自然語言理解（NLU）是現代對話式AI系統的核心組成部分，它利用機器學習技術分析使用者輸入，識別意圖並提取實體。意圖代表使用者目標，而實體則是達成目標所需資訊。開發者透過提供訓練範例和系統內建的意圖及實體函式庫來訓練NLU模型，使其能準確理解使用者需求。系統輸出設計則需考量使用預設文字或範本，以生成適切的回應。提示設計也至關重要，指示性提示能引導使用者提供準確資訊，而非指示性提示則更具彈性。對話流程設計則可使用決策樹，但需注意複雜度控制。對話主導權的設計也需考量系統、使用者或混合模式。大語言模型（LLM）的出現，為對話式AI設計帶來新的可能性，例如生成訓練範例、設計系統回應和建立對話流程等。LLM能提升設計效率、增強對話多樣性和支援動態對話流程。然而，LLM的應用也面臨著回應控制、內容品質和流程設計等挑戰。
對話式AI系統設計：意圖與實體的識別及系統輸出設計
在現代對話式AI系統中，自然語言理解（NLU）元件扮演著至關重要的角色。開發者利用根據機器學習的技術來對使用者的輸入進行分類別，識別出意圖（intents）並提取相關的實體（entities）。意圖代表了使用者輸入背後的目標或目的，而實體則是實作該目標所需的關鍵資訊。
意圖與實體的定義及作用
意圖是使用者與對話式AI系統互動的核心，它描述了使用者希望達成的目標。例如，設定鬧鐘、安排會議、傳送簡訊或預訂餐廳座位等都是常見的意圖。實體則是這些意圖中的關鍵元素，如鬧鐘的時間、會議的時間、地點，簡訊的收件人及內容，或是餐廳預訂的人數等。
# 定義意圖與實體的結構
class Intent:
def __init__(self, name, entities):
self.name = name
self.entities = entities
class Entity:
def __init__(self, type, value):
self.type = type
self.value = value
# 建立意圖與實體的例項
alarm_intent = Intent("SetAlarm", [Entity("Time", "08:00")])
print(f"意圖名稱：{alarm_intent.name}")
print(f"實體型別：{alarm_intent.entities[0].type}")
print(f"實體值：{alarm_intent.entities[0].value}")
內容解密：
此範例程式碼展示瞭如何定義意圖與實體的結構。Intent 類別代表了一個意圖，包含意圖名稱及相關的實體列表。Entity 類別則代表了一個實體，包含實體的型別及對應的值。這樣的結構設計使得系統能夠有效地理解及處理使用者的請求。
NLU元件的訓練
為了訓練NLU元件，開發者需要提供典型的使用者輸入範例。這些範例與系統內建的意圖和實體函式庫結合，用於訓練系統。例如，在Dialogflow ES中開發一個餐廳預訂系統時，可以提供包含不同實體（如賓客人數、日期和時間）的訓練範例。
flowchart TD A[開始訓練NLU] --> B[提供訓練範例] B --> C[結合系統內建意圖與實體] C --> D[訓練NLU模型] D --> E[完成訓練]
圖表翻譯：
此圖示展示了NLU元件的訓練流程。首先，開發者需要提供訓練範例，接著將這些範例與系統內建的意圖和實體結合，最後完成NLU模型的訓練。這個過程確保了NLU元件能夠準確地識別使用者的意圖和相關實體。
系統輸出的設計挑戰
在對話式AI系統中，系統輸出的設計至關重要。常見的做法是使用預設文字或範本來生成回應。預設文字適用於系統需要取得特定資訊的情況，如出發時間、目的地和航空公司等。範本則提供了更高的靈活性，可以在執行時動態填入變數值。
# 使用範本生成系統輸出的範例
def generate_response(destination, day):
template = "那麼，您想在 {} 這個 {} 啟程嗎？"
return template.format(destination, day)
# 生成回應
response = generate_response("巴黎", "星期五")
print(response)
內容解密：
此範例程式碼展示瞭如何使用範本生成系統輸出。generate_response 函式接受目的地和日期作為引數，並使用範本生成最終的回應。這種方式使得系統輸出更加靈活和動態。
提示設計的最佳實踐
在傳統的對話式系統中，提示設計是至關重要的。適當的提示可以引導使用者提供系統所需的資訊。研究表明，指示性提示比非指示性提示更有效，因為它們明確告訴使用者應該說什麼。
---
title: 提示設計決策流程圖
---
flowchart TD
A[設計提示] --> B{選擇提示型別}
B -->|指示性提示| C[提高使用者回應準確性]
B -->|非指示性提示| D[提供更大靈活性]
C --> E[最佳化提示設計]
D --> E
圖表翻譯：
此圖示展示了提示設計的決策過程。設計者需要選擇合適的提示型別，指示性提示能夠提高使用者的回應準確性，而非指示性提示則提供了更大的靈活性。最終，設計者需要根據具體情況最佳化提示設計，以達到最佳的使用者經驗。
對話式系統設計：打造有效的對話流程
在設計對話式系統時，開發者需要考慮如何引導使用者進行有效的互動。這不僅涉及到系統如何理解使用者的輸入，也關係到系統如何回應以保持對話的流暢性。有效的對話流程設計對於提升使用者經驗至關重要。
使用決策樹實作對話流程
決策樹是一種簡單且廣泛使用的對話流程實作方法。尤其適用於高度結構化的任務。然而，當分支路徑增加時，決策樹會變得難以管理。
---
title: 簡單的對話流程圖
---
flowchart TD
A[開始] --> B{使用者輸入}
B -->|是| C[執行操作1]
B -->|否| D[執行操作2]
C --> E[結束]
D --> E
圖表翻譯：
此圖示展示了一個基本的對話流程，使用決策樹來控制對話的走向。系統根據使用者的輸入選擇不同的分支，最終到達結束狀態。決策樹適合於結構化的對話場景，但對於開放式的對話則可能變得難以管理。
對話主導權的設計
在設計對話時，需要考慮誰將主導對話流程——系統、使用者還是兩者兼有。這會影響對話的流動方式。主要分為三種對話主導模式：
- 使用者主導：使用者提出問題或請求，系統回應。這種模式常見於智慧音箱如Google Assistant或Amazon Alexa的互動中。
# 使用者主導模式的範例
def user_initiative(query):
# 系統根據使用者的查詢進行回應
if query == "天氣預報":
return "明天將有陣雨，最高溫度28度，最低溫度18度。"
else:
return "抱歉，我無法理解您的查詢。"
內容解密：
此程式碼展示了使用者主導模式的基本實作。系統根據使用者的輸入進行相應的回應。開發者需要考慮如何處理各種可能的查詢，以提供準確的回應。
- 系統主導：系統透過提問或指示來控制對話。這種策略有助於限制使用者的輸入，從而減少語音辨識和自然語言理解錯誤的風險。
# 系統主導模式的範例
def system_initiative():
# 系統主動詢問使用者
user_input = input("請輸入您的姓名：")
# 根據使用者的輸入進行後續操作
return f"您好，{user_input}！"
內容解密：
此範例展示了系統主導模式的實作。系統主動向使用者提出問題，並根據使用者的輸入進行後續處理。這種模式有助於引導對話流程。
對話式AI系統設計的核心要素
在現代對話式AI系統設計中，系統如何有效地引導對話流程至關重要。根據對話的主導權不同，對話式系統可分為多種型別，包括系統主導、使用者主導以及混合主導等不同模式。
系統主導的對話場景
系統主導的對話通常出現在以下幾種情境中：
- 主動式對話：系統會主動發起對話，例如傳送提醒或警告。
- 教學式對話：系統會提供一系列的指示，例如逐步引導使用者完成某項任務。
填表式對話範例
--- title: 填表式對話流程圖 --- sequenceDiagram participant User as 使用者 participant System as 系統 User->>System: 撥打電話 System->>User: 您好，這是您的航班預訂助手。如何幫助您？ User->>System: 我想預訂一班飛往倫敦的航班。 System->>User: 您從哪裡出發？ User->>System: 巴黎。 System->>User: 您希望哪一天出發？
圖表翻譯：
此圖示展示了一個典型的填表式對話流程。系統首先詢問使用者的需求，然後逐步收集必要資訊以完成任務。
對話中的錯誤處理策略
由於自動語音辨識（ASR）和自然語言理解（NLU）技術並非完美無缺，因此錯誤處理成為對話系統設計中的關鍵環節。常見的錯誤處理策略包括：
- 顯式確認（Explicit Confirmation）：系統會明確詢問使用者以確認其輸入的資訊。
- 隱式確認（Implicit Confirmation）：系統在後續問題中包含前一次的使用者輸入，假設使用者沒有異議則視為確認。
# 顯式確認的範例
def explicit_confirmation(user_input):
confirmation = input(f"您剛才說的是：{user_input}。請確認（是/否）：")
return confirmation.lower() == '是'
# 隱式確認的範例
def implicit_confirmation(previous_input, current_input):
return previous_input in current_input
程式碼解密：
這段程式碼展示了兩種不同的確認策略實作。顯式確認函式直接詢問使用者是否確認其輸入，而隱式確認則透過檢查後續輸入是否包含前一次的輸入來進行確認。
對話式AI系統設計的新趨勢
在對話式AI的發展歷程中，傳統方法通常依賴多個相互連線的模組來處理使用者輸入並產生系統輸出。隨著大語言模型（LLM）的出現，我們可以利用其強大的文字生成能力提升對話式AI系統的設計效率。
LLM在對話設計中的應用
大語言模型能夠顯著提升對話式AI的設計效率，主要體現在以下幾個方面：
- 生成訓練範例：透過適當的提示工程，可以利用LLM快速生成多樣化的使用者輸入範例。
- 對話流程設計：LLM可以協助設計更自然的對話流程，提升使用者經驗。
# 使用LLM生成訓練範例的範例
import openai
def generate_training_examples(prompt, num_examples=10):
response = openai.ChatCompletion.create(
model="gpt-3.5-turbo",
messages=[{"role": "user", "content": prompt}],
temperature=0.7,
max_tokens=num_examples * 50
)
return response.choices[0].message.content.strip().split('\n')
# 使用範例
prompt = "列出10種使用者可能說的『我發生了事故並想提出索賠』的不同表達方式："
examples = generate_training_examples(prompt)
for example in examples:
print(example)
程式碼解密：
這段程式碼展示瞭如何利用OpenAI的GPT模型生成多樣化的訓練範例。透過精心設計的提示，可以生成符合特定場景需求的多種表達方式。
大語言模型在對話式AI設計中的應用
LLM在對話設計中的角色
大語言模型（LLM）為對話式AI的設計帶來了革命性的變化。透過其強大的自然語言處理能力，LLM能夠顯著提升對話式系統的設計效率和互動品質。
LLM的具體應用場景
- 生成訓練範例
- LLM能夠產生多樣化的使用者輸入範例，幫助設計師更好地理解可能的對話情境。
- 設計師可以根據LLM的建議進行修改、篩選，並要求模型提供更多選項。
- 在保險理賠場景中，LLM可以生成多種不同的事故描述，例如：
# 生成事故描述範例
def generate_accident_description():
scenarios = [
"車禍事故",
"意外跌倒",
"第三者責任賠償"
]
details = [
"涉及多輛車碰撞",
"造成人員受傷",
"需要警方介入"
]
return f"{random.choice(scenarios)}：{random.choice(details)}"
# 列印範例
print(generate_accident_description())
內容解密：
此程式碼展示瞭如何使用Python生成保險理賠場景中的事故描述範例。透過隨機組合不同的事故型別和細節，可以產生多樣化的對話起始情境。這種方法有助於設計師更全面地考慮各種可能的對話場景。
- 設計系統回應
- LLM能夠協助設計師思考系統可能的回應方式。
- 對於使用者回報車禍事件，LLM可以生成保險公司客服機器人的初步回應。
- 例如：
# 生成初步回應
def generate_initial_response():
responses = [
"感謝您回報事故，我們將盡快處理您的理賠申請。",
"請提供詳細的事故資訊，以便我們進行後續處理。",
"我們的客服人員將盡快與您聯絡。"
]
return random.choice(responses)
# 列印範例回應
print(generate_initial_response())
內容解密：
此程式碼展示瞭如何使用Python生成保險公司客服機器人的初步回應。透過隨機選擇不同的回應陳述式，可以實作多樣化的回應方式，提高對話的自然度。
- 建立對話流程
- LLM可以幫助設計完整的對話流程，包括多輪互動中的提問與回應。
- 透過LLM生成的對話範例，設計師可以設計出更自然、更符合使用者預期的互動體驗。
- 例如，在處理保險理賠的對話中，LLM可以生成包含傷者資訊詢問的互動流程，如下所示：
sequenceDiagram participant User as 使用者 participant Chatbot as 客服機器人 User->>Chatbot: 回報車禍事件並申請理賠 Chatbot->>User: 表達關切並詢問是否有人受傷 User->>Chatbot: 回覆受傷情況 Chatbot->>User: 根據受傷情況提供後續處理指引 Note over User,Chatbot: 若有人受傷，<br/>提供緊急聯絡資訊 Note over User,Chatbot: 若無人受傷，<br/>進入理賠流程
圖表剖析：
此圖表展示了保險理賠對話流程。流程開始於使用者回報車禍事件，客服機器人隨即回應並詢問是否有人受傷。根據使用者的回覆，機器人會提供相應的後續處理指引。若有人受傷，系統會提供緊急聯絡資訊；若無人受傷，則進入正式的理賠流程。
LLM在對話設計中的優勢
- 提高設計效率
- LLM能夠快速生成多種可能的對話場景和系統回應
- 設計師可以專注於最佳化設計，而非從零開始構思
- 例如，透過LLM生成多種對話範例，可以節省手動編寫的時間
- 增強對話多樣性
- LLM可以生成多種不同的表達方式
- 有助於建立更自然、更豐富的對話體驗
- 例如，在回應使用者查詢時，LLM可以提供多種不同的表達方式
- 支援動態對話流程
- 根據使用者的不同輸入，LLM可以生成相應的對話分支
- 有助於建立更靈活的對話式AI系統
- 例如，根據使用者的回覆，系統可以動態調整後續的提問內容
挑戰與未來發展
雖然LLM為對話式AI設計帶來了新的可能性，但也面臨著諸多挑戰，如：
- 回應控制
- 如何控制回應的長度和一致性
- 需要透過精心設計的提示（prompt）來引導LLM生成合適的回應
- 內容品質
- 如何避免產生偏見或不適當的內容
- 需要建立完善的內容審核機制
- 流程設計
- 如何確保對話流程的邏輯性和連貫性
- 需要結合業務場景和使用者需求進行精心設計
這些挑戰需要在實際應用中不斷探索和改進。透過持續的測試和最佳化，設計師可以充分發揮LLM的潛力，創造出更智慧、更自然的對話式AI系統。
參考資源
- 專業文獻
- “Conversations with Things: UX Design for Chat and Voice” by Diana Deibel, Rebecca Evanhoe
- Rosenfeld Media, 2021
- 相關會議
- ACM Conference on Conversational User Interfaces (CUI)
- Conversations Workshop
- 培訓課程
- Conversation Design Institute提供的培訓課程和認證
- 社群資源
- Convoclub：對話設計師的論壇和交流平臺
透過結合這些資源，對話式AI的設計師可以持續提升自己的專業能力，以應對日益複雜的對話式AI設計挑戰。
深入剖析對話式AI系統的設計核心後，可以發現，從意圖與實體的識別、NLU元件的訓練、系統輸出的設計到對話流程的建構，每個環節都至關重要。多維比較分析顯示，LLM的應用為對話式AI設計帶來了革命性的變革，尤其在生成訓練範例、設計系統回應和建立對話流程方面展現出顯著優勢，大幅提升了設計效率和對話多樣性。然而，LLM的應用也存在挑戰，例如回應控制、內容品質和流程設計等方面仍需持續最佳化。
技術限制深析指出，如何有效控制LLM的輸出，使其符合預期，並確保內容的準確性和安全性，是當前亟需解決的難題。同時，如何將LLM更好地整合到現有的對話系統架構中，也是一個重要的研究方向。實務落地分析顯示，提示工程的設計對於引導LLM生成高品質的輸出至關重要，需要設計師不斷探索和積累經驗。
從技術演進角度來看，LLM與傳統對話系統的融合將成為未來的主要趨勢。隨著LLM技術的持續發展和成熟，預計LLM將在對話式AI設計中扮演更重要的角色，並推動對話式AI應用場景的進一步拓展。玄貓認為，儘管LLM的應用仍面臨挑戰，但其巨大的潛力值得關注，技術團隊應積極探索LLM在對話式AI設計中的最佳實踐，以打造更自然、更智慧的對話體驗。
