用于面向目标的对话编排的可审计符号 RAG 生成人工智能架构

以目标为导向的对话系统必须回答事实问题，理解访问者提供的信息，并推进业务目标，而不是成为僵化的问卷。本文提出了一种以面向目标的检索增强对话引擎（GRACE）为中心的符号RAG生成架构。指令约束的业务目标编译器将业务意图转换为不可变的目标集、标准化优先级向量、规范问题和初始状态向量。在运行时，GRACE 接收完整的对话历史记录、最新访客消息、当前状态以及由单独的 RAG 组件生成的基于证据的答案。它仅根据访问者编写的证据更新完成情况，并选择一个根据上下文调整的后续内容。核心政策在最小访客效用限制的前提下最大化预期业务进展。我们将状态、单调转换、源分离、问题调制和约束策略形式化；呈现参考架构；并定义一个评估，其中包括 24 次英语房地产对话和 10 次西班牙语专业清洁对话，总共 119 次协议定义的访客轮流。在这两个领域，GRACE 实现了 84.9% 的状态转换准确率、91.6% 的证据精确度、89.6% 的证据召回率、100% 的单调性和 94.1% 的最终状态准确度。该评估在标准、多目标、RAG 绕行、验证、拒绝和鲁棒性场景中建立了引人注目的符号状态性能。