面向合规保障的客户服务聊天机器人：基于大语言模型的上下文感知知识扩展

检索式聊天机器人利用人工验证的问答知识，提供准确、可验证的响应，使其成为客户导向应用的理想选择，这类应用对符合监管和操作标准至关重要。为了有效处理多样化的客户查询，在保持语义含义的同时纳入不同表达方式的"相似问题"以扩充知识库，是一种高性价比的策略。本文引入类似问题生成（Similar Question Generation，SQG）任务，用于 LLM 的训练和推理，提出基于上下文的方法以实现全面的语义探索和与源问题-答案关系的更好对齐。我们对构建情境提示和在预算约束下选择最佳相似问题子集的优化方法进行了刻画。定量和人类评估均验证了这些方法的有效性，在部署的聊天机器人系统中实现了 92% 的用户满意度，较未增强的基线提升了 18%。这些发现突显了 SQG 的实际效益，强调了大语言模型的潜力——并非作为直接的聊天机器人界面，而是支持非生成式系统，以实现无幻觉、合规保障的应用。