Адаптивное уточнение ответов в разговорных системах с использованием множественных агентов

Adaptive Multi-Agent Response Refinement in Conversational Systems

November 11, 2025

Авторы: Soyeong Jeong, Aparna Elangovan, Emine Yilmaz, Oleg Rokhlenko

cs.AI

Аннотация

Крупные языковые модели (LLM) продемонстрировали впечатляющие успехи в диалоговых системах, генерируя ответы, подобные человеческим. Однако они могут давать сбои, особенно когда требуется учет персонализации или специфических знаний. В реальных условиях непрактично полагаться на то, что пользователи будут обнаруживать эти ошибки и запрашивать новый ответ. Один из способов решения этой проблемы — дорабатывать ответ перед его возвратом пользователю. В то время как существующие подходы сосредоточены на улучшении ответов в рамках одной LLM, этот метод испытывает трудности с учетом разнообразных аспектов, необходимых для эффективной беседы. В данной работе мы предлагаем дорабатывать ответы с помощью мульти-агентного фреймворка, где каждому агенту назначается определенная роль для каждого аспекта. Мы фокусируемся на трех ключевых аспектах, crucial для качества диалога: фактической точности, персонализации и связности. Каждый агент отвечает за проверку и улучшение одного из этих аспектов, а их обратная связь затем объединяется для совершенствования общего ответа. Для улучшения collaboration между ними мы вводим динамическую стратегию коммуникации. Вместо следования фиксированной последовательности агентов наш подход адаптивно выбирает и координирует наиболее релевантных агентов на основе конкретных требований каждого запроса. Мы проверяем наш фреймворк на сложных диалоговых наборах данных, демонстрируя, что он значительно превосходит соответствующие базовые методы, особенно в задачах, связанных со знаниями, пользовательской персоной или их комбинацией.

English

Large Language Models (LLMs) have demonstrated remarkable success in conversational systems by generating human-like responses. However, they can fall short, especially when required to account for personalization or specific knowledge. In real-life settings, it is impractical to rely on users to detect these errors and request a new response. One way to address this problem is to refine the response before returning it to the user. While existing approaches focus on refining responses within a single LLM, this method struggles to consider diverse aspects needed for effective conversations. In this work, we propose refining responses through a multi-agent framework, where each agent is assigned a specific role for each aspect. We focus on three key aspects crucial to conversational quality: factuality, personalization, and coherence. Each agent is responsible for reviewing and refining one of these aspects, and their feedback is then merged to improve the overall response. To enhance collaboration among them, we introduce a dynamic communication strategy. Instead of following a fixed sequence of agents, our approach adaptively selects and coordinates the most relevant agents based on the specific requirements of each query. We validate our framework on challenging conversational datasets, demonstrating that ours significantly outperforms relevant baselines, particularly in tasks involving knowledge or user's persona, or both.