注意力策略：为什么 AI 助手应该默认安静

主动助手为什么会失败

主动助手的失败模式不是它遗漏了什么——而是它通知得太频繁。一个收到过多通知的用户会彻底关闭通知，然后什么都错过了。这种不对称的代价结构意味着：

• 一次漏报：用户可以通过事后查看摘要来补救。小秘书的汇总页会保留所有已发现的变化，用户随时可以回来查看。
• 太多通知：用户会永久关闭通知系统，甚至卸载产品。这种行为一旦发生几乎不可逆。

这种不对称性使克制成为默认策略的正确选择。在产品设计中，这被称为「宁可漏报」原则——与其让用户被噪声淹没后彻底放弃，不如只在真正重要的时刻出现。这个原则在通知系统设计中被反复验证：用户对少量高价值通知的容忍度远高于对大量低价值通知的容忍度。

评分模型

每个信号在到达用户之前都要经过评分。评分公式综合多个维度，确保只有真正值得关注的信号才能通过：

score = ruleScore + recencyScore + relationshipScore + urgencyScore + userPreferenceScore - noisePenalty - cooldownPenalty

每个分量各司其职。规则分数捕获结构性信号——比如新内容到达、状态发生变化、或出现错误。这类信号有明确的规则判断，不依赖模型推理。时近性分数对较新的信号赋予更高权重，因为越新的信息通常越相关。关系性分数衡量信号与用户当前活跃任务之间的关联——与你正在做的事无关的信号会被降权。

紧急性分数为时间敏感的信号加分，比如临近截止日期的提醒。用户偏好分数纳入从历史忽略行为中学到的模式——如果你总是忽略某类信号，系统会自动降低同类信号的得分。噪声惩罚降低来自已知嘈杂来源的信号得分。冷却惩罚抑制在前一条通知之后过快到达的信号，防止短时间内通知轰炸。

阈值层级

不同得分的信号会进入不同的处理层级，每一层的行为方式截然不同：

三个层级之间的分界线经过精心设计。建议和通知之间的 0.12 分差距代表了一个重要判断：这个信号是否值得打断用户的当前工作？自动草拟层级除了要求高分外，还要求低风险——只有那些几乎不可能出错且影响可控的操作才会被自动准备。

注意力预算与冷却机制

注意力预算限制每天能到达用户的信号数量。这是对打扰频率的节流，而不是对工作的限制。Agent 可以持续工作——它只是不能持续要求用户关注。预算的大小不是固定的，而是根据用户的历史互动模式动态调整。活跃用户获得更高的预算配额，长时间不互动的用户则自动降低。

一条通知发出后，冷却计时器会在可配置的时间内阻止下一条通知，防止相关信号接踵而至这种常见的失败模式。冷却机制解决的是「通知级联」问题——当一个事件触发多条相关通知时（比如一个代码变更影响了多个文件），用户不需要在几秒钟内收到五条通知。冷却期结束后，系统会将积累的信号重新评估，如果仍然满足阈值条件，才会发送下一条通知。

忽略反馈

当用户忽略一条建议时，这个操作会调整用户偏好权重，使类似信号在未来的评分更低。这形成了一个反馈循环：Agent 从保守开始，用户的忽略行为教它什么是「太吵」，信噪比随时间改善。

替代方案——让用户手动配置通知偏好——效果更差，因为大多数用户不会去配置阈值。即使配置了，手动设定的阈值也很难反映真实的使用场景。通过忽略行为自动学习的好处是：它捕捉的是用户在真实工作场景中的判断，而不是用户在设置页面中的假设。这种隐式反馈比显式配置更准确，也更省事。

设计哲学：宁可漏报也不制造噪声

这条设计哲学贯穿整个注意力策略。它不是一个简单的「少通知」口号，而是一套可操作的工程原则：每个信号必须证明自己值得打扰用户，否则就被静默消化。这个证明过程就是评分流水线——从去重到评分到预算检查到冷却，每一层都在过滤噪声。

在 Semibot 中，这条原则体现在小秘书的变更感知递送中。小秘书会持续监控你委托的任务进展，但不是每一处变化都值得通知你。只有那些满足注意力阈值的变化——比如任务完成、发现关键异常、或需要你做决策——才会触发通知。中间过程的变化安静地记录在小秘书页面中，你主动查看时就能看到完整脉络。

局限性

• 评分依赖模型提供商。如果模型服务不可用，回退到基于规则的评分会损失精细度，可能漏掉一些需要语义理解才能判断的信号。
• 活跃时段是一个粗糙的工具——Agent 不知道你的日历。如果你在非工作时间有重要任务，可能会错过通知。
• 如果你忽略所有建议，Agent 会学会什么都不展示。行为正确，但可能让你觉得它停止工作了。
• 策略是全局的，不是按任务区分的。当前设计中，不同任务不能有不同的通知阈值——你不能为紧急项目设置更低的阈值。
• 评分公式的权重是产品层面的默认值，用户不能自定义每个分量的权重。高级用户可能希望更精细的调优。

实现契约：决策空间的正交分解

注意力策略在工程上最有研究价值的决定，是把「要不要打扰你」和「要不要允许 AI 这么做」拆成两个正交的决策类型。AttentionDecision（skip / inbox_only / notify / auto_draft）只回答打扰问题；CapabilityDecision（allow / ask_approval / deny）只回答能力授权问题。两者不能互相替代：一条高风险外部写操作即使拿到最高分，也只会被降级为「通知」而永不自动执行。这不是两条规则的堆叠，而是决策空间的分解——它保证了「降噪系统再激进，也造不成越权操作」这个结构性结论。

信号进入决策前要依次通过六道闸门：去重、相关性评分、注意力预算、风险策略、冷却、用户反馈。顺序本身是设计属性：去重在前，避免为重复信号消耗评分与预算；反馈在最后，只影响后续同类信号而非当前决策。预算按天、按来源、按风险级别、按类别四个维度设硬上限（高优先级通知默认 3 条/天，中优先级建议 10 条/天），超限的信号被合并、降级或延后——预算是硬门禁而非可被总分补偿的软分，这与量化研究中 Goodhart 警告（当评分成为目标，模型会优化评分而非判断）是同一个防御思想的产品化。

反馈闭环定义了五种行为：采纳提升同类相关性、忽略降低、要求减少同类强化冷却、稍后提醒只延后不降级、关闭来源停用该源——且每种影响必须可撤销、可在设置中查看。通知本身被白名单约束为三类（高价值建议、运行等待审批、连接器授权失效），并禁止携带邮件正文、私有日程描述等内容。每个最终展示的建议必须能回答四个问题：为什么重要、为什么现在提醒、为什么需要权限、如何减少同类提醒。实现层面，这套策略以 AttentionPolicyService 落地，验收测试显式覆盖超预算、静默时段、高风险不自动执行等门禁场景。

FAQ

相关阅读

• 暗工厂原则
• 持续委托
• Semibot 更新日志