通过一系列用户研究，我们展示了用户对于抽象代理编排方式在系统易用性和性能方面具有显著偏好，并且证明此种交互模式能够提供质量与人为选择的答案相近的响应。

Jan, 2024

通过引入文本属性图和节点感兴趣的概念以及新颖的图提示范式，我们提出了全称为 One for All (OFA) 的通用框架，使得单个图模型能够处理多样的图学习任务，并在不同的领域表现出色。

Sep, 2023

本文综述了对话代理人（CAs）的概念，讨论聊天机器人和面向任务的代理人的不同应用，并探讨了具有身体特征的对话代理人的概念。本文详细讨论了在 CAs 中表示对话的各种方法，以及评估此类代理人的方法，重点强调问责和可诠释性。本文还提供了各种应用场景的广泛概述，特别是在健康和教育领域。最后，本文讨论了当前和未来 CAs 技术所带来的社会影响的利弊和潜在风险。

Feb, 2022

本研究提出了一种灵活和高效的架构，旨在通过考虑问题、回答预测和置信度得分来从候选答案中选出最佳答案，将专家代理与该架构相结合，从而在多域和多数据集方案中实现了先前的多代理和多数据集方法所不能达到的表现。

Dec, 2021

为了解决模型训练的数据和资源浪费问题，本文提出了一项新的挑战 —— 通过自然语言与现有智能体通信以完成复杂任务。通过设计一个综合性的基准测试 ——CommaQA，该基准测试包括三项复杂的推理任务，旨在通过与现有的 QA 智能体进行沟通来解决这些任务。研究表明，传统的黑盒模型在使用现有智能体的知识和金标事实监督时也难以从头开始实现此任务。相比之下，学会与代理通信的模型表现更好，即使没有任何辅助监督和数据，这种通过与现有代理完成复杂任务的学习仍然是非常困难的。本文提供了 CommaQA 基准测试和组合泛化测试集，以推动这方面的研究。

Oct, 2021

利用协同能力和开放式架构，我们提出了 CACA Agent，实现了 AI 代理的可扩展性和规划能力，并通过演示展示了 CACA Agent 的操作和应用场景扩展。

Mar, 2024

通过引入认知启发式方法，通过计算语义和情节记忆、情绪、工作记忆和学习能力来解决对话代理人的技术和社交问题。

Nov, 2023

提出了一个名为 MADA 的多行为数据增强框架，用于生成多样化的对话回复，该框架利用了对话的一对多属性，并改善了对话策略及回复多样性的表现。

Nov, 2019

我们提出了一个面向开放域会话问答 (OCQA) 的会话动作链 (Conv-CoA) 框架，用于解决现有文献中的三个主要挑战：与实时或领域事实不一致的虚假幻觉、会话场景中弱推理能力以及在会话信息检索方面表现不理想。我们的关键贡献是一种动态推理检索机制，它提取问题的意图，并将其分解为通过系统提示、预先设计的操作、更新上下文知识集 (CKS) 和一种新颖的 Hopfield 检索器来解决的推理链。在方法论上，我们提出了一种资源高效的 Hopfield 检索器，以增强我们的操作中会话信息检索的效率和准确性。此外，我们提出了一种会话多参考信任分数 (Conv-MRFS)，以验证和解决会话中检索到的知识与答案之间的冲突。在实证方面，我们在五个不同的研究方向和两个公共基准上将我们的框架与 23 种最先进的方法进行比较。这些比较表明我们的 Conv-CoA 在准确性和效率两个维度上优于其他方法。

May, 2024

本研究探讨了几种结合不同能力的机器学习模型，旨在实现一个综合性的对话系统，并提出了一个新的数据集 BlendedSkillTalk，通过比较不同架构和训练方案的表现来分析这些能力如何在自然对话中融合。研究结果表明，相比于单一技能的模型，多任务训练可以更好地提高混合会话的表现，而统一或二阶段方法都可以表现良好，关键在于避免不必要的技能选择偏差或在新任务上进行微调。

Apr, 2020