本文第一作者為清華大學計算機系本科生錢成，何秉翔。兩人均為 THUNLP 成員。錢成主要研究興趣為工具學習，大模型驅(qū)動智能體，即將就讀 UIUC 博士。何秉翔主要研究興趣為大模型對齊與安全，即將就讀清華大學博士。本文通訊作者為從鑫與林衍凱，指導教師為劉知遠副教授。

在人工智能迅猛發(fā)展的今天，我們不斷探索著機器的智能化，但卻往往忽視了這些智能體如何深層地理解我們 —— 它們的創(chuàng)造者。我們?nèi)祟愒谏钪械拿恳淮位?，每一句話語，每一個行為，都充斥著意圖和情感。但真正的挑戰(zhàn)在于：這些隱式的意圖如何被智能體捕捉、解析并作出反應？傳統(tǒng)的智能體對明確的命令反應迅速，然而在理解復雜的人類隱式意圖上，它們往往顯得力不從心。

近年來，GPT 和 LLaMA 等語言模型展示了在解決復雜任務上的驚人能力。然而，盡管以它們作為核心的智能體擅長制定策略、執(zhí)行任務，卻很少兼顧魯棒的用戶交互策略。用戶給出的任務通常是模糊和簡短的，這就需要智能體不僅能理解我們的字面請求，更要能透視我們的隱式意圖。

因此，讓新一代的智能體落地并為大眾所用，需要以人為中心，不僅僅關(guān)注于任務執(zhí)行的精確度，更關(guān)注于如何與人類建立起一種更加自然、流暢而富有洞察力的溝通方式。

為了彌補這一缺失，近期來自清華大學、人民大學、以及騰訊的聯(lián)合團隊提出了一種全新的智能體交互設(shè)計方案。該工作首先引入了 Intention-in-Interaction（IN3）這一全新的基準測試，旨在通過與用戶明確的交互來理解用戶的隱式意圖。

以 Mistral-7B 為框架，基于 IN3 訓練的 Mistral-Interact 能主動評估任務的模糊性，詢問用戶意圖，并在啟動下游智能體任務執(zhí)行之前將其細化為可操作的目標。將該模型嵌入 XAgent 框架后，文章對完全態(tài)的智能體系統(tǒng)進行了全面評估。

結(jié)果顯示，這套方案在識別模糊用戶任務、恢復和總結(jié)關(guān)鍵缺失信息、設(shè)定精確且必要的智能體執(zhí)行目標、以及減少冗余工具使用等諸多方面有著突出表現(xiàn)。這一創(chuàng)新的方法，不僅填補了智能體與用戶交互的空白，將人類真正置于智能體設(shè)計的中心，同時意味著我們正在向著設(shè)計更加符合人類意圖的智能體的目標邁進一步。

• 論文標題：Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents
• 論文鏈接：https://arxiv.org/abs/2402.09205
• 代碼倉庫：https://github.com/HBX-hbx/Mistral-Interact
• 開源模型：https://huggingface.co/hbx/Mistral-Interact
• 開源數(shù)據(jù)集：https://huggingface.co/datasets/hbx/IN3

智能體系統(tǒng)對于模糊任務和清晰任務執(zhí)行的對比

Intention-in-Interaction 基準測試

當前的智能體基準測試通常假設(shè)給定的任務是清晰的，并沒有把用戶意圖理解當作評估的重要方面。鑒于評估指標的不完備性，該工作制定了 Intention-in-Interaction（IN3）基準測試，旨在通過明確的任務模糊性判斷和用戶意圖理解來評測智能體的交互能力。

IN3 基準數(shù)據(jù)的構(gòu)造過程

如上圖所示，基于人類編寫的種子任務為 Step 1，模型迭代生成新任務以增強數(shù)據(jù)集，同時從數(shù)據(jù)集中采樣以作為下一輪生成的新示例（Step 2）。在這種 Self-Instruct 的生成方式后，再對每個任務的模糊度、缺失細節(jié)以及每個細節(jié)的重要程度和潛在的選項進行人工標注（Step 3）。

Mistral-Interact 訓練過程

由于大語言模型處于智能體設(shè)計的核心位置，該工作首先進行了一項初步研究，評估當前開源和閉源模型在交互過程中的隱式意圖理解能力。

具體地，文章從 IN3 中隨機抽取了十個任務，將它們應用于測試 LLaMA-2-7B-Chat、Mistral-7B-Instruct-v0.2 和 GPT-4 并指示這些模型 i）判斷任務的模糊度，ii）在任務模糊時詢問用戶缺失的細節(jié)，iii）總結(jié)詳細的用戶任務。

隱式意圖理解初步研究中各個模型的定量與定性結(jié)果展示

由結(jié)果可見，Mistral 在一定程度上表現(xiàn)更好，但仍然存在對人類意圖理解不足的問題。相比之下，GPT-4 在任務模糊度和重要缺失細節(jié)方面與人類意圖最為接近。同時，初步探索也表明，為了進一步提升智能體在交互中的隱式意圖理解能力，單純的提示工程（prompt engineering）是不夠的，有必要以當前開源模型為基礎(chǔ)，進一步訓練，以達到可以在智能體落地應用的程度。

訓練數(shù)據(jù)（IN3 對話記錄）的構(gòu)造過程

參照上圖，根據(jù) IN3 關(guān)于任務模糊度、缺失細節(jié)和潛在選項的標注，文章在構(gòu)建對話記錄過程中應用了若干策略（橙色框），其中包括：清晰初始推理鏈的構(gòu)造、帶有建議選項的詢問構(gòu)造、不同用戶回答語氣的構(gòu)造、以及清晰總結(jié)推理鏈的構(gòu)造。這幾種對話構(gòu)造策略將更好地激發(fā)目標模型的詢問以及推理能力。

智能體交互能力全面評估

智能體的隱式意圖理解能力既可以通過用戶交互來直接評估，也可以通過智能體執(zhí)行下游任務來間接評估。其中，用戶交互關(guān)注意圖理解本身，而任務執(zhí)行關(guān)注意圖理解的最終目的，即增強智能體處理任務的能力。

因此，為了全面評估可交互智能體設(shè)計，文章將實驗分為兩個部分：i）指令理解：評估智能體在用戶交互期間的意圖理解能力；ii）指令執(zhí)行：評估集成了交互模型后智能體的任務執(zhí)行表現(xiàn)。

指令理解并不涉及任何實時的智能體執(zhí)行，因此文章直接評估了不同語言模型在交互過程中的表現(xiàn)，以判斷其作為智能體設(shè)計中的上游模塊的交互能力，結(jié)果如下表所示：

指令理解測試結(jié)果，其中箭頭代表得分越高 / 越低則能力更強

結(jié)果表明，Mistral-Interact 能夠更好地理解用戶的意圖，在判斷任務模糊度以及缺失細節(jié)的覆蓋率等指標上表現(xiàn)最佳，而且能夠基于詳細的用戶意圖進行明確而全面的總結(jié)。相較于其他開源模型，Mistral-Interact 在詢問模糊任務中的缺失細節(jié)方面能提供更加合理的選項，詢問方式更加友好，并與 GPT-4 的表現(xiàn)不相上下。

在指令執(zhí)行方面，為了評估隱式意圖理解對于智能體任務執(zhí)行有效性，文章將 Mistral-Interact 作為上游交互模塊整合到 XAgent 框架中進行測試。其中，XAgent 可以在諸如網(wǎng)絡(luò)搜索、代碼執(zhí)行、命令行和文件系統(tǒng)等環(huán)境中進行交互。

指令執(zhí)行測試結(jié)果 (ST 代表 subtask，MS 代表 milestone)

上表呈現(xiàn)了智能體任務執(zhí)行的定量評估結(jié)果，結(jié)果表明整合 Mistral-Interact 有助于：i）在執(zhí)行過程中避免設(shè)定不必要的目標，ii）使智能體的執(zhí)行過程更加符合詳細的用戶意圖，以及 iii）減少不必要的工具調(diào)用，促進智能體工具使用效率。

智能體交互案例分析

在指令理解方面，為了進一步展示 Mistral-Interact 在不同對話場景下的魯棒性，文章還提供了三個案例分析。

Mistral-Interact 與用戶在不同場景下的案例分析

案例 A 展示了不同用戶語氣和對話風格對 Mistral-Interact 的影響。文章發(fā)現(xiàn)，無論用戶的回答是簡短還是詳細，熱情還是冷漠，甚至包含拼寫錯誤，Mistral-Interact 都能準確理解并提供適當?shù)幕貞?，證明了其魯棒性。

在案例 B 測試了當用戶表現(xiàn)出不合作的態(tài)度時，Mistral-Interact 是否能夠繼續(xù)追問并引導對話回到正軌。結(jié)果顯示，即使用戶回避問題，其仍然能夠有效地重新引導對話。

在案例 C 中可以觀察到 Mistral-Interact 可以將用戶提供的額外信息納入總結(jié)，而這些信息并沒有被交互模型明確詢問。這表明，當模型的詢問無法完全覆蓋缺失細節(jié)或用戶有特定要求時，模型仍然能夠合理而全面地總結(jié)所有用戶意圖，從而使其更加用戶友好。

在指令執(zhí)行方面，為了更清晰闡明 Mistral-Interact 的作用，下圖中提供了一個比較的案例研究。

智能體與 Mistral-Interact 交互前后的執(zhí)行過程的案例研究

根據(jù)上圖中標記為淺紅色的文本，可以發(fā)現(xiàn)當用戶的目標模糊時，XAgent 無法準確設(shè)定精確反映用戶需求的子任務。根據(jù)標記為紫色的文本，可以發(fā)現(xiàn) XAgent 時常會設(shè)置一些不必要的子任務。這些均因為用戶的任務過于模糊而無法執(zhí)行，智能體傾向于虛構(gòu)一些不必要的細節(jié)，從而與用戶的真實意圖不符。

相比之下，在與 Mistral-Interact 進行積極交互后，明確的任務目標能夠讓 XAgent 制定更具體的子任務。圖中標記為綠色的文本展示了這種一致性。同時，智能體執(zhí)行流程變得更加簡單，工具調(diào)用次數(shù)也有所減少。所有這些都反映了一個更加高效的智能體執(zhí)行過程。

結(jié)語

我們正站在一個全新的起點，準備見證一個人機協(xié)同、相互理解與學習的新篇章。智能體即將不再是冰冷的信息處理器，而是充滿同理心的伙伴，它們能夠通過細膩的交互體驗，深刻理解我們背后可能并沒有最初明確表達的需求和愿望。這場以人為中心的智能體設(shè)計革命，將揭示出交互中的無限可能性，進而讓智能體真正成為我們生活中不可或缺的助力。