本研究提出了一种创新的数据驱动方法，将大型语言模型代理从反应式转变为主动协助。通过收集人类活动数据生成任务预测，并训练奖励模型，经过微调的模型在主动提供协助方面取得了66.47%的F1得分，显著提升了代理系统的效能。

本文提出了一种基于因果世界模型的可解释强化学习框架，旨在捕捉行为的长期影响并提高模型的可解释性。研究表明，该框架在任务预测和信任方面表现优越，并探讨了因果结构学习与策略指导的结合，提出了新的探索方法，提升了强化学习的有效性和稳健性。