SEAD: Agente de Auto-Evolución para Diálogos de Servicio Multi-Turn
SEAD: Self-Evolving Agent for Multi-Turn Service Dialogue
February 3, 2026
Autores: Yuqin Dai, Ning Gao, Wei Zhang, Jie Wang, Zichen Luo, Jinpeng Wang, Yujie Wang, Ruiyuan Wu, Chaozheng Wang
cs.AI
Resumen
Los Modelos de Lenguaje a Gran Escala han demostrado capacidades notables en diálogos de dominio abierto. Sin embargo, los métodos actuales presentan un rendimiento subóptimo en diálogos de servicio, ya que dependen de datos de conversación humana ruidosos y de baja calidad. Esta limitación surge de la escasez de datos y la dificultad para simular comportamientos de usuario auténticos y orientados a objetivos. Para abordar estos problemas, proponemos SEAD (Agente de Auto-Evolución para Diálogo de Servicio), un marco que permite a los agentes aprender estrategias efectivas sin necesidad de anotaciones humanas a gran escala. SEAD desacopla el modelado del usuario en dos componentes: un Controlador de Perfil que genera estados de usuario diversos para gestionar el currículum de entrenamiento, y un Modelo de Representación de Roles de Usuario que se centra en la representación realista de roles. Este diseño garantiza que el entorno proporcione escenarios de entrenamiento adaptativos en lugar de actuar como un adversario injusto. Los experimentos demuestran que SEAD supera significativamente a los Modelos Base de Código Abierto y a los Modelos Comerciales de Código Cerrado, mejorando la tasa de finalización de tareas en un 17.6% y la eficiencia del diálogo en un 11.1%. El código está disponible en: https://github.com/Da1yuqin/SEAD.
English
Large Language Models have demonstrated remarkable capabilities in open-domain dialogues. However, current methods exhibit suboptimal performance in service dialogues, as they rely on noisy, low-quality human conversation data. This limitation arises from data scarcity and the difficulty of simulating authentic, goal-oriented user behaviors. To address these issues, we propose SEAD (Self-Evolving Agent for Service Dialogue), a framework that enables agents to learn effective strategies without large-scale human annotations. SEAD decouples user modeling into two components: a Profile Controller that generates diverse user states to manage training curriculum, and a User Role-play Model that focuses on realistic role-playing. This design ensures the environment provides adaptive training scenarios rather than acting as an unfair adversary. Experiments demonstrate that SEAD significantly outperforms Open-source Foundation Models and Closed-source Commercial Models, improving task completion rate by 17.6% and dialogue efficiency by 11.1%. Code is available at: https://github.com/Da1yuqin/SEAD.