- URL: https://interconnected.org/home/2025/05/23/turntaking
- Added At: 2025-05-24 09:58:26
本文探讨了多人多AI聊天场景中的对话协调问题，指出传统系统在用户指定、追问处理及介入时机上的不足。作者团队提出基于“热情值”（Enthusiasm）的算法，通过定向发言优先、追问激活原AI、历史记录避干扰、技能性格评分等机制，优化AI回应决策，效果接近自然对话。未来需改进场景规则适配与非语言交互，推动高效有趣的AI协作模式。
本文探讨了在多人（包括人类和AI助手）聊天环境中实现自然对话的挑战与解决方案。作者指出，现有AI聊天系统受限于单一用户和单一AI的互动模式，而在多人多AI场景中，关键问题包括：如何决定由哪个AI回应消息，如何处理用户快速追问的接续对话，以及AI是否应介入人类私下交流。
作者与Glif团队通过实验发现，单纯依赖LLM判断是否回应（shouldReply模式）存在缺陷，如AI竞相发言、忽略角色性格等。通过借鉴人类对话机制，提出了基于“Enthusiasm”评分的算法，结合以下因素决定AI是否回应：
- 定向发言：若消息明确指定某AI或人类，则优先由被指定对象回应；
- 后续接续：判断消息是否为前文追问（如用户对AI回复的补充说明），触发原AI继续回应；
- 介入判断：通过历史发言记录避免打断现有对话；
- 技能与性格匹配度：AI根据自身技能（如搜索、创作）和设定性格（如主动或缄默）评估是否回应，LLM根据上下文评分0-9分；
- 最终决策：各AI计算Enthusiasm值后，系统筛选得分超阈值（如5分）的最高分者回应。
此方法虽简化了语言和肢体线索，但实际效果接近自然对话。未来需进一步优化群组规范适配（如会议与游戏场景的规则差异）、用户消息序列的完整性判断，以及探索非语言交互（如回复时机、界面手势）的潜在应用。最终目标是让多人多AI聊天既高效又有互动趣味性，推动AI与人类协作的新模式。