本文探讨了多模态人工智能代理YETI在日常任务中的主动干预能力，弥补了被动模型的不足。YETI通过分析视频帧的结构相似性信号，智能识别介入时机，显著提升用户在增强现实环境中的任务完成效率与体验。

该研究通过引入因果图模型来建模状态生成过程，并通过主动干预学习环境，优化衍生目标的框架。实验结果表明，该方法在故障报警环境中有效且稳健，超越了最先进的基准方法。