本文提出了一种名为Proactive Chain-of-Thought的推导方案，旨在提升大型语言模型（LLMs）在主动对话中的目标规划能力。研究分析了LLMs与用户需求之间的差距，并引入记忆共享框架以改善开放性问题的性能。实证验证显示，现有模型在处理长期对话和模糊查询时存在挑战，而新检索模型显著提升了效果。此外，研究探讨了多模态LLMs在对话中的沟通效率及其评估框架ClarQ-LLM。