π-Bench：你的 agent 会不会读空气

大多数 agent 基准测的是同一件事：我刚让你干的活你能不能干成。π-Bench 在 Hugging Face papers 上拿了 75 个赞，测的是反过来、也难得多的那件事：我没让你干、但你该想到的活，你注意到没有。它是一个面向主动型个人助理的基准，五种不同用户画像下的一百个多轮任务，核心就是衡量 agent 能不能在你开口之前，就对一个没说出口的需求采取行动。

结论是个很有用的清醒剂。对当前的 agent 来说，主动性确实很难。一个能完成任务的 agent，和一个能预判任务的 agent 之间，隔着一道很宽、而且可量化的差距。最有意思的一点是，过往的交互帮助极大：一个记得前几轮、记得上几次会话的 agent，在猜你想要、但你没说的东西上要强得多。换句话说，记忆和连续性对主动性来说不是锦上添花，它们就是机制本身。

为什么值得你关注：工具和助理的区别，正好就在这条轴上。工具等你下令，助理会自己注意到。所有在追个人 agent 这个梦的产品，那种 OpenClaw 式常驻帮手，本质上都在赌自己能跨过这道沟，而在此之前根本没有一个干净的办法去打分、看谁更接近。论文在 arxiv.org/abs/2605.14678。