Vendedor-IA: Hacia un Telemercadeo Confiable Impulsado por Modelos de Lenguaje Grande
AI-Salesman: Towards Reliable Large Language Model Driven Telemarketing
November 15, 2025
Autores: Qingyu Zhang, Chunlei Xin, Xuanang Chen, Yaojie Lu, Hongyu Lin, Xianpei Han, Le Sun, Qing Ye, Qianlong Xie, Xingxing Wang
cs.AI
Resumen
El diálogo persuasivo orientado a objetivos, ejemplificado por aplicaciones como la televenta, requiere una planificación multifase sofisticada y una estricta fidelidad factual, lo que sigue siendo un desafío importante incluso para los Modelos de Lenguaje a Gran Escala (LLMs) más avanzados. La falta de datos específicos de la tarea a menudo limita trabajos anteriores, y la aplicación directa de LLMs adolece de fragilidad estratégica y alucinación factual. En este artículo, primero construimos y publicamos TeleSalesCorpus, el primer conjunto de datos de diálogos basado en escenarios del mundo real para este dominio. Luego proponemos AI-Salesman, un marco novedoso que presenta una arquitectura de doble etapa. Para la etapa de entrenamiento, diseñamos un algoritmo de aprendizaje por refuerzo supervisado bayesiano que aprende estrategias de venta robustas a partir de diálogos ruidosos. Para la etapa de inferencia, presentamos el Agente Guiado por Esquema Dinámico (DOGA), que aprovecha una biblioteca de guiones preconstruida para proporcionar una guía estratégica dinámica y turno por turno. Además, diseñamos un marco de evaluación integral que combina métricas detalladas para habilidades clave de venta con el paradigma LLM-como-Juez. Los resultados experimentales demuestran que nuestro AI-Salesman propuesto supera significativamente a los modelos baseline tanto en métricas automáticas como en evaluaciones humanas integrales, mostrando su eficacia en escenarios persuasivos complejos.
English
Goal-driven persuasive dialogue, exemplified by applications like telemarketing, requires sophisticated multi-turn planning and strict factual faithfulness, which remains a significant challenge for even state-of-the-art Large Language Models (LLMs). A lack of task-specific data often limits previous works, and direct LLM application suffers from strategic brittleness and factual hallucination. In this paper, we first construct and release TeleSalesCorpus, the first real-world-grounded dialogue dataset for this domain. We then propose AI-Salesman, a novel framework featuring a dual-stage architecture. For the training stage, we design a Bayesian-supervised reinforcement learning algorithm that learns robust sales strategies from noisy dialogues. For the inference stage, we introduce the Dynamic Outline-Guided Agent (DOGA), which leverages a pre-built script library to provide dynamic, turn-by-turn strategic guidance. Moreover, we design a comprehensive evaluation framework that combines fine-grained metrics for key sales skills with the LLM-as-a-Judge paradigm. Experimental results demonstrate that our proposed AI-Salesman significantly outperforms baseline models in both automatic metrics and comprehensive human evaluations, showcasing its effectiveness in complex persuasive scenarios.