AI-Salesman: Op weg naar betrouwbare telemarketing aangedreven door grote taalmodellen
AI-Salesman: Towards Reliable Large Language Model Driven Telemarketing
November 15, 2025
Auteurs: Qingyu Zhang, Chunlei Xin, Xuanang Chen, Yaojie Lu, Hongyu Lin, Xianpei Han, Le Sun, Qing Ye, Qianlong Xie, Xingxing Wang
cs.AI
Samenvatting
Doelgerichte persuasieve dialoog, geïllustreerd door toepassingen zoals telemarketing, vereist geavanceerde meerzijdige planning en strikte feitelijke nauwkeurigheid, wat een aanzienlijke uitdaging blijft, zelfs voor state-of-the-art Large Language Models (LLM's). Een gebrek aan taakspecifieke data beperkt vaak eerder onderzoek, en directe toepassing van LLM's lijdt onder strategische broosheid en feitelijke hallucinaties. In dit artikel construeren en publiceren we eerst TeleSalesCorpus, de eerste op realistische gegevens gebaseerde dialoogdataset voor dit domein. Vervolgens stellen we AI-Salesman voor, een nieuw raamwerk met een dual-stage architectuur. Voor de trainingsfase ontwerpen we een Bayes-gesuperviseerd reinforcement learning-algoritme dat robuuste verkoopstrategieën leert uit onzuivere dialogen. Voor de inferentiefase introduceren we de Dynamic Outline-Guided Agent (DOGA), die gebruikmaakt van een vooraf opgebouwde scriptbibliotheek om dynamische, beurt-voor-beurt strategische begeleiding te bieden. Bovendien ontwerpen we een uitgebreid evaluatieraamwerk dat fijnmazige metrieken voor essentiële verkoopvaardigheden combineert met het LLM-as-a-Judge paradigma. Experimentele resultaten tonen aan dat onze voorgestelde AI-Salesman baseline-modellen significant overtreft in zowel automatische metrieken als uitgebreide humane evaluaties, wat de effectiviteit ervan in complexe persuasieve scenario's aantoont.
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.