JumpStarter：基于任务结构化上下文策展的人类-人工智能规划
人机交互
2025-05-26 v4
摘要
当前大型语言模型(LLM)的人类-人工智能规划面临复杂目标仍具有挑战性，其依赖线性聊天记录和简陋的记忆机制。尽管在长上下文提示方面取得了进展，但用户仍需手动管理信息，导致认知负担巨大。因此，我们提出了JumpStarter系统，通过动态分解任务帮助用户管理上下文，使LLM能够与人类协作完成复杂目标。我们特别引入任务结构化上下文策展框架，将用户目标分解为可操作子任务的层次结构，并将上下文范围限定在局部决策点，从而实现更细粒度的个性化和复用。该框架通过三大核心机制实现：上下文挤掘、选择与复用。我们证明，任务结构化上下文策展相较于消融实验可显著提升计划质量，提升了16%。我们的 用户研究显示，JumpStarter帮助用户生成的计划质量比ChatGPT高出79%。
引用
@article{arxiv.2410.03882,
title = {JumpStarter: Human-AI Planning with Task-Structured Context Curation},
author = {Xuanming Zhang and Sitong Wang and Jenny Ma and Alyssa Hwang and Zhou Yu and Lydia B. Chilton},
journal= {arXiv preprint arXiv:2410.03882},
year = {2025}
}