PAPERDAILY REPORTS

75.9%真实任务不是一句话说完，小米北大让智能体学会追问

2026-08-31 作者：arXivDaily编辑部 arXiv 2608.28378 cs · cs.CL

智能体训练常把任务写成一条信息完整的指令，真实用户却会追加条件、改变方向，看到工具结果后再指出错误。对1.6万条真实会话的分析显示，75.9%包含两轮或更多用户发言，多轮会话的用户发言中位数达到10轮。

论文信息 arXiv 2608.28378

PersonaForge: Realistic Multi-Turn User Simulation for Agentic Systems

PersonaForge：面向智能体系统的逼真多轮用户模拟

作者 Hanglong Lv, Dawei Zhu, Lei Li, Bowen Ye, Huaqiu Liu, Yifan Song, Bofei Gao, Weimin Xiong, Jinhao Dong, Chenhong He, Lingpeng Kong, Qi Liu, Tong Yang, Fuli Luo

发表机构北京大学; 小米; 香港大学; 中国人民大学

展开完整论文资料

作者: Hanglong Lv, Dawei Zhu, Lei Li, Bowen Ye, Huaqiu Liu, Yifan Song, Bofei Gao, Weimin Xiong, Jinhao Dong, Chenhong He, Lingpeng Kong, Qi Liu, Tong Yang, Fuli Luo
机构: 北京大学; 小米; 香港大学; 中国人民大学Peking University; Xiaomi; The University of Hong Kong; Renmin University of China
AI 总结: 该研究针对现有智能体系统训练评估中多轮用户交互数据不足的问题，提出PersonaForge模拟框架构建相关数据集与基准，实验证实其可提升智能体交互效率与任务表现。

北京大学、小米、香港大学、中国人民大学等机构提出PersonaForge，用可控的模拟用户与智能体持续对话，再把轨迹用于训练和评测。论文报告，MiMo-V2-Flash训练后的综合分从60.4%升至76.1%，绝对提高15.7个百分点；这一成绩依赖模拟用户和模型裁判，不能直接等同真实用户满意度。

真实用户会在工具执行后改口

研究团队比较了单轮与多轮会话。多轮会话平均长度约21.2万字符，是单轮的4.7倍；38.7%的多轮会话包含明确纠错，单轮仅2.0%。在所有纠错中，36.0%发生在工具已经执行之后。智能体不仅要理解新要求，还要判断前一步结果是否仍然可用。

图1：真实会话按任务类别统计的多轮占比，数据分析与系统开发较高，信息检索较低。

现有工具调用数据通常先写好完整目标，再离线生成一条理想轨迹。这样的样本很少覆盖“用户没说清楚”“执行后发现方向不对”“格式不符合交付要求”等情况。部署中最费时间的部分，恰好常在这些来回修正里。

图2：真实会话包含追加条件、方向调整和工具执行后的纠错，不是固定脚本的单轮问答。

四维角色卡控制模拟用户

PersonaForge为模拟用户建立四维角色空间：职业、熟练度、知识背景和人格倾向。SOUL行为控制模块把提问长度、耐心、反馈方式和纠错概率校准到真实统计，避免所有模拟用户都用同一种措辞、一次性说完所有信息。

种子任务来自真实查询，再通过“反向深度构造”还原一个逐步披露的用户目标。模拟用户只掌握自己角色范围内的信息，根据智能体刚才的回答和工具结果决定下一句；智能体若走错方向，用户可以纠正，而不是照着预写脚本继续。

图3：框架以角色卡和行为控制生成多轮用户，再与智能体交互形成训练轨迹。

6300条训练记录，138项人工标注任务

团队据此构建约6300条训练记录，并制作PersonaForge-Bench。基准含138项人工标注任务，覆盖20多个专业领域，从任务完成、工具合适性、回答质量和交互效率四个维度评分。它不只看最终答案，还检查智能体是否问了必要问题、是否过早调用工具，以及能否根据用户新信息修正计划。

Qwen3.5-27B经PersonaForge训练后，综合分从76.2%升至80.3%，绝对提高4.1个百分点；任务完成和回答质量分别提高6.0和6.8个百分点。MiMo-V2-Flash的综合分提升更大，从60.4%升至76.1%，任务完成维度提高22.0个百分点。不同底座增幅差异明显，训练收益不能直接外推到所有智能体。