基于BDI的面向任务的代理在信念空间中

《ACM Transactions on Autonomous and Adaptive Systems》：A BDI Task-oriented Agent in Belief Space

构建对话代理需兼顾自然语言理解与领域知识应用，但预训练语言模型的黑箱特性导致对话解释性不足。本研究将BDI（信念-愿望-意图）模型引入对话系统，通过设计意图选择策略整合传统代理建模与预训练技术，在保证对话效率的同时提升可解释性，实验验证混合架构的有效性。

　　```

摘要

构建能够帮助人类完成特定领域任务的对话式智能体是一项具有挑战性的任务，因为这类智能体需要理解自然语言，并在利用领域专家知识的同时对这些语言信息进行有效处理。现代自然语言处理技术推动了对话式智能体的发展，最近预训练的语言模型通过使用日益庞大的开放数据集，实现了越来越准确的语言识别能力。然而，这类预训练语言模型的“黑箱”特性使得智能体在响应时的推理过程及其动机变得难以理解，从而导致对话结果显得不合逻辑。在这项研究中，我们开发了一种基于信念-欲望-意图（BDI）模型的对话系统，该模型能够像人类一样在对话过程中表达自己的心理状态。我们通过整合现有对话系统组件，并将智能体的意图选择作为对话策略来构建这一系统，将其与传统的管道式任务导向对话系统架构进行了对比。实验表明，将传统的智能体建模方法（如BDI模型）与最新的学习技术相结合，可以创造出高效且易于理解的对话系统。

```