AI-Salesman: Rumo a um Sistema de Telemarketing Confiável Baseado em Modelos de Linguagem de Grande Porte
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
Resumo
O diálogo persuasivo orientado a objetivos, exemplificado por aplicações como o telemarketing, requer um planeamento sofisticado de múltiplos turnos e uma rigorosa fidelidade factual, o que continua a ser um desafio significativo mesmo para os mais avançados Modelos de Linguagem de Grande Escala (LLMs). A falta de dados específicos da tarefa frequentemente limita trabalhos anteriores, e a aplicação direta de LLMs sofre de fragilidade estratégica e alucinação factual. Neste artigo, construímos e disponibilizamos primeiro o TeleSalesCorpus, o primeiro conjunto de dados de diálogo baseado no mundo real para este domínio. Propomos depois o AI-Salesman, um novo quadro conceptual com uma arquitetura de duplo estágio. Para a fase de treino, concebemos um algoritmo de aprendizagem por reforço supervisionado Bayesiano que aprende estratégias de vendas robustas a partir de diálogos ruidosos. Para a fase de inferência, introduzimos o Agente Guiado por Esquema Dinâmico (DOGA), que aproveita uma biblioteca de scripts pré-construída para fornecer orientação estratégica dinâmica, turno a turno. Além disso, concebemos um quadro de avaliação abrangente que combina métricas de granularidade fina para competências-chave de vendas com o paradigma LLM-como-Juiz. Os resultados experimentais demonstram que o nosso AI-Salesman proposto supera significativamente os modelos de base tanto em métricas automáticas como em avaliações humanas abrangentes, mostrando a sua eficácia em cenários persuasivos complexos.
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.