PACE：揭露用户请求中隐藏的冲突

个性化助理不仅应该满足用户的请求，还应该根据用户当前的情况评估这些请求是否合适。然而，之前的工作主要集中在准确执行请求上，忽视了助理需要考虑上下文并进行基于冲突的拒绝。此外，虽然现有的冲突或安全检测工作依赖于明确提供的因素，但现实世界的场景通常涉及必须从知识库（KB）中检索的隐含因素。为此，我们引入了冲突评估个性化助理（PACE），这是一个数据集，用于评估模型是否可以识别潜在的约束，这些约束表示为以自我为中心的知识或事件，使看似合理的用户请求变得不恰当。 PACE 将基于明确定义的角色的用户请求与以自我为中心的知识库事实配对，要求模型集成上下文证据来确定请求是否存在冲突。这种隐式检索设置阻碍了用户请求和引发冲突的知识之间的直接关联，使得现有模型难以识别相关的用户特定事实。为了应对这一挑战，我们进一步提出了 PaceMaker，这是一个多代理框架，其中专门的代理在查询重构、多跳图遍历和冲突感知过滤之间进行协调，以检索上下文决定性证据。 PACE 实验评估了证据检索质量和冲突决策准确性，表明 PaceMaker 始终优于现有方法。