2401.02777.md

背景

• 背景
  文章介绍了LLMs (如GPT-4) 作为人工智能进步向人工通用智能(AGI)方向迈进的关键组成部分。尽管LLMs在很多任务上都表现出色，但如何将它们整合成能够维持连贯、有意识、目的性强的会话代理是个复杂的挑战。

• 已有的工作 现有的框架虽然利用了LLMs的优势，但在对话设置中依然存在局限性，尚未满足更复杂会话综合需求。

核心贡献

• 提出了一个称为RAISE的架构

  • 挑战1：建立一个类似于人脑的双组件记忆系统以维持对话的连贯性和上下文 RAISE在ReAct框架的基础上增加了scratchpad和retrieved examples，作为短期和长期记忆功能，以提高代理的适应性和可控性。

  • 挑战2：构建一个完整的代理构建场景以确保在真实世界互动中的真实性和相关性 RAISE通过一系列阶段导向方法，包括会话选择、场景提取、思维链完成和场景增强，直至LLMs训练阶段，有效地提升了代理在语言处理、情境感知和适应能力方面的性能。

实现与部署

研究者们在房地产销售上的内部数据集上进行了实验评估，显示RAISE超越了传统的会话代理，具备处理复杂多轮对话的能力，并且对上下文的适应性和感知能力有明显提升。尽管这些实验专注于房地产领域，但RAISE框架的原则和方法是通用的，可广泛适用于不同场景。

总结

本论文介绍了RAISE框架，通过增强记忆系统和结构化的代理构建过程，提高了LLMs在多轮对话中的表现，尤其是在房地产销售情境中。