Beyond ChatBots: ExploreLLM for Structured Thoughts and Personalized Model Responses

大型语言模型（LLM）驱动的聊天机器人今天主要基于文本，对于探索性或理解性任务（例如计划旅行或了解新城市）会产生大量的交互认知负荷。由于交互是文本形式的，用户在结构、信息“气味”或指定高级偏好或目标方面缺乏支架。我们介绍了ExploreLLM，它允许用户构建思路，帮助探索不同的选项，通过选择和推荐进行导航，并更容易地引导模型生成更个性化的响应。我们进行了一项用户研究，并展示用户发现使用ExploreLLM对于探索性或计划任务很有帮助，因为它为任务提供了有用的类似模式的结构，并指导用户进行规划。该研究还表明，用户可以更容易地使用ExploreLLM实现高级偏好的个性化响应。总之，ExploreLLM指向了未来，用户与LLM进行交互不再仅限于聊天机器人的形式，而是设计为支持自然语言和图形用户界面之间更紧密集成的复杂用户任务。

ExploreLLM的问题是解决当前基于文本的聊天机器人在探索性或理解性任务中存在的交互认知负荷问题。

ExploreLLM提供了一种基于自然语言和图形用户界面紧密集成的结构化框架，帮助用户构建思路，探索不同的选项，导航选择和推荐，更容易地个性化响应。

论文介绍了ExploreLLM的设计和实现，并进行了用户研究。结果表明，ExploreLLM对于探索性和规划任务非常有用，因为它提供了有用的类似模式的结构，可以引导用户进行规划。研究还表明，用户可以更容易地使用ExploreLLM进行个性化响应。

最近的相关研究包括基于自然语言和图形用户界面的人机交互，以及聊天机器人的改进。