超越情感：一个从评论中提取可操作商业建议的多智能体流水线
人工智能
2026-05-05 v2 计算与语言
摘要
客户评论包含关于服务质量的宝贵信号，但将大规模评论文本库转化为可操作的商业建议仍然困难。标准的情感/方面分析主要是描述性的，而直接提示大型语言模型 (LLM) 通常会产生通用且重复的建议，这些建议与用户反馈的关联性较弱。我们提出了一种分层决策支持流水线，该流水线将信号压缩、问题抽象、候选方案生成、基于目标的评估以及成本感知路由明确地分离到不同的智能体中。这种架构分解产生了可审计的中间产物，并实现了建议质量与令牌预算之间的可控权衡。在来自三个服务领域的 Yelp 评论上的实验表明，在可操作性、相关性和非冗余性等多个建议质量维度上，我们的系统相对于单次传递的 LLM 基线均有一致的改进。一项人工评估进一步表明，用户普遍偏好我们系统的推荐。这些结果突显了结构化智能体分解对于可扩展、成本感知的商业决策支持的价值。
引用
@article{arxiv.2601.12024,
title = {Beyond Sentiment: A Multi-Agent Pipeline for Actionable Business Advice from Reviews},
author = {Kartikey Singh Bhandari and Tanish Jain and Archit Agrawal and Dhruv Kumar and Praveen Kumar and Pratik Narang},
journal= {arXiv preprint arXiv:2601.12024},
year = {2026}
}