AI-Salesman: в направлении создания надежной системы телемаркетинга на базе больших языковых моделей

AI-Salesman: Towards Reliable Large Language Model Driven Telemarketing

November 15, 2025

Авторы: Qingyu Zhang, Chunlei Xin, Xuanang Chen, Yaojie Lu, Hongyu Lin, Xianpei Han, Le Sun, Qing Ye, Qianlong Xie, Xingxing Wang

cs.AI

Аннотация

Целенаправленный убеждающий диалог, примером которого служат такие приложения, как телемаркетинг, требует сложного многоходового планирования и строгого фактического соответствия, что остается серьезной проблемой даже для передовых больших языковых моделей (LLM). Нехватка данных, специфичных для задачи, часто ограничивала предыдущие работы, а прямое применение LLM страдает от стратегической хрупкости и фактических галлюцинаций. В данной статье мы сначала создаем и публикуем TeleSalesCorpus — первый основанный на реальных данных диалоговый набор для этой предметной области. Затем мы предлагаем AI-Salesman, новую архитектуру с двухэтапной структурой. Для этапа обучения мы разрабатываем алгоритм байесовского обучения с подкреплением, который изучает надежные продажные стратегии из зашумленных диалогов. Для этапа вывода мы представляем агента с динамическим управлением по сценарию (Dynamic Outline-Guided Agent, DOGA), который использует предварительно созданную библиотеку сценариев для обеспечения динамического, покомандного стратегического руководства. Кроме того, мы разрабатываем комплексную систему оценки, сочетающую детализированные метрики для ключевых продажных навыков с парадигмой «LLM-как-эксперт». Результаты экспериментов демонстрируют, что предложенная модель AI-Salesman значительно превосходит базовые модели как по автоматическим метрикам, так и в комплексных экспертных оценках, подтверждая ее эффективность в сложных убеждающих сценариях.

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.