会话系统中自适应多智能体响应优化

大型语言模型（LLM）通过生成类人响应，在对话系统中取得了显著成功。然而，它们也可能表现不佳，尤其是在需要考虑个性化或特定知识时。在现实生活中，指望用户检测这些错误并请求新响应是不切实际的。解决这个问题的一种方法是在将响应返回给用户之前对其进行 refinement（精炼）。现有方法侧重于在单个LLM中精炼响应，但这种方法难以考虑有效对话所需的各个方面。在这项工作中，我们提出通过多智能体框架精炼响应，其中每个智能体被分配一个针对一个特定方面的角色。我们关注对话质量的三个关键方面：事实性、个性化和连贯性。每个智能体负责审查和精炼这些方面之一，然后将它们的反馈合并以改进整体响应。为了加强它们之间的协作，我们引入了一种动态通信策略。我们的方法不遵循固定的智能体序列，而是根据每个查询的具体要求，自适应地选择和协调最相关的智能体。我们在具有挑战性的对话数据集上验证了我们的框架，证明我们的方法显著优于相关基线，特别是在涉及知识或用户角色或两者的任务中。