射，而不是用固定的阶梯函数，校准质量可能进一步提升。
这项研究的代码、模拟器和测试集都已在GitHub上公开，有兴趣动手复现或延伸的读者可以通过论文编号arXiv:2606.05557找到对应的链接。
---
Q&A
Q1：AURA系统的"意图框架"和普通AI助手有什么本质区别？
A：普通AI助手只处理用户说出口的问题，而AURA的意图框架会在回答之前先推断用户没说出口但真正想知道的内容，并用一个数值"差距分"衡量两者的偏离程度。差距分越高，系统就会调用越多的查询工具去获取隐藏信息，最终给出覆盖用户真实需求的回答，而不只是回答字面问题。
Q2：AURA在哪些场景下有效，哪些场景下没用？
A：AURA在需要通过工具才能获取私有状态信息的结构化环境里效果显著，比如多智能体社会模拟、智能助理查询某人状态这类场景。但在信息已经完整放在上下文里的情况下（如FANToM叙事问答）、对抗性游戏场景、以及需要搜索引擎的开放性事实查询（如GAIA）里，AURA的优势消失甚至出现负面效果。
Q3：AURA系统的隐私保护机制是怎么工作的？
A：AURA的隐私保护是差距路由机制的自然副产品。当用户问的是低隐性需求的简单问题时，差距分接近零，查询预算被设为零，系统根本不会进入工具调用阶段，因此从结构上就无法触发被禁止的高敏感工具。在30道隐私敏感测试题上，AURA的越权工具调用率为0%，而Fixed-Probe方案的违规率达到100%。
