将示例提炼为任务说明：增强现实世界 B2B 对话的情境学习

情境学习（ICL）是低资源分类的标准方法，但其在专业领域的功效在很大程度上仍未得到探索。我们解决了对语义复杂的多方 B2B 对话进行分类的挑战，传统的 ICL 遇到了重大限制，特别是由于多个少数样本示例的串联而导致上下文长度增加。我们引入了 \texttt{Call Playbook} 数据集，其中包含五个分类任务，这些任务源自针对核心销售概念的现实世界 B2B 对话。为了弥合性能和实用性之间的差距，我们提出了新颖的知识提取方法，将冗长的示例提炼为结构化分类标准的紧凑、可解释的表示和精确的任务描述。与传统 ICL 相比，我们的方法减少了 99% 的词元使用量，并将宏观平均 AUC 提高了 7%。值得注意的是，随着上下文的增长，它仍然保持稳健，这与高级词元压缩基线不同，后者会降低超过 9 个 F1 点。重要的是，我们的框架可以直接细化分类逻辑，满足现实 NLP 应用程序中对透明度、效率和用户交互的关键需求。