docs(blog): refine proactive section wording in zh reme-blog (#438)

docs/zh/reme-blog.md

@@ -231,7 +231,7 @@ Agent 不需要把 Alice 的全部档案、所有读书笔记和整个月的日
 
 这更像人的联想过程：先想起一个片段，再顺藤摸瓜找到完整上下文。
 
-## Proactive：从你的记忆里，发现那些尚未说出口的兴趣
+## Proactive：从你的记忆里，发现那些尚未说出口的需要
 
 <p align="center">
   <img src="../figure/reme-blog/reme-blog-proactive.svg" alt="ReMe Proactive 内外双向记忆循环" width="100%">
@@ -242,7 +242,7 @@ Agent 不需要把 Alice 的全部档案、所有读书笔记和整个月的日
 - Auto Memory 从持续发生的对话中沉淀个人上下文；
 - Auto Resource 通过 Daily Paper 从外部资料中补充新的知识，未来还会支持更多资源工作流。
 
-Proactive 则把方向反过来：它从已经积累的对话和资料中，发现你反复关注、仍未解决或可能希望继续推进的主题。
+Proactive 则把方向反过来：它从已经积累的对话和资料中，发现你仍未解决或可能希望继续推进的主题，以及你尚未关注，但却与你近期工作紧密相关的信息。从而反哺输入流，为外部知识的补充指明新的路径。
 
 例如，你最近一周分别聊过：
 
@@ -250,10 +250,10 @@ Proactive 则把方向反过来：它从已经积累的对话和资料中，发
 - 长文档切片后容易失去章节上下文；
 - 想比较几种 Agent Memory 评测方法。
 
-你从未明确说“帮我系统研究记忆检索的可解释性”，但 Auto Dream 可以从这些 daily 记忆中提炼出一个兴趣主题：
+尽管你从未明确说“帮我系统研究记忆检索的可解释性”，但 Auto Dream 可以从这些 daily 记忆中提炼出一个兴趣主题：
 
 ```yaml
-title: 记忆检索的可解释性与质量评测
+title: 记忆检索的可解释性评估
 reason: 用户近期持续关注来源追溯、结构化切片和记忆评测。
 evidence: daily/2026-08-07/search-discussion.md
 keywords:
@@ -262,12 +262,12 @@ keywords:
   - benchmark
 ```
 
-上层 Agent 通过 Proactive 读取这个主题后，可以选择在合适的时机追问：“要不要把最近讨论过的检索问题整理成一份评测方案？”也可以据此启动一个经过用户授权的资料收集流程，让外部新知识围绕真正的个人兴趣反向进入知识库。
+在未来的beta版本中，上层 Agent将会 通过 Proactive 读取这个主题后，可以选择在合适的时机追问：“要不要把最近讨论过的检索问题整理成一份评测方案？”也可以据此启动一个经过用户授权的资料收集流程。不需要用户思考并显示指定自己的兴趣关键词与范围，与会话中潜在体现需求相关的外部资料也会源源不断进入知识库。
 
 这里有一个重要边界： **ReMe 的 Proactive 本身只读取并暴露兴趣主题，不会擅自联网、推送或改写知识库。** 是否提醒、何时提醒、是否继续收集资料，由上层
 Agent 和产品策略决定。
 
-它不是凭空猜测你的兴趣，而是让那些已经出现在行为和对话中、却还没有被明确表达的线索浮出水面。
+它不是凭空猜测你的需要，而是让那些已经出现在行为和对话中、却还没有被明确表达的线索浮出水面。
 
 ## ReMe 能帮谁？