Pepper

当前大多数AI助手仍停留在“你问，我答”的响应模式。一旦对话结束，系统即进入静默状态。而真正的生产力提升，需要的是能主动感知、持续执行、自主跟进的智能体。

为此，伯克利天空计算实验室推出 Pepper ——一种专为构建主动式个人AI助手而设计的实时事件驱动架构。它不仅能连接 Gmail 自动汇总重要邮件，还能在后台处理复杂任务，并在你需要时提供上下文支持。

更重要的是，Pepper 将完全开源，推动下一代主动智能体系统的开发与标准化。

OpenAI 推出 ChatGPT Pulse 预览版：每天一次主动推送的个性化简报

从“聊天机器人”到“主动协作者”

传统聊天机器人基于请求-响应模型：

1. 用户输入问题；
2. LLM 生成回复；
3. 对话暂停，等待下一轮输入。

这种模式适用于问答场景，但难以支撑长期、多线程的任务管理。

以 ChatGPT Pulse 等为代表的新一代系统正在转向事件驱动范式：AI 不再被动等待，而是持续监听外部信号，在后台异步执行任务，并根据变化自动推进流程。

实现这一转变的关键，在于底层架构的根本重构——从同步调用走向实时、非阻塞、可扩展的事件流处理系统。

Pepper 正是为此而生。

核心架构：感知 → 思考 → 执行

Pepper 基于模块化事件驱动设计，由三个核心组件构成闭环：

这三个组件通过统一的 上下文存储（Context Store） 进行通信，确保状态一致、解耦协作。

工作流程：持续演进的事件循环

1. 事件触发
   当新邮件到达或日历更新时，对应的信息源将其处理为结构化信号，写入上下文存储。
2. 事件入队
   调度器维护一个 FIFO 队列，订阅所有信息源事件。每个事件按优先级排队等待处理。
3. 调度决策
   调度器定期拉取一批事件，结合用户历史、记忆和当前任务上下文，通过一次 LLM 调用决定后续动作。
4. 异步执行
   若需调用工具或启动任务，调度器将指令分派给工作节点，自身立即返回主循环，继续处理新事件。
5. 结果回传
   工作节点完成任务后，将结果写回上下文存储，可能触发新的事件链。

整个过程形成一个非阻塞、持续运行的“感知-思考-执行”循环，使系统始终在线、实时响应。

关键技术创新

1. 异步工具调用：解决LLM API的阻塞瓶颈

主流 LLM 平台（如 OpenAI、Anthropic）采用同步工具调用机制：当 AI 调用函数时，必须等待返回结果才能继续对话。这会导致长时间任务阻塞事件循环，影响整体响应性。

Pepper 的解决方案是：将工具调用与 LLM 步骤解耦。

• 调度器将工具请求追加至对话历史；
• 立即释放控制权，继续处理其他事件；
• 工具在后台独立运行，完成后将结果写入上下文；
• 下一轮调度时，LLM 自动看到已完成的操作，无需重复判断。

这种方式实现了真正的并行处理，显著提升了系统吞吐能力。

2. 信息源：高信噪比的输入过滤器

调度器的性能取决于输入质量。如果被低优先级事件淹没，关键信号会被稀释。

因此，Pepper 设计了分层信息源机制：

• 轻量级信息源
  如“重要邮件检测”：通过规则匹配发件人、关键词和紧急程度，将原始邮件提炼为一条简洁可操作信号。
• 复杂信息源
  可集成完整 AI 子系统，例如分析团队 Slack 对话，识别项目风险点，在达到阈值时生成工单。

这些信息源作为“接缝”，允许不同团队独立负责特定数据流的质量，而无需理解中央调度逻辑。

未来还可扩展为预测性信息源：基于行为模式预判需求，提前准备会议材料或提醒事项。

3. 工作节点：有状态与无状态双模式执行

根据任务特性，Pepper 支持两种类型的工作节点：

所有节点通过 MCP（Model Control Protocol）调用工具集，具备读写邮件、操作日历、搜索网络等能力。

4. 上下文存储：系统的协调中枢

上下文存储是 Pepper 的基础设施核心，承担三大职能：

• ✅ 状态共享：各组件可在统一空间读写状态；
• ✅ 实时服务：保证最新数据即时可用；
• ✅ 事件驱动：数据变更可触发下游动作。

它提供简单 API 接口，支持存储、检索和订阅事件，极大降低了构建主动智能体的复杂度。

开放愿景：让每个人都能构建自己的主动助手

Pepper 不只是一个产品，更是一个可复用的架构模板。我们希望通过开源以下内容，降低主动智能体的开发门槛：

• 完整的事件驱动框架代码；
• 示例信息源（邮件、日历）；
• 工作节点 SDK 与工具集成规范；
• 上下文存储参考实现；

目标是让开发者可以快速搭建专属的主动式AI助手，无论是用于个人效率、企业自动化还是教育辅助。