ProAI: Proactive Multi-Agent Conversational AI with Structured Knowledge Base for Psychiatric Diagnosis

大多数由大型语言模型（LLM）驱动的对话式AI系统以反应性方式运行，仅对用户提示作出回应，而不引导互动。然而，许多现实世界的应用，如精神疾病诊断、咨询和访谈，需要AI发挥主动性，提出正确的问题并将对话引向特定目标。在心理健康差异诊断的应用背景下，我们介绍了ProAI，这是一种面向目标、主动式的对话AI框架。ProAI集成了结构化知识引导的记忆、多智能体主动推理和多维度评估策略，使大型语言模型能够进行类似临床医生的诊断推理，而不仅仅是生成简单的回应。通过模拟患者互动、用户体验评估和专业临床验证，我们证明ProAI在精神障碍差异诊断中实现了高达83.3%的准确率，同时保持了专业和富有同情心的互动标准。这些结果突显了更可靠、适应性更强和面向目标的AI诊断助手的潜力，推动了大型语言模型超越反应式对话系统的发展。

该论文试图解决当前大多数基于大型语言模型（LLM）的对话系统仅能被动响应用户输入，而无法主动引导对话的问题。特别是在精神健康诊断、咨询和面试等实际应用场景中，AI需要能够主动提问并引导对话以达到特定目标。这是一项新的挑战，因为现有的系统缺乏这种主动性。

ProAI是一个目标导向的、主动型对话AI框架，它整合了结构化知识引导的记忆、多代理主动推理以及多维度评估策略，使LLM能够进行类似于临床医生的诊断推理，而不仅仅是生成简单的回应。这一思路通过引入主动推理和多代理系统来增强LLM的功能，从而在对话中实现更复杂的目标导向行为。

1. ProAI在模拟患者互动中展示了高达83.3%的精神障碍鉴别诊断准确性。 2. 系统不仅保持了专业的交互标准，还体现了同理心。 3. 研究通过用户体验评估和专业临床验证，证明了其有效性和可靠性。 4. 论文强调了将LLM从被动响应转向主动引导对话的重要性，为未来的研究提供了方向。 5. 尽管未明确提及，但开源代码和数据集对于后续研究具有重要价值。

近年来，关于改进LLM对话能力的研究层出不穷。例如，《Building Conversational Agents with Goal-Oriented Dialogue Systems》探讨了如何构建目标导向的对话系统；《Multi-Agent Dialogue Systems for Complex Tasks》则关注于多代理系统在复杂任务中的应用；此外，《Enhancing Empathy in AI through Structured Knowledge Bases》讨论了通过结构化知识库提升AI同理心的方法。这些研究与ProAI的工作密切相关，共同推动了对话系统的进步。