arXiv cs.CL· Petmongkon Pornpichitsuwan, Krittin Pachtrachai, Touchapon Kraisingkorn·· 3 天前AI 评分30
训练语音智能体遵循未见过的债务催收监管流程
Following the Flow the Law Requires: Training Voice Agents to Transfer to Unseen Regulated Procedures in Debt Collection
AI 导读
研究者提出 FlowSpec，用一份机器可读规范为每次部署生成策略指令、门控工具、提供监督并定义测试，智能体只能说经批准的目录语句。基于 297 个随机流程的 2,506 段对话微调 9B 参数模型，在四个未见部署流程上，流程固定的文档化检查通过率从 67–71% 升至 93–100%，场景通过率从 15/43 升至 40/43。对共享规范的审计发现 11 处缺陷，其中 3 处未被其自身指标暴露。
正文 · AI 翻译
摘要：基于大语言模型（LLM）构建的语音代理如今已能处理客户来电，但在受监管的应用场景中，完成任务还不够：代理必须遵循法律规定的对话流程。在债务催收中，它必须在提及债务之前确认自己正在与债务人通话，表明自身身份和债权人身份，说明金额，并避免使用被禁止的措辞。每个债权人都会将这些规则转化为自己的流程并不断修订。我们提出的问题是：一个小型、自托管的策略能否只训练一次，然后遵循它从未见过的受监管流程？每次部署使用一份机器可读的规范 FlowSpec，生成策略指令、控制工具调用、提供监督并定义测试；代理只能说出经批准的目录语句。我们在来自 297 个随机化流程的 2,506 段对话上微调了一个 90 亿参数的模型，并在四个未见过的部署流程（三个债务催收、一个非债务）上评估一个泰语外呼代理，其中一个流程来自完全被保留的谱系。由流程确定的文档化检查从 67--71% 提升到 93--100%，而由对话确定的基于事实的检查在训练前就已达到 97--100% 的通过率；场景通过率从 15/43 提升到 40/43。对共享规范的审计发现 11 个缺陷，其中 3 个是其自身指标未能暴露的。
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.18881 [cs.CL] |
| （或 arXiv:2610.18881v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18881 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Krittin Pachtrachai 博士 [查看电子邮件]
[v1]
2026年10月1日星期四 03:08:52 UTC（74 KB）
来源：arXiv cs.CL · arxiv.org