2312.00763.md

背景

• 背景
  文章介绍了大型语言模型（LLM）驱动的聊天机器人主要基于文本，并在进行探索性或理解性任务时，如规划旅程或了解一个新城市，会给用户带来较大的交互认知负载。由于交互全是文本的，用户几乎没有结构化的信息“气味”可以参考，也无法指定高层次的偏好或目标。对此，本文提出了ExploreLLM系统，这个系统允许用户结构化自己的思考，帮助探索不同选项，导航通过选择和推荐，并更容易引导模型生成更个性化的响应。

• 已有的工作 尽管已有研究显示提升了LLM的引导式方法能够解锁LLM的推理和计划能力，但用户和基于LLM的助手之间的交互模式基本上没有变化。尽管有证据表明用户在向助手传达复杂任务时遇到困难，目前的聊天机器人还是给出基于“普通用户”的普通回复，导致用户无法完全利用AI助手完成任务的潜力。

核心贡献

• 提出了一个新的与LLM交互的模式
  • 挑战1：结构化复杂任务：传统的聊天机器人交互模式面对复杂的用户任务时，用户需要承担高额的认知负担。ExploreLLM系统引入了一个树状数据结构的交互模式，通过任务的分解将一个复杂的问题转化为一系列更易于处理的子任务，并使用图形用户界面呈现给用户，以减轻用户的心智负荷，还可以让用户结构化自己的思考，并更精准地个性化回复。
  • 挑战2：个性化回复：传统聊天机器人的回复缺乏个性化，经常是过于泛泛而不符合特定用户的情况。ExploreLLM通过在每个节点中引入个人偏好设置的功能，使得系统可以考虑这些个人化的内容，来生成更个性化的回复和提供选择的选项。
  • ...

实现与部署

ExploreLLM通过用户研究证明了其在提供结构化任务分解和个性化方面的助益，尽管存在一些可用性问题。与传统的文本聊天机器人相比，用户发现ExploreLLM提供的任务结构化帮助他们进行规划，而且更容易结合他们的个人特定偏好进行个性化设置。用户也喜欢ExploreLLM提供的子任务列表，因为它们作为任务状态的清晰记录存在，与长篇聊天历史相比更易于查看。

总结

本文介绍了探索LLM系统ExploreLLM，它通过结合基于提示的任务分解方法和全新的类似图式的图形用户界面（UI），在用户和LLM助手之间提供了一种全新的交互模式。该系统通过在结构化和交互式界面中表示生成子任务，旨在减轻用户完成复杂任务时的认知负担，同时提高个性化响应的水平。