蘋果iPrefBench：測Agent的追問分寸

推斷還是追問

以預訂常去的餐廳為例：智能體可以從歷史記錄判斷是哪家餐廳，這類資訊已經明確；但聚餐時間、人數等要素則需要確認。如果擅自猜測，可能偏離用戶真實意圖；如果連已知資訊也反覆追問，自動化流程會變得冗長，降低使用效率。

這個判斷問題並非單純的技術細節，而是決定個人智能體能否讓用戶放心的關鍵。推斷太激進會損害信任，太保守則令自動化名存實亡，兩者都影響實際體驗。

iPrefBench設計

該基準運行在可執行的iOS環境中，包含26個應用與130個未完全指定的任務，並圍繞同一用戶的偏好設定構建場景。任務刻意留有資訊缺口，用來檢驗智能體能否區分哪些資訊可從歷史推斷、哪些必須向用戶確認。

意義與展望

這類基準把『何時開口問』變成可量化的測試對象，有助推動智能體從單純執行指令，邁向真正理解用戶偏好。隨著個人智能體日益普及，這種判斷能力的優劣將直接影響產品可用性與用戶信任。