内存增强型 LLM 代理能否助力新闻业在为不同受众解释和构建新闻内容？

现代新闻内容往往综合性强，融合来自科技、金融、农业等多个领域的信息。正因为如此，解释工作备受挑战，因为受众通常与其专业知识、年龄或立场相关。因此，读者可能完全理解某故事的财务含义，却未能理解甚至主动误解其法律或技术维度，从而导致关键理解偏差。本文探讨如何识别这些理解偏差并提供解决方案，以提高受众对新闻内容的理解，尤其在受众主要领域之外的方面。我们提出 MADES，一个用于模拟社会沟通的基于代理的框架。该框架利用 diverse 代理，每个代理被配置为代表特定职业或年龄群体。每个代理配备内存系统。随后对这些代理进行模拟讨论新闻。通过这一过程，我们能够监控和分析其行为及认知过程。我们的发现表明，该框架通过其迭代讨论过程能够识别新闻内容中的混淆和误解。基于这些准确的识别，框架随后设计补充材料。我们通过统计分析和人类评估验证了这些结果，结果表明，代理在接收到这些补充材料后展现出显著的新闻理解能力提升。