第一代 AI 助手表现得很礼貌。你输入，它们回答。第二代则不再等待。它会观察你的日历、扫描你的收件箱、阅读你的代码库活动，并在你提出任何要求之前就抛出“你应该知道这个”之类的打扰。这种宣传极具吸引力，演示也令人着迷。但一旦这些功能上线，留存曲线却并不理想。
发布会幻灯片上没人会放这样一个数字：用户对来自所有渠道的未经请求的 AI 更新有一个每日上限，总和大约只有三到五个。如果一个主动式智能体在一周内发出了第十条通知，那么用户在周五就会将其静音，并在下个月将其卸载。这不仅是一个 UX 打磨问题，更是整个主动式 AI 领域的架构盲区，它值得拥有一个名字：通知预算（notification budget）。
上限是真实存在的，而且比你想象的要低
智能手机用户每天已经在所有应用中接收到 46 到 63 条推送通知。当你后台智能体出现时，用户多年来一直在与他们的注意力预算进行博弈。他们已经静音了那些滥用权力的应用，批量处理了那些表现尚可的应用，并训练自己直接忽略任何非主动订阅的内容。你的智能体进入这个环境时，只是又一个索取者，而不是特邀嘉宾。
认知科学已经充分证明了单次打扰的代价。从一次任务中断中恢复平均需要约 23 分钟。短至 5 秒的干扰就能使复杂认知工作的错误率翻三倍。大约有一半禁用应用推送通知的用户最终会完全流失。虽然这些数据并非针对 AI 智能体测得，但被干扰的认知系统是同一个系统，从“禁用”到“流失”的路径也是同一条路径。从神经科学的角度来看，你的“智能”打扰与愚蠢的打扰并无二致。
产品数据背后隐藏着令人不安的真相。通知疲劳往往滞后于参与度指标数周。本周二不断点击“关闭”的用户就是下个月流失的用户，你的周活用户看板根本无法预见危机，因为“关闭”也是一种点击，而点击看起来像参与度。追求通知数量的智能体，正在优化的指标恰恰会在三周后导致留存率的反转。
“通知发送量”是错误的成功指标
最常见的失败模式往往发生在任何设计决策之前：团队构建了一个统计通知发送量的仪表盘，将 OKR 与之挂钩，并让智能体内部的规划器去最大化这个数值。观察者探测到的每一个信号都成了候选项，每一个候选项都变成了一条通知，曲线一路上扬，直到潜在的用户群体悄无声息地崩塌。
通知发送量是一个虚荣指标。真正能预测长期价值的指标是“产生行动的通知”，最好根据行动的重要性进行加权。一条被用户直接关闭而未打开的通知，比没有通知更糟糕，因为它消耗了预算并产生了负面信任。一条被打开但未产生行动的通知大约处于盈亏平衡点。只有触发了实际行动的通知才是正向贡献，即便是这些通知，也必须扣除它们消耗掉的预算。
改变设计决策的思路很简单：将每一条通知视为从有限账户中的“取款”，而不是对参与度漏斗的“存款”。这会迫使智能体内部的规划器做出目前它尚未做出的选择——考虑到发出这条通知会剥夺未来的机会，这个信号是否比本周所有其他待选信号都更有价值？大多数信号在比较中都会落败。而这正是重点所在。
通知预算架构究竟长什么样？
一个有效的通知预算模型包含五个组件。那些在 2026 年交付留存率为正的主动式智能体的团队，大多具备其中大部分或全部组件。
每个用户固定的每日重置预算。 设定一个数字——以 3 个为稳妥的起点，5 个为上限——并将其作为硬性限制而非软性目标。规划器将预算视为其状态的一部分。如果预算已用完，下一个候选通知必须替换掉今天已发出的通知（这几乎总是不明智的），或者等待。这一单一约束会迫使上游的信号检测逻辑诚实地面对相对重要性。
价值与注意力的评分层。 每个候选通知都会根据预期效用（用户采取行动的概率，按行动价值加权）和注意力成本（考虑到当前语境的干扰程度）进行评分。发送门槛是根据用户过去的“关闭”与“行动”行为针对每个用户学习得出的。如果一个用户关闭了最近三次日历冲突通知，他们实际上隐性地提高了该类别的门槛；智能体应该能察觉到这一点。
调整门槛的反馈循环。 采取行动、关闭和忽略是三个不同的信号，它们应该训练出三条不同的斜率。采取行动会提高对类似候选信号的信心。关闭则会降低信心，如果关闭动作很快，降幅应更激进。忽略——用户既没打开也没主动关闭——是最模糊的，可能应被视为轻微的负面信号。一个能在用户疲劳时变得安静、在用户参与时变得活跃的智能体，才能度过第二个月的考验。
跨智能体协作层。 这是大多数团队会跳过的部分，也是随着用户拥有多个 AI 助手而成为主要的失败模式。如果用户同时拥有日历智能体、收件箱智能体、代码库智能体和会议准备智能体，每个智能体都假设自己拥有用户的全部注意力。然而，用户的注意力预算是共用的。如果没有共享的预算总线，每个单独的智能体可能在局部表现得很有礼貌，但整体却是无法忍受的。下一阶段胜出的平台将是那些提供操作系统级注意力协调机制的平台，或者是主动接入这种机制的第三方智能体。
非二元化的退出梯度。 “请减少通知”是一个比“禁用通知”好得多的功能。前者调整了门槛并维持了关系；后者则终结了关系。每一次关闭都应该微妙地收紧斜率。每一次点击“这很有用”都应该放宽它。禁用开关应该存在，但它应该是漫长道路上的最后一站，而不是用户在今天遭受第三次打扰后抓取的第一个选项。
没人负责的组织失效模式 主动型智能体（Proactive Agents）过度通知的结构性原因并非工程上的懒惰——而是因为没有团队对用户的“总干扰界面”负责。日历团队负责日历通知，收件箱团队负责收件箱通知，智能体团队负责智能体通知。每个团队都是拥有局部 KPI 的局部优化者，没有人衡量或预算整体的总和。而用户体验到的是这个总和。
在发布多个 AI 界面的组织中，正确的模式是设立单一的“注意力策略”负责人——这是一个产品角色，其职责是设定跨界面的预算，裁定哪一个界面在某一天可以消耗预算，并维护一个追踪累计通知量与留存率关系的仪表盘。如果没有这个角色，每个独立的界面都会坚信自己是负责任的，因为它们各自的数字都很小；而用户最终会关闭整个类别的通知，因为总数已经超标。
对于任何构建主动型功能的团队来说，一个有用的诊断问题是：“如果这家公司的其他每个团队都以同样的通知频率发布功能，用户每天收到的总数会是多少？”如果答案超过 5 条，那么无论该团队的功能本身有多好，他们都在加剧“公地悲剧”。
大多数团队缺失的成本视角 主动型 AI 的成本结构被固定费率定价掩盖了。对用户日历、收件箱或活动流的每一次后台扫描都是一次 Token 调用。每一条被评分并舍弃的候选通知依然消耗了计算资源。那些报告“我们的智能体在 5 条预算内每天发布 3 条有用通知”的团队，通常为了产出这 3 条通知，每天要在数百个候选对象上运行评分循环，每个活跃用户的成本与每条通知的成本完全不是一回事。
定价上的含义是真实存在的。响应式助手（Reactive Assistant）的成本随用户参与度而扩展；如果用户保持沉默，账单也随之减少。而后台智能体（Background Agent）的成本随外界的噪声水平而扩展；如果用户这周的收件箱很忙，无论用户是否触碰产品，账单都会很忙。两个订阅费相同的用户，纯粹基于底层数据流的活跃程度，可能会产生 10 倍的成本差距。这支持了基于用量的分级定价——免费档智能体每小时运行一次，付费档则接近实时运行——但大多数产品组织尚未进行过这种讨论。
架构评审时应尽早提出的问题是：如果智能体为一个从未打开过任何通知的用户持续运行，我们的“每个活跃用户成本”曲线是什么样的？如果答案是“与每个通知都操作的重度用户相同”，那么定价模型在结构上就是脆弱的，一个群体正在补贴另一个群体。
架构上的感悟 用户注意力是一种预算资源。它有每日上限，且不会在天与天之间自动补充，必须分配给每一个想要分一杯羹的产品。一个不建模这种预算的主动型智能体并不是智能的——它只是一个其启动指标（触发的通知数）与留存指标（用户耐受度）在 2 到 4 周的滞后期后直接负相关的产品功能。
内化了这一点的团队会有不同的构建方式。他们从预算开始逆向设计：假设用户今天只能吸收 3 到 5 条通知，那么最值得告诉他们的 3 到 5 件事是什么？这个问题迫使每一个其他的架构决策——评分、优先级排序、批处理、跨界面协调——都变得清晰起来。那些从“我们能检测到什么？”开始正向构建的团队，最终会发现答案是“超过了用户能吸收的范围”，然后他们把这个发现发布到了生产环境中。
下一代智能体将不会在“能看到多少”上竞争。模型能看到的已经足够多了。它们将在“对所见内容表现出多少克制”上展开竞争——而且这种克制不会是最后添加的润色功能。它将是整个规划器赖以构建的“预算原语”。说话更少但落点更准的智能体，才是下个季度仍被保留在用户设备上的智能体。
余下内容仅对会员开放。 会员可读完整内容 —— 每一个公开发布的观点背后，那些框架、决策与推理的全貌。
— 完整文章，包含未公开存档的部分 — 可落地的工作框架，附带权衡与决策依据 — 新文章抢先看，先于公开发布 登录以继续阅读→ 随时取消 · 一次订阅，畅读全部
