当行业普遍将Agent的未来简化为“更高自主性”时，华为云AI创新Lab给出了不同的答案——下一代Agent不是从Reactive到Proactive的单线升级，而是Interactive与Proactive的协同耦合。这份白皮书提出的Coactive范式，让Agent在“不确定处与人共创、成熟处自主承接”，通过“毕业线”管理双态迁移，把人机协同从理念推进为可工程化的系统架构。
从Reactive到Coactive——Agent演进的范式跃迁
Reactive与Proactive的各自局限
当前行业对Agent的讨论正在从Reactive走向Proactive。Reactive Agent等待用户指令再根据指令完成任务，适合轻量问答和边界明确的信息处理，但任务状态、对象变化和下一步触发仍主要由用户维护，只能提升单次效率，难以支撑连续任务。
Proactive Agent试图根据环境、历史和目标提前判断用户可能需要什么并主动发起帮助。相关研究提出，LLM-based agents不应只停留在被动响应模式，而应能够在没有显式指令的情况下预测和发起任务。但Proactive只有在任务边界清楚、判断标准稳定、用户偏好已被理解、风险可控的情况下才会真正产生价值。否则，Agent很容易引入两类问题：false alarm（用户并不需要时仍主动介入）和early assistance（意图尚未明确时过早出手）。
在真实工作中，越重要的任务往往越不适合一开始就完全交给Agent。写一份战略报告、设计一套产品方案、判断一个商业机会——这些任务需要人与Agent像人与人一样协作，形成“思维的流动”。Thinking Machines Lab指出，当AI越来越强时，用户不应因为界面限制而被挤出工作流，AI协作需要支持实时、多模态、双向、可打断的交互。
Coactive = Interactive × Proactive的双态协同
Coactive不是Reactive到Proactive的单线升级，而是Interactive与Proactive的协同耦合。它包含两种相互协作的状态：
Interactive是一种面向任务现场的实时协作机制。Agent通过多模态环境感知、共享任务状态和低延迟反馈，持续接收用户表达、编辑、浏览、停顿、修正与授权等信号，并将这些信号在线写入目标、约束、假设和下一步候选动作。它适用于目标尚未完全明确、判断标准仍在形成、结果依赖经验、审美和创造力的任务。Agent的价值不是替人“想完”，而是在推理和行动循环中承接人的判断，使人的思考过程被实时放大。
Proactive是一种受证据、授权和治理边界约束的主动执行机制。Agent基于已沉淀的流程、偏好、质量标准、工具路径、风险规则和上下文证据，在限定范围内持续进行任务规划、工具调用、状态跟进、结果验证和异常恢复。它适用于可重复、可累积、判断标准相对稳定、风险可控的工作。
Coactive的核心可概括为：原创性任务Interactive共创，非原创性任务Proactive自主承接，两者经“毕业线”实现可信迁移。人负责创造和判断，Agent负责沉淀和执行。
毕业线——双态迁移的可信承接与协作唤醒
可信承接：从Interactive到Proactive的证据驱动迁移
一项任务不能因为做过一次就交给Agent自动执行。表面相似的任务常常包含不同风险——同样是整理会议纪要，一次只是内部同步，一次可能涉及客户承诺。可信承接回答的是：什么条件下，一个能力片段可以从Interactive移交到Proactive。
承接的基本单位是可独立验证、可授权、可回退的能力片段。一个能力片段能否被承接，需要经过任务、能力和责任三域成熟度判断。任务成熟度关注目标和成功标准是否充分稳定；能力成熟度关注执行路径是否可重复和可恢复；责任成熟度关注权限、影响和回滚链是否明确。
从Interactive到Proactive的过程应渐进释放：共同探索阶段→静默准备阶段→草稿执行阶段→确认后执行阶段→条件自主阶段。每一级都保留回退到更早阶段的可能。组织政策、数据源和用户偏好都会变化，稳健原则是：以最小适用范围承接，以多源证据验证，以持续回归维持，以保守默认处理不确定性。
协作唤醒：从Proactive到Interactive的决策回流
协作唤醒解释Proactive何时必须将判断权交还Interactive。开放世界不会因任务片段被承接而停止变化。后台执行时，目标可能漂移、证据可能不足、风险可能升高、用户意图可能变化。
触发条件来自任务现场的变化：目标漂移、证据不足、风险升高、权限变化、用户意图变化、多主体分歧。唤醒被触发后，后台状态需要压缩成一个人可以直接判断的决策单元——Decision Packet，回答五个问题：后台发生了什么、为什么需要人判断、现在有哪些选项、系统推荐什么、各选项的风险是什么。
用户看到的不应只是“任务失败，错误码403”，而应看到任务事实、影响范围、可选路径和回退方案。从Proactive回到Interactive的信息分为四类：结果回流（阶段完成或部分失败，回到前台验收）、异常回流（工具失败或权限不足）、风险回流（不可逆动作）、经验回流（用户采纳、拒绝或接管，更新记忆和主动策略）。
Coactive如何重塑人机协作的7个层级
人机协作分层模型中的Coactive定位
Gartner提出的人机协作分层模型从人类独立执行到Agent完全自主运行共7个层级，人机协作主要聚焦于Level 2-Level 6，Agent在其中分别起到“建议、推荐、确认、复盘、审计”等作用。
Coactive对这一模型的突破在于：它不是在某一层级上让Agent做得更好，而是让Agent在“需要人判断”和“可以自主执行”之间动态迁移。Interactive对应层级中需要共同判断的阶段——人保留决策权，Agent提供建议、推荐和确认；Proactive对应层级中可自主执行的阶段——Agent在授权边界内推进任务，人保留监督和介入权。
这种动态迁移能力让Coactive Agent能够覆盖从“人主导、AI建议”到“AI主导、人监督”的连续谱系，而不是固定在某一个协作层级上。任务该走哪条路，由用户分流；何时从Interactive进入Proactive，由真实协作中积累的证据决定。
人机协作从“工具关系”走向“伙伴关系”
白皮书指出，人与工具之间从来不是简单的替代关系。纸笔没有取代思想，而是让思想留存；乐器没有取代情感，而是让情感得以表达。AI也应如此——它让人的灵感与智慧更容易被激发，并将人的知识、创造力与责任意识持续融入任务过程和最终成果。
Coactive的双态协同机制正是这一理念的系统化实现。Interactive让人的经验、判断和创造力持续进入工作流，Proactive让成熟、可验证、可授权的任务片段由Agent可靠承接。两者在共享任务状态中相互增强、相互约束、动态切换。这种设计使Agent从“被操作的软件”转向“能替人推进任务的系统”，并最终进化为“能与人长期协作的伙伴”。
