意图不匹配导致大语言模型在多轮对话中迷失

多轮对话已成为大型语言模型（LLMs）的主要交互范式。用户通常通过后续问题来细化其意图，并期望LLMs能够动态适应。然而，最近的研究表明，与单轮交互相比，LLMs在多轮设置中的性能显著下降，这一现象被称为“对话中迷失”（LiC）。尽管先前的工作将LiC归因于模型不可靠性，但本文认为根本原因在于意图对齐的差距，而非模型本身的能力缺陷。本文首先证明LiC并非模型能力的失败，而是用户与LLMs之间交互的断裂。理论上表明，仅扩大模型规模或改进训练无法解决这一差距，因为其源于对话上下文的结构模糊性，而非表示限制。为了解决这一问题，我们提出通过中介者-助手架构将意图理解与任务执行解耦。利用基于历史交互模式的经验驱动的中介者，将用户输入解释为明确、结构良好的指令，从而有效弥合模糊用户意图与模型解释之间的差距。实验结果表明，该方法显著缓解了多种LLMs在多轮对话中的性能退化。