通过苏格拉底提问方式弥合LLM指令中的表达鸿沟

人类与人工智能合作中的一个根本性瓶颈是"意图表达鸿沟"——即人类有效传递复杂、高维思想给AI的困难。这一挑战常使用户陷入低效的试错循环，且因用户所处的专业知识水平差异而加剧。我们将这一问题从被动的指令遵循视角重新定义为苏格拉底式协作范式，提出一种主动探寻信息以解决其对用户意图不确定性的智能体。我们命名该智能体为Nous，训练其在该询问策略上取得专业能力。Nous的核心机制基于信息论的基本原理。在该框架内，我们将对话中的信息增益定义为内在奖励信号，这在本质上等价于对结构化任务空间中香氏熵的减少。这种奖励设计使我们能够避免依赖高成本的人类偏好标注或外部奖励模型。为验证该框架，我们开发了一个自动化模拟管道，用于生成大规模、基于偏好的科学图示生成数据集。全面实验，包括消融实验、主观与客观评估，以及针对不同用户专业知识水平的测试，均表明我们提出框架的有效性。Nous在效率和输出质量方面均达到领先水平，且对不同用户专业知识水平具有鲁棒性。综上所述，我们的研究提供了一套系统性的方法论，为解决复杂人机协作中模糊意图的问题提供了新视角。