原文地址：disambiguation-using-dynamic-context-in-crafting-effective-rag-question-suggestions

2024 年 4 月 3 日

这一策略唤起了IBM沃森率先采用的一项技术：消除歧义。面对用户模糊不清的输入，系统会提供大约五个或更少的选项供用户挑选。这样的设计不仅让用户能够自行解决歧义问题，同时也让系统能够从中学到知识。

这种策略同样应对了“blank canvas”问题，即用户对于界面功能范围不明确，导致他们提出含糊不清的探索性问题。

为了避免用户在获得不足够信息的回答时不断调整查询内容，会话型用户界面采取了主动消除对话歧义的做法。

生成器的构建目的是提出代理能够回应的提问选项，这些选项是基于用户最初的查询来引导生成的。 ~来源

拟议框架

1. 此框架旨在通过分析用户的初步输入，识别出与之相匹配的段落，这些段落是从动态检索到的上下文中挑选出来的。
2. 在这个过程中，系统会辅助用户通过提问、提供答案以及生成建议问题，这些建议问题是基于动态构建的上下文提示，由动态检索到的上下文和动态生成的少样本示例组成。
3. 通过这种方式，用户可以减轻提问的认知负担，更加轻松地进行交互。
4. 该研究的核心目标是深入理解用户在互动过程中的真实意图。
5. 这种解决方案的显著优势在于，它采用了资源消耗较少的方法，提高了效率和实用性。

面向任务的对话框

以下例子展示了面向任务的信息搜索的一个场景，其中用户的目标是寻找与特定任务相关的信息。由于用户的输入和用户资料可能不够明确，面向任务的对话系统需要提出澄清性问题来明确用户的意图，并根据用户资料中的任务知识来提供相应的答案。

 下面是面向任务的系统询问范式。

综上所述

这项研究旨在减少对话式用户界面的道歉性回应，并通过提供明智的系统建议来增强用户体验。

动态上下文生成代理可以通过以下方式回答建议问题：

1. 动态少样本示例
2. 动态检索的上下文

与传统的少样本提示不同，动态少样本示例根据用户查询动态选择上下文相关的三元组，适应不同的问题格式和结构。