SEAD : Agent auto-évolutif pour les dialogues de service multi-tours
SEAD: Self-Evolving Agent for Multi-Turn Service Dialogue
February 3, 2026
Auteurs: Yuqin Dai, Ning Gao, Wei Zhang, Jie Wang, Zichen Luo, Jinpeng Wang, Yujie Wang, Ruiyuan Wu, Chaozheng Wang
cs.AI
Résumé
Les grands modèles de langage ont démontré des capacités remarquables dans les dialogues en domaine ouvert. Cependant, les méthodes actuelles présentent des performances sous-optimales dans les dialogues de service, car elles reposent sur des données de conversation humaine bruyantes et de faible qualité. Cette limitation provient de la rareté des données et de la difficulté à simuler des comportements utilisateurs authentiques et orientés objectifs. Pour résoudre ces problèmes, nous proposons SEAD (Self-Evolving Agent for Service Dialogue), un cadre permettant aux agents d'apprendre des stratégies efficaces sans annotations humaines à grande échelle. SEAD découple la modélisation utilisateur en deux composants : un Contrôleur de Profil qui génère des états utilisateurs diversifiés pour gérer le curriculum d'apprentissage, et un Modèle de Jeu de Rôle Utilisateur qui se concentre sur un jeu de rôle réaliste. Cette conception garantit que l'environnement fournit des scénarios d'entraînement adaptatifs plutôt que d'agir comme un adversaire injuste. Les expériences démontrent que SEAD surpasse significativement les modèles de base open-source et les modèles commerciaux fermés, améliorant le taux de réalisation des tâches de 17,6% et l'efficacité du dialogue de 11,1%. Le code est disponible à l'adresse : 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.