Prism：通过复杂意图理解降低 LLM 中的用户认知负荷
人工智能
2026-01-27 v2
摘要
大型语言模型正迅速成为社交平台的网络原生接口。在社交网络上，用户通常具有模糊且动态的目标，这使得复杂意图理解——而非单轮执行——成为有效的人与 LLM 协作的基石。现有方法试图通过串行或并行提问来澄清用户意图，但未能解决核心挑战：对澄清问题之间逻辑依赖性的建模。受认知负荷理论启发，我们提出了 Prism，一个用于复杂意图理解的新颖框架，能够实现逻辑连贯且高效的意图澄清。Prism 包含四个量身定制的模块：一个复杂意图分解模块，将用户意图分解为更小、结构良好的元素并识别它们之间的逻辑依赖性；一个逻辑澄清生成模块，基于这些依赖性组织澄清问题以确保连贯、低摩擦的交互；一个意图感知奖励模块，通过意图感知奖励函数评估澄清轨迹的质量，并利用蒙特卡洛采样模拟用户与 LLM 的交互，以生成大规模、高质量的训练数据；以及一个自演化意图微调模块，通过数据驱动的反馈和优化迭代地改进 LLM 的逻辑澄清能力。Prism 在澄清交互、意图执行和认知负荷基准测试中始终优于现有方法。它实现了 SOTA 的逻辑一致性，将逻辑冲突降至 11.5%，将用户满意度提高 14.4%，并将任务完成时间减少 34.8%。所有数据和代码均已发布。
引用
@article{arxiv.2601.08653,
title = {Prism: Towards Lowering User Cognitive Load in LLMs via Complex Intent Understanding},
author = {Zenghua Liao and Jinzhi Liao and Xiang Zhao},
journal= {arXiv preprint arXiv:2601.08653},
year = {2026}
}