Apollonion: Profile-centric Dialog Agent

大型语言模型（LLMs）的出现创新了对话代理的发展。特别地，经过良好训练的LLM作为中央处理单元，能够为用户的请求提供流畅和合理的响应。此外，还开发了辅助工具，如外部知识检索、个性化角色以实现生动的响应、短期/长期记忆以实现超长上下文管理，从而完善了基于LLM的对话代理的使用体验。然而，上述技术并没有解决“从用户角度进行个性化”的问题：代理以相同的方式响应不同的用户，而不考虑他们的特征，如习惯、兴趣和过去的经验。换句话说，当前的对话代理实现在“了解用户”方面失败了。对用户进行良好描述和表示的能力正在开发中。在这项工作中，我们提出了一个对话代理框架，以整合用户个人资料（初始化、更新）：用户的查询和响应被分析和组织成一个结构化的用户资料，后者用于提供个人化和更精确的响应。此外，我们提出了一系列个性化评估协议：响应在多大程度上针对不同的用户个性化。该框架被命名为\method{}，受古希腊阿波罗神庙（也称为\method{}）中“了解自己”的铭文启发。目前很少有关于将个性化融入LLM的研究，\method{}是通过对话代理应用引导LLM响应满足个性化的先驱性工作，并提出了一套用于个性化测量的评估方法。

如何在LLM-based dialog agents中实现个性化回复？

提出了一个框架，通过分析用户的查询和响应，构建结构化的用户档案，并将其用于提供个性化和更精确的回复。

该框架名为KnowYourself，是将个性化引入LLM的先驱之一。提出了一系列评估协议来衡量回复的个性化程度。实验结果表明，该框架能够有效地提高回复的个性化水平。

近期的相关研究包括使用深度学习方法进行对话生成、使用外部知识库进行对话生成等。