Hello Again! LLM-powered Personalized Agent for Long-term Dialogue

随着大型语言模型（LLMs）的发展，开放域对话系统取得了显著的进展。然而，大多数现有的对话系统主要集中在简短的单次交互上，忽略了与聊天机器人进行长期陪伴和个性化交互的现实需求。解决这一现实需求的关键是事件总结和个性化管理，这使得适当的长期对话响应得以推理。最近，LLMs在人类认知和推理能力方面取得了进展，表明基于LLMs的代理人可以显著增强自动感知、决策和问题解决能力。针对这一潜力，我们介绍了一个模型无关的框架，即长期对话代理（LD-Agent），它包括三个独立可调的模块，分别用于事件感知、个性提取和响应生成。对于事件记忆模块，长期和短期记忆库分别用于关注历史和正在进行的会话，同时引入基于主题的检索机制以增强记忆检索的准确性。此外，个性模块对用户和代理人进行动态个性建模。随后，检索到的记忆和提取的个性被输入生成器中，以诱导适当的响应。LD-Agent的有效性、通用性和跨领域能力在各种说明性基准、模型和任务中得到了经验上的证明。代码已在https://github.com/leolee99/LD-Agent发布。

本论文旨在解决现有对话系统在长期陪伴和个性化交互方面的不足，提出了一个LD-Agent框架，用于事件总结和角色管理，以实现适当的长期对话响应。

LD-Agent框架包括三个独立可调的模块，分别用于事件感知、角色提取和响应生成。事件存储模块使用长期和短期记忆库分别关注历史和进行中的对话，引入基于主题的检索机制以提高记忆检索的准确性。角色模块对用户和代理进行动态角色建模。检索到的记忆和提取的角色随后输入生成器以诱导适当的响应。

本论文提出的LD-Agent框架在各种基准、模型和任务中展示了有效性、通用性和跨领域能力。代码已在GitHub上开源。

最近的相关研究包括OpenAI的GPT-3和Facebook的Blender，这些模型也是基于大型语言模型的对话系统，但LD-Agent框架的重点是在长期对话方面，具有更好的个性化和事件感知能力。