对话系统分为两种，一种是开放领域的对话机器人（chatbots），这种对话系统根据目标分为许多下游任务分支，例如在情感、社交方面；具备特定领域知识的行业bot，例如法律，医疗等，大模型的出现让这种chatbots的构建变得更加简单和智能。另外一种任务型对话机器人(task-oriented dialogue systems)则更加服务于特定任务，有非常明确的意图集合(intent set), 这个集合是close domain的，因此无法进行闲聊等偏离特定任务的对话。

两种对话系统的对比

chatbots

聊天对话机器人主要是通过seq2seq模型，将用户的输入通过模型推理生成相应的对话，常见的方式有GPT类模型，训练方式有三个主要步骤：

1. Pretraining 语料预训练，掌握初始的自然语言理解能力。
2. Instruction Finetuning 指令微调，一般使用对话数据，让大模型养成人人对话习惯。
3. Reinforcement Learning From Human Feedback（RLHF） 强化学习，对齐人类价值观。

在模型训练完之后，再加入特定领域的知识可以让模型具备回答特定领域问题的能力，从而形成领域大模型。

常用于社交、情感、通用能力（代码、数学、语言类等）的开放领域交流。

task-oriented dialogue systems

任务型对话机器人更偏向于执行特定的任务或者说回答预设的问题，例如常见的FAQ问答，预定、营销系统等。

任务型对话机器人一般需要具备以下能力：

1. 词槽识别
2. 意图识别
3. 对话状态管理
4. 对话状态跟踪
5. 对话策略

保守型

一般为了让任务型能不犯错的完成任务，会使用较多条件去约束或让机器人去引导用户去完成任务，例如：

• 用户输入“帮我预定一个房间”，机器人回复“请提供您的姓名、手机号、入住日期、退房日期、房间类型、人数等信息”

通过设置对应的条件，在满足条件后继续到下一个步骤，否则将在本节点继续停留直至所要求的信息被完全收集，例如：

• 用户输入“张三，133***， 明天，后天退房”， 机器人回复“好的，为了给您预定合适的房型，请您告诉我房间类型和人数，如有住房偏好请提供。”

这样的做法虽然可以在一定程度上保证信息的完全填充，但遇到预设条件之外的要求，那么机器人将无法完成任务。