简洁的智能体缺乏专业度：揭示对话智能体使用风格特征的副作用
计算与语言
2026-01-19 v1
摘要
诸如友好、乐于助人或简洁等风格特征被广泛用于提示词中以引导大型语言模型 (LLM) 对话智能体的行为，但其未预期的副作用仍鲜为人知。在这项工作中，我们首次对跨特征的风格副作用进行了系统性研究。我们对 ACL Anthology 中的 127 篇对话智能体论文进行了全面调查，并确定了 12 种常用的风格特征。通过在面向任务和开放领域设置中使用受控的合成对话，我们利用成对 LLM 作为评判者的评估框架，量化了提示一种风格特征如何因果地影响其他特征。我们的结果揭示了一致且结构化的副作用，例如提示简洁性会显著降低感知到的专业度。这表明风格特征是深度纠缠的，而非正交的。为了支持未来的研究，我们引入了 CASSE (Conversational Agent Stylistic Side Effects)，一个捕捉这些复杂交互的数据集。我们进一步评估了基于提示词和基于激活引导的缓解策略，发现虽然它们可以部分恢复被抑制的特征，但通常会降低主要的预期风格。这些发现挑战了 LLM 中忠实风格控制的假设，并强调了对对话智能体进行多目标和更有原则的安全、有针对性的风格引导方法的需求。
引用
@article{arxiv.2601.10809,
title = {A Concise Agent is Less Expert: Revealing Side Effects of Using Style Features on Conversational Agents},
author = {Young-Min Cho and Yuan Yuan and Sharath Chandra Guntuku and Lyle Ungar},
journal= {arXiv preprint arXiv:2601.10809},
year = {2026}
}