1. 引言当法律咨询遇上“会提问”的智能体最近在跟一个做法律科技产品的朋友聊天他提了个挺有意思的痛点他们团队开发的智能法律咨询助手用户反馈总是“太死板”。用户问“公司拖欠工资怎么办”助手能按部就班地给出《劳动法》相关条款和仲裁流程。但问题是很多用户自己都说不清关键细节——比如是劳动合同纠纷还是劳务派遣拖欠了多久有没有签书面协议有没有保留考勤记录这些细节恰恰是决定后续法律路径和胜算的关键。现有的对话系统要么是机械地一问一答要么是让用户在一开始就填一个巨长的表单体验很差。这让我想起了我们正在研究的一个方向双重分层对话策略学习。这名字听起来有点学术但核心思想很直接——就是教一个对话智能体学会“像资深律师一样提问和引导”。它不能只是被动地回答更要主动地、有策略地挖掘信息。这个“策略”是分层的一层决定这场对话的宏观目标是什么比如是初步定性纠纷还是收集证据链另一层则负责在每一个微观的对话轮次中选择最该问的那个问题。而驱动这个策略学习的“燃料”就是强化学习。想象一下你面对的不是一个冰冷的问答机器而是一个懂得“先问大事再抠细节”的虚拟法律顾问。它不会一上来就问“你工资卡的卡号是多少”而是先判断你遇到的是劳动争议还是合同纠纷然后像剥洋葱一样一层层引导你说出核心事实。这就是“双重分层”对话策略想要实现的效果。接下来我就结合我们的一些实验和思考拆解一下这个技术框架是如何工作的以及在实际构建法律垂类对话智能体时那些文档里不会写的坑和技巧。2. 双重分层策略为何“分而治之”是法律对话的核心在通用闲聊场景下对话策略可能更关注如何让对话有趣、流畅。但在法律、医疗、金融这类高专业性、高严谨性的领域对话必须有极强的目的性和逻辑性。一个“扁平”的、只考虑当前轮次的策略模型很容易陷入“捡了芝麻丢了西瓜”的困境或者问出一堆逻辑混乱、让用户反感的问题。2.1 宏观策略层为对话绘制“战略地图”宏观策略层我习惯把它叫做Dialogue Manager或者Topic Planner。它的任务不是决定下一句具体说什么而是判断当前对话阶段应该完成什么“战略目标”。以一个简单的劳动纠纷咨询为例宏观策略层可能会将整个对话规划为几个阶段纠纷定性阶段目标是快速将用户问题归类如工资拖欠、工伤赔偿、违法解雇等。核心事实收集阶段根据定性结果收集该类纠纷的关键构成要件如拖欠时长、合同类型、证据情况。解决方案生成与评估阶段基于已有事实生成初步法律建议并评估其可行性和风险。后续指引阶段告知用户需要准备的材料、可能的法律流程仲裁、诉讼及注意事项。这个分层是如何实现的呢在实践中我们通常将其建模为一个高层级的马尔可夫决策过程。智能体观察到的“状态”是经过抽象和概括的对话历史特征比如当前已识别出的实体类型“公司名称”、“拖欠金额”、“时间点”、用户情绪、以及对话轮数等。“动作”空间就是上述那些宏观阶段目标。而“奖励”则设计得非常关键它不能等到对话完全结束才给出那太稀疏了而是需要设计一些中间奖励。例如成功将对话推进到下一个阶段会得到一个正奖励如果在一个阶段停留过久或用户表现出困惑/不耐烦则得到一个负奖励。注意宏观策略的“动作”不是直接生成文本而是一个抽象的“目标标签”。这个标签会作为关键输入传递给微观策略层。这就好比项目经理给程序员分配了一个开发任务宏观动作程序员再决定具体写哪几行代码微观动作。2.2 微观策略层在战术层面执行“精准提问”微观策略层才是那个直接决定下一句系统回复内容的模块。它接收两个关键输入一是当前具体的对话上下文包括最新的用户语句、整个对话的历史记录二是来自宏观策略层的“当前阶段目标”。继续上面的例子假设宏观策略层判定当前处于“核心事实收集阶段”且目标是“收集拖欠工资的证据情况”。那么微观策略层就需要从一系列候选问题中选出最合适的一个候选问题A“您有劳动合同吗”候选问题B“您有银行流水或工资条证明拖欠事实吗”候选问题C“公司是以什么理由拖欠工资的”一个训练有素的微观策略应该能判断出在证据收集中证明劳动关系存在问题A和证明拖欠事实存在问题B是优先级更高的基础性问题而拖欠理由问题C可能稍后再问。它可能会优先选择问题B因为银行流水是证明拖欠金额和时间最直接的证据。微观策略的学习同样依赖强化学习。它的奖励信号更密集、更具体。例如正奖励用户回答中包含了模型所问问题期待的关键信息实体如问银行流水用户回复了“我有3个月的转账记录”。负奖励用户回答“我不知道”或给出无关信息用户跳过当前问题同一类问题重复提问。2.3 双层的协同与信息流两层策略不是孤立的它们通过一个共享的对话状态追踪器Dialogue State Tracker, DST紧密耦合。DST负责从原始对话历史中提取结构化信息例如用槽位填充的方式记录“纠纷类型工资拖欠”、“拖欠主体XX公司”、“已确认证据劳动合同、银行流水”。宏观层会读取DST的摘要信息例如哪些关键槽位还未填充来决定下一步的战略方向。微观层则结合DST的详细状态和宏观目标来选择具体填充哪个槽位的问题。这种“分层决策共享状态”的架构其最大优势在于解决了动作空间过大和奖励稀疏的问题。如果把所有可能的用户问题和系统回复都混在一个层面做决策动作空间是指数级增长的模型很难学习。分层之后宏观层在较小的、抽象的动作空间里学习长期规划微观层在受约束的由宏观目标限定动作空间里学习短期执行学习效率大大提高。3. 基于强化学习的策略优化从“随机试探”到“老练引导”有了分层架构我们如何让智能体从“小白”成长为“老手”这就需要强化学习RL来扮演“教练”的角色。但直接应用经典的RL算法如DQN、PPO到对话策略上会遇到不少挑战。3.1 奖励函数设计告诉模型什么是“好对话”奖励函数是RL模型的指挥棒。在法律对话中一个好的奖励函数需要平衡多个维度任务完成度奖励这是最核心的。当对话结束时我们可以根据DST中关键槽位的填充率来计算一个最终奖励。例如成功收集到“纠纷类型”、“主体”、“关键证据”、“诉求”这四个核心槽位就给予高额奖励。填充不全则按比例扣减。效率奖励鼓励用更少的轮次完成任务。可以在每一步给予一个小的负奖励如-0.1促使模型尽快结束对话。用户满意度奖励模拟在离线训练或用户模拟中我们可以设计一个模拟用户满意度的模型。例如如果系统连续追问两个无关问题用户模拟器可以返回一个“困惑”信号并降低奖励。或者如果系统的问题清晰、有逻辑用户模拟器更容易给出高质量回答从而间接提升任务完成度奖励。安全性/合规性奖励对于法律场景尤其重要。如果系统生成了任何可能产生误导、过于绝对如“你一定能赢”或超出其能力范围如给出具体的法律条文解释但解释错误的回复必须施加严厉的负奖励。在实际操作中我们通常采用线性加权的方式组合这些奖励总奖励 w1 * 任务奖励 w2 * 效率奖励 w3 * 用户模拟奖励。权重的调优是个经验活初期可以更侧重任务完成度后期再慢慢加入效率和满意度权重。3.2 训练范式用户模拟器与离线学习的实战技巧让模型直接跟真人用户学习成本太高且风险大。因此构建一个高质量的用户模拟器至关重要。对于法律对话这个模拟器不能只是随机生成句子它需要拥有一个用户目标例如“我想咨询公司无故降薪怎么办”。内部维护一个用户知识状态知道自己的合同情况、证据情况等。根据系统提问和自身目标按照一定的策略可以是一个规则模型也可以是一个简单的神经网络生成回复。我们搭建模拟器时用了大量真实的、脱敏的法律咨询对话记录作为样本让模拟器学习用户的语言模式和回答逻辑。一个常见的坑是模拟器太“乖”了系统问什么它就答什么这会导致训练出的策略模型在真实场景中非常脆弱。因此我们有意为模拟器加入了一定比例的噪音行为比如答非所问以较低概率回复一个无关内容。提供不完整信息系统问“有劳动合同吗”模拟器可能回答“签过”但不主动提供细节迫使系统进行追问。反问模拟器可能反问“这个重要吗”来测试系统的解释和引导能力。除了在线模拟离线强化学习Offline RL也越来越受关注。我们可以利用积累的历史对话日志通常是人类客服与用户的对话作为静态数据集直接从中学习策略。这避免了在线探索的风险。但难点在于历史数据中的策略人类客服可能不是最优的且数据覆盖的动作空间有限。我们尝试结合保守性Q学习一类的算法让模型在利用历史数据的同时避免过于偏离数据中已观察到的好的行为。3.3 策略模型选型从AC到A2C再到注意力机制在微观策略层我们通常采用Actor-Critic框架。Actor网络负责生成动作选择问题Critic网络负责评估当前状态的价值。Actor策略网络输入是对话状态和宏观目标输出是选择每个候选问题的概率分布。Critic价值网络输入同样是对话状态和宏观目标输出是一个标量值预测当前状态下遵循当前策略所能获得的未来累积奖励的期望。一个重要的进阶是引入注意力机制尤其是在处理长对话历史时。我们参考了Actor-Attention-Critic for Multi-Agent RL的一些思想但用在了单智能体的时序决策上。具体来说Critic网络在评估状态价值时会对历史对话中的每一轮交互计算一个注意力权重。这样模型就能更关注那些与当前决策最相关的历史片段而不是平等地看待所有过去信息。例如当系统正在追问证据细节时用户最早描述的纠纷起因权重可能会降低而最近几轮关于证据的问答权重会升高。这种带注意力的Critic能提供更精准的价值估计从而引导Actor做出更好的决策。我们在实验中发现引入注意力机制后模型在应对用户话题跳跃或重复提问时表现得更加稳健。4. 法律领域适配知识注入与边界守护将通用的分层RL对话框架应用到法律领域需要大量的领域适配工作否则模型很容易说出“外行话”或给出危险建议。4.1 领域知识图谱的嵌入法律对话的核心是逻辑和要件。我们构建了一个轻量级的法律知识图谱将其作为外部知识源注入到对话系统中。这个图谱不一定非常庞大但需要包含实体如“劳动争议”、“劳动合同”、“经济补偿金”、“仲裁委员会”。关系如“劳动争议-包含-工资纠纷”、“劳动合同-是-证明劳动关系的证据”、“申请劳动仲裁-需要-提交-仲裁申请书”。属性如“工资纠纷-关键要件-拖欠事实、劳动关系证明”。在对话过程中DST不仅填充槽位还会尝试将槽位值与知识图谱中的实体对齐。例如当用户提到“公司没给加班费”DST不仅记录“诉求索要加班费”还会链接到知识图谱中的“加班费争议”节点。宏观策略层可以利用这个链接知道下一步应该引导收集“加班事实的证据”如考勤记录、加班通知和“工资基数”等信息。知识图谱的嵌入方式我们采用了知识增强的编码器。在将对话文本输入BERT等预训练模型进行编码时同时将当前对话状态涉及的知识图谱子图以实体为中心的一跳或两跳关系也编码成向量与文本向量进行融合。这样模型的内部表示就包含了结构化知识。4.2 回复生成的安全与可控性微观策略层选择的是“问题模板”或“对话动作”如request(evidence_type)最终的回复文本由一个独立的自然语言生成模块产生。对于法律场景这个生成模块必须是高度可控的。模板化与槽位填充对于大部分询问信息、确认信息、流程指引的回复我们优先使用模板。例如“请问您是否有关于[证据类型]的书面材料”这种方式绝对安全但灵活性稍差。受限的神经网络生成对于需要总结、解释或安慰的回复我们使用基于Transformer的生成模型。但关键措施是约束解码。我们定义了一个“安全词表”其中只包含经过审核的法律术语、中性表述和引导性词语。在生成每一个词时模型只能从这个词表中采样。同时我们使用知识图谱作为内容规划确保生成句子的主题不偏离。后处理与过滤生成的文本必须经过一个安全过滤器其中包含敏感词列表和规则逻辑例如禁止出现“保证胜诉”、“绝对没问题”等绝对化表述。实操心得不要过分追求生成的“自然流畅”而牺牲安全性。在法律咨询中准确性和严谨性远高于语言的华丽。我们采用“模板为主生成为辅”的策略将生成模型仅用于对已确认信息的重组和润色核心事实询问全部用模板。这大大降低了风险。4.3 拒绝机制与责任边界一个负责任的法律对话智能体必须清楚自己的能力边界。我们设计了明确的拒绝机制当用户问题涉及非常复杂的、非标准化的法律场景如涉及多个法域、刑事案件时系统应能识别并回复“您的情况可能比较复杂涉及专业判断建议您携带详细资料咨询线下执业律师。”当对话状态显示用户提供的信息矛盾或极度模糊经过多次引导仍无法澄清时系统可以结束询问并总结已获取的信息同时建议用户补充材料。所有对话都应被记录并在结束时生成一份对话摘要列出用户陈述的关键点、系统已确认的信息、以及建议的后续步骤。这份摘要可以提供给用户作为其线下咨询的参考。这个拒绝机制的触发也是由宏观策略层来决策的。我们将“建议转人工”或“结束并提供摘要”也设计为宏观层的可选动作之一并通过奖励函数鼓励模型在无法推进时选择这些“安全出口”而不是硬着头皮乱问乱答。5. 评估、迭代与上线挑战构建这样一个系统评估体系至关重要它不能只看单一指标。5.1 多维度的评估体系我们建立了离线评估和在线评估两套体系。离线评估任务成功率在测试集由模拟器或标注的对话上能成功完成预定目标的对话比例。对话轮次平均完成一个任务需要多少轮对话。越少越好但需与成功率平衡。槽位填充准确率系统询问的槽位最终被正确填充的比例。人工评测邀请法律背景的标注员从“问题逻辑性”、“引导有效性”、“回复准确性”、“语言专业性”等多个维度对对话进行打分。在线评估A/B测试用户任务完成率真实用户是否通过对话得到了他想要的答案或指引。用户满意度评分对话结束后的即时评分。转人工率有多少用户在中途选择转接人工客服。这个率不是越低越好在模型能力不足的场景下适时的转人工反而是好的。次留率/用户粘性用户是否会再次使用该服务。5.2 持续迭代的飞轮模型上线不是终点。我们设计了一个持续迭代的闭环在线服务模型服务真实用户。日志收集与脱敏所有对话日志被安全地收集和脱敏处理。问题挖掘与标注通过自动规则如高转人工率对话、低满意度对话和人工抽检发现模型存在的问题案例。模拟器增强与模型再训练将问题案例转化为新的训练样本注入用户模拟器并用于微调或重新训练策略模型。模型更新与发布经过充分测试后更新线上模型。这个过程中最耗时的部分是高质量标注。法律对话的标注需要标注员不仅理解对话内容还要具备基本的法律知识来判断系统的问题是否合理、回复是否准确。我们与法学院合作建立了一支兼职的标注团队并制定了详细的标注规范。5.3 上线部署的工程考量最后聊聊工程上的坑。一个研究可行的模型要变成稳定可靠的在线服务还有很长的路。推理延迟分层RL模型特别是结合了大型预训练语言模型和知识图谱查询推理时间可能成为瓶颈。我们需要对模型进行蒸馏、量化并对知识图谱查询做缓存。状态管理对话状态追踪器DST必须是无状态的、可快速恢复的。我们将会话状态存储在Redis等高速缓存中确保在服务重启或扩缩容时用户体验不受影响。监控与告警除了常规的服务健康监控我们特别设立了业务指标监控如“异常问题检测”监控系统是否频繁询问某些奇怪的问题、“槽位填充异常”监控某个槽位是否始终无法填充。一旦触发阈值立即告警便于快速排查是模型问题还是数据问题。构建一个用于法律咨询的双层对话策略智能体是一个融合了自然语言处理、强化学习、知识工程和领域专业知识的复杂项目。它没有一劳永逸的银弹核心在于理解“分层决策”如何模拟人的专业思维并用强化学习让机器学会在复杂、有约束的领域内进行探索和优化。每一次与模拟器的对抗每一次对奖励函数的调整每一次在真实数据中发现的模型“蠢问题”都是这个智能体成长的养分。这条路还很长但看到它从最初语无伦次的提问逐渐变得有条理、有重点甚至能处理一些简单的分支情况时那种感觉就像在教一个实习生慢慢入门还是挺有成就感的。