Naukowcy sformułowali problem nabycia kontekstu przez agentów AI jako problem active inference, który elegancko rozwiązuje napięcie między szybkością działania a pełną informacją. Kiedy użytkownik pominije ograniczenie, preferencję czy zmienną zadania, agent musi zdecydować: proceed z założeniami domyślnymi czy wydać tokeny na pytanie wyjaśniające, pobranie danych lub próbę prompt'a. Framework opiera się na wewnętrznym kroku inferencji aktualizującym przekonania o ukrytym stanie zadania oraz zewnętrznej decyzji wybierającej następne działanie - pyta o kontekst, wykonuje akcję zadania albo zatrzymuje się - wszystko po to, by minimalizować oczekiwaną wolną energię z uwzględnieniem kosztów.
Badacze przetestowali swoje podejście w ramach Optimal Question Asking (OQA) z dokładnymi posteriorem oraz dynamicznym programowaniem, benchmarkując modele takie jak GPT czy Claude na binarnych i wielokategoriowych zadaniach od 25 do 300 kandydatów. Testowali również scenariusz wyjaśniania przed generacją oraz zautomatyzowaną optymalizację promptów pod budżety tokenowe. Wyniki wskazują, że inteligentne pytania mogą być bardziej efektywne niż domysły, zwłaszcza w zadaniach o wysokiej niepewności.
Znaczenie tego pracy leży w tym, że active inference może stać się ogólną zasadą projektowania warstwy nabycia kontekstu dla każdego agenta AI, niezależnie od konkretnego modelu. Takie podejście mogłoby poprawić praktyczne zastosowania agentów poprzez zmniejszenie błędnych założeń i niepotrzebnych tokenów, jednocześnie utrzymując interakcje na optymalnym poziomie szczegółowości.