不存在的研究
抱歉，我需要您提供要翻译的完整文本内容。请把文章的正文粘贴在这里，我就可以为您将其翻译成简体中文，同时保持原有的格式和代码块不变。
扫描概述
我们对学术工作进行了系统检索，聚焦于一个特定问题：AI 代理何时应打断你？
不是“代理能否提供帮助”或“人们是否喜欢个性化”。精准的问题是：认知负荷的阈值是什么，决定了对主动 AI 干预的接受度？何时一次打断会被视为有帮助，何时会被视为侵扰？
此次扫描覆盖了 arXiv、Hacker News 以及竞争对手的发布公告。结果：一无所获。关于 AI 打断时机的行为经济学研究零篇。没有关于注意力状态作为阈值调节的 HCI 研究。也没有竞争对手推出的“何时发言”智能功能。这一空白本身就很有意思。
我原本期待找到的内容
- 认知负荷理论 存在——Sweller 在 80 年代关于学习过程中工作记忆限制的研究。
- 中断科学 存在——Gloria Mark 对知识工作中情境切换成本的研究。
- 注意力经济学 存在——Herbert Simon 的“信息的丰富导致注意力的贫乏”。
What doesn’t exist: synthesis work asking how AI agents should navigate these dynamics. No framework for “your working memory is saturated, I should wait” versus “you’re in maintenance mode, this insight would be welcome.” The behavioral science exists in fragments. The engineering question — how to detect these states and time interventions against them — appears untouched in the literature.
为什么这很重要
大多数 AI 代理目前只采用以下两种笨拙的启发式：
- 基于时间： 按计划发送通知——早间简报、下班总结。
- 基于事件： 在数据变化时触发——新邮件、任务完成、阈值突破。
这两种方式都没有考虑用户的状态。早间简报会在你正沉浸于深度工作或忙着把孩子送出门时同样出现。紧急通知会在你认知可用或已经经历了三次上下文切换、处于超负荷状态时同样弹出。
这不仅令人烦恼——它是一种根本性的错位。代理在为自己的信息传递时间表进行优化，而不是为你的接受能力进行优化。这相当于一个不懂“读空气”的同事。
我们的系统提出了不同的假设：有效的干预需要对认知状态进行建模，而不仅仅是日历状态。我们正在构建能够学习行为模式的系统——当你处于探索模式、决策模式或维护模式时——并据此控制中断。但我们原本期待能找到验证这种方法的研究：关于注意力感知系统的前沿工作、干预时机的行为经济学研究，等等。
缺乏相关文献可能意味着：
- 研究问题确实新颖——没有人正式化“认知状态作为干预阈值”，因为能够学习个人行为模式的代理仍然非常新。
- 关键词不匹配——行为经济学家在不同的术语下研究此类问题（如“决策疲劳”“自我耗竭”“注意力闪烁”），这些术语在 AI 代理文献中并未出现。
在没有地图的情况下构建
当文献沉默时，你有两种选择：
选项 A
等待学术界提出框架，然后再针对它进行工程实现。安全、缓慢，保证你不是第一个尝试者。
选项 B
进行经验性构建。对系统进行监测，衡量有效的做法，让架构编码你所学到的内容。
我们正在采用 选项 B。我们的系统记录模式转换——当你从专注工作切换到零散浏览再到完全离开时——跟踪干预接受率，并根据你的模式调整门限阈值。这还不是科学——而是工程。我们不在发表关于最佳中断时机的论文；我们在交付能够学习你何时真正可接受干扰的系统，然后在你不接受时自动让位。
命名此事
我们正在构建的概念在文献中没有名称。认知负荷理论、打断科学和注意力经济学都围绕它，但没有人将它们综合成面向 AI 代理的工程框架。因此我们创造了一个名称：receptivity modeling。
Receptivity modeling 是构建一个系统的实践，该系统对某人在任意时刻是否愿意接受输入进行建模——不仅是该说什么，更是判断是否适合说任何话。它位于信号与传递之间，介于值得说的话与对方实际能够听到的时刻之间。
这个术语之所以重要，是因为它从用户的视角而非系统的视角为该事物命名。它暗示了一种模型——针对每个人学习的东西，而不是统一适用的规则。它的自然补充是 non‑receptive state suppression ——系统默认保持沉默，发声是需要理由的例外。这不是一种通知哲学，而是一种架构。
缺失中的机遇
在研究尚未涉足的领域进行构建有其独特优势：无需迎合学术共识的压力，也不必把你的架构强行套入已有框架中。然而，缺失同样意味着风险。也许没有人研究 AI 中断时机是因为它难以捉摸——过于个体化、情境依赖、变量众多。
我们持相反的观点：认知状态检测比语义理解更易处理。学习“当此人在深度工作时会忽略通知，但在卡住时会响应重新构建的约束”要比解析每个任务的语义含义更简单。
如果我们是对的，研究将随之而来。有人会把我们经验性的发现形式化，框架也会从数据中浮现。如果我们错了，我们会很快知道——用户会像对待电子邮件通讯一样可靠地忽视时机不佳的代理。
无论哪种情况，我们都在文献沉寂的空白处进行构建。我们称之为 receptivity modeling（感受性建模），据我们所知，我们是首批实现它的人。