LLM大模型多轮对话解决方案

当前，大模型对话能力虽然还不是很强大，但确实具有巨大的应用潜力有待发掘。实际应用中，自由对话有一定的应用场景，但更多是是为特定目标而进行的多轮对话，在众多行业领域都有广泛的应用前景。这里提出一些自己的见解和解决方案，欢迎交流探讨。

一、参数模板问答

适用于有明确意图，但是需要逐步提供反馈的场景，通过多轮对话进行信息补全后进行最终回答。如：订机票订酒店、脚本代码生成、智能问卷、智能考试等。

执行步骤：

1. 参数模板匹配（识别并加载参数列表）
2. 循环对话，等待用户反馈，并识别填充参数，直到所有参数完成
3. 执行模板处理逻辑，完成回答，反馈结果

例子1：RPA脚本调用流程

1. 模板匹配进入RPA脚本“用户登录“流程
2. 开场白（预置），让用户提供用什么浏览器（LLM决策第一轮问什么，并生成问题）
3. 等用户反馈
4. 用户选择用Edge浏览器（列表选择）
5. 保存浏览器参数
6. 让用户提供用户名（LLM决策下一轮问什么，并生成问题）
7. 等用户反馈用户名
8. 保存用户名参数（LLM提取用户输入中的有效内容，作为用户名参数，并必要时让用户做二次确认）
9. 让用户提供密码（LLM决策下一轮问什么，并生成问题）
10. 等待用户反馈密码
11. 保存用户密码参数
12. 检查参数完整性，调用RPA指定的登录脚本
13. 返回RPA执行结果

例子2：智能问卷流程

1. 模板匹配进入智能问卷流程
2. 开场白（预置），根据问卷定义采用顺序出题方式、或基于智能决策出题方式，逐个向用户抛出题目
3. 等待用户反馈
4. 记录用户反馈，并根据智能问卷的设置进行答案分析，智能决策下一题
5. 直到所有题目完成，执行智能问卷总结逻辑，给出最终答案

二、决策树问答

适用于已知复杂问题的处理场景，这类问题可以通过有限分支决策得到答案，通过多轮对话决策判断后进行回答。如：设备故障定位、复杂问题决策等。

为了灵活，决策树简化为多颗N叉树，每颗树的父节点由LLM评估执行。

执行步骤：

1. 根据用户意图选择合适的决策树
2. 循环执行决策树分支，进行对话，直到再无叶子节点
3. LLM给出最小答案

决策树的创建是一件有挑战性的工作，只有构建合理的决策树，最终的答案才更可靠。

一种构建决策树的参考方法：以知识文档作为问题分类（文档规范性需要保证，确保用户问题能匹配问题分类，从而触发决策树工作流执行），文档内容中的每项内容作为子节点（检查点），形成决策树。

额外说明：

1. 复杂问题定位需求，引导用户一步步排查并最终定位问题，给出解决方案
2. 用户反馈具有一定的不确定性，固化的决策树会导致状态局限，采用LLM分类决策节点动态加载分类，外加LLM评估问题跳转规则，可以更加灵活更加聪明

三、状态机回答

适用于未知问题、开放性问题处理，通过多轮对话状态评估后进行回答。如：用户说“我生病了“，用户可能是想了解生了什么病，也可能只是想找安慰，需通过多轮对话逐步确定并解决问题。

这类问题只有一个主旨，就是帮用户解决问题。需要LLM动态评估每一轮对话结果，决策下一轮对话方向，并最终帮助用户解决问题。