💻 computer science

Think Thrice Before You Speak: Dual knowledge-enhanced Theory-of-Mind Reasoning for Persuasive Agents

本文介绍了 ToM-PD 任务和 ToM-BPD 数据集，以解决现有大语言模型在心理理论推理方面的局限性，并提出“三思而后言”（TTBYS）框架，该框架利用双重知识，在预测欲望、信念和说服策略方面显著超越 GPT-5。

原作者： Minghui Ma, Bin Guo, Runze Yang, Mengqi Chen, Yan Liu, Jingqi Liu, Yahan Pei, Xuehao Ma, Qiuyun Zhang, Zhiwen Yu

发布于 2026-05-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Minghui Ma, Bin Guo, Runze Yang, Mengqi Chen, Yan Liu, Jingqi Liu, Yahan Pei, Xuehao Ma, Qiuyun Zhang, Zhiwen Yu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图说服一位朋友尝试一项新爱好，比如加入健身房或参与志愿服务。要想真正具有说服力，你不能只是大声喊出你的论点；你必须理解为什么他们会犹豫。你需要推测他们在想什么（他们的信念）、他们想要什么（他们的欲望），以及他们打算做什么（他们的意图）。在心理学中，这种推测他人内心活动的超能力被称为心理理论（Theory of Mind）。

本文认为，尽管现代人工智能（大语言模型）擅长交谈，但它们往往非常不擅长这种“读心术”。它们倾向于随机猜测你的感受，或将你的想法视为无关的事实，从而导致尴尬或低效的对话。

以下是研究人员为了解决这一问题所做工作的简要分解：

1. 问题：“一蹴而就”的猜测

当前的人工智能试图通过一次巨大的飞跃来猜测你的心理状态。这就像试图在不展示解题过程的情况下，通过猜测来解答一道复杂的数学题。由于它缺乏对人类思维如何相互关联的深刻理解（例如，“我相信下雨了”会导致“我想要一把伞”），它的猜测往往不可靠且不一致。

2. 解决方案：“三思而后言”（TTBYS）

作者创建了一个名为TTBYS的新系统。这个名字源自一句老话：“三思而后言”。与其一次性猜测所有事情，人工智能被迫暂停，像侦探破案一样，通过三个截然不同的步骤进行推理：

步骤 1：直觉检查（第一次思考）
人工智能观察你说了什么，并问道：“基于我过去见过的类似情况，这个人是有意愿、犹豫还是不愿意？”它不仅仅是猜测；它会查阅过往对话的“记忆库”，看看人们通常在类似情况下如何反应。
步骤 2：证据收集（第二次思考）
一旦它对你的欲望有了初步推测，它就会问：“是什么具体的信念导致了这种欲望？”它会再次深入记忆，寻找人们为何持有这些信念的例子。这有助于它构建对你感受的逻辑解释，而不仅仅是随机猜测。
步骤 3：策略制定（第三次思考）
既然它已经理解了你的欲望和信念，它就会问：“与这个人交谈的最佳方式是什么？”它会选择一种适合你当前心理状态的具体说服策略（例如，讲述一个故事、提供事实或展示同理心）。

3. 训练场：庞大的“读心”图书馆

为了教会人工智能如何做到这一点，研究人员构建了一个名为ToM-BPD的巨大新数据集。想象一下，一个图书馆里装满了成千上万条录音对话，其中每一句话都标注了“心理状态标签”。

他们不仅记录了说了什么，还精确标注了这个人想要什么、他们相信什么，以及另一个人使用了什么策略。
这为人工智能提供了一个巨大的“经验库”以供借鉴，类似于人类如何从多年的社交互动中学习。

4. 结果：更聪明、更像人类的交谈者

研究人员将这一新系统与一些最先进的人工智能模型（包括 GPT-5）进行了测试。

结果： 即使运行在更小、更便宜的计算机芯片（Qwen-3-8B）上，新系统也击败了庞大的 GPT-5 模型。
差异： 新人工智能在预测一个人的需求以及他们为何会有这种感受方面表现得更好。它也更加一致；它不太经常自相矛盾。
真实对话： 在人类与人工智能进行实时聊天的测试中，新系统更善于识别人类隐藏的担忧，并真正说服他们改变主意，使对话感觉更加自然和富有同理心。

核心结论

该论文声称，通过迫使人工智能“分步思考”并为其提供过去人类经验的图书馆以供学习，我们可以构建出不仅听起来聪明，而且真正理解人类的说服性智能体。它们从“猜测机器”转变为“推理伙伴”，能够驾驭人类信念和欲望的复杂网络。

技术摘要：三思而后言（TTBYS）

1. 问题定义

说服性对话系统需要具备推断和推理用户潜在心理状态的能力，这种能力被称为“心智理论”（Theory of Mind, ToM）。尽管大语言模型（LLMs）在该领域已取得进展，但现有方法通常依赖简单的提示策略，且缺乏足够的 ToM 知识。因此，它们往往无法捕捉心理状态（信念、欲望和意图）之间的内在依赖关系，导致在多轮交互中出现表征碎片化和推理不稳定的问题。

当前基准测试（如 NegotiationToM、ToMATO、PersuasiveToM）表明，由于缺乏先验知识，大语言模型在可靠的心理状态推断方面存在困难。此外，大多数现有方法将心理状态视为独立变量，而非对其序列演化进行建模，这限制了其在复杂说服场景中的可解释性和长期有效性。

2. 方法论

2.1 ToM-PD 任务与 BDI 框架

作者形式化了基于心智理论的说服对话（ToM-PD）任务，该任务基于信念–欲望–意图（BDI）框架。与自我状态的向前演化（信念 $\to$ 欲望 $\to$ 意图 $\to$ 行动）不同，ToM-PD 任务被建模为一个逆向的、逐步的推理过程。智能体观察被说服者的外部话语，并必须迭代推断：

意图（ $i_t$ ）： 话语的直接目标。
欲望（ $d_t$ ）： 用户对说服目标的态度（建模为 -1：不愿意，0：犹豫，1：愿意）。
信念（ $b_t$ ）： 驱动欲望的潜在观点或关切。
策略（ $s_t$ ）： 基于推断状态的最优说服回应。

2.2 TTBYS 框架

为了解决不稳定性和知识匮乏的挑战，本文提出了三思而后言（Think Thrice Before You Speak, TTBYS），这是一个知识增强的逐步推理框架。TTBYS 利用显式和隐式的先验经验，引导大语言模型通过三个不同的推理阶段：

第一思（欲望推断）：
- 将当前对话总结为高层意图（ $i$ ）。
- 利用该总结从知识库中检索前 $N$ 个语义相似的历史经验。
- 根据检索到的经验构建欲望的概率分布（ $P_{ex}$ ）。
- 将其与大语言模型的直觉概率分布（ $P_{ag}$ ）进行线性融合，以确定最终的欲望预测： $d^*_t = \arg \max (\alpha \cdot P_{ag} + (1-\alpha) \cdot P_{ex})$ 。
第二思（信念推断）：
- 利用推断出的欲望（ $d^*$ ）和对话总结，检索包含信念信息的相关经验。
- 将这些检索到的经验作为显式知识直接注入大语言模型的上下文中。
- 大语言模型基于对话、推断出的欲望以及检索到的示例，生成信念描述（ $b^*$ ）。
第三思（策略预测）：
- 系统利用对话总结和推断出的信念执行联合检索。
- 与第一思类似，使用系数 $\beta$ 将经验驱动的策略分布与大语言模型的分布进行融合，以选择最优策略。

2.3 ToM-BPD 数据集

为了促进研究，作者构建了基于心智理论的广泛说服对话（ToM-based Broad Persuasive Dialogues, ToM-BPD），这是一个源自 PersuasiveToM 基准的大规模标注数据集。

标注： 包含被说服者欲望（离散值 -1, 0, 1）和信念（自然语言陈述）的细粒度标签，以及说服者的策略。
分类体系： 策略分为三类（社会情感型、认知型、互动型），并基于详尽可能性模型（ELM）和动机性访谈细分为九种具体技巧。
质量控制： 数据集经过了严格的标注流程，包括半自动预标注、多轮人工验证以及标注员的资格测试。

3. 主要贡献

任务形式化： 提出了ToM-PD任务，显式建模心理状态（意图、欲望、信念）之间的序列依赖关系，以增强可解释性。
框架构建： 开发了TTBYS，这是一个知识增强框架，通过整合结构化的 ToM 经验，提高了大语言模型在说服对话中推理的鲁棒性和一致性。
数据集构建： 发布了ToM-BPD，这是一个多领域数据集，包含细粒度的心理状态标注，并已通过广泛的实验和案例研究得到验证。

4. 实验结果

作者在六个前沿大语言模型（包括 LLaMA-3.1-8B、Qwen-3-8B、Mixtral-7B 以及 GPT-5 和 Gemini-3-Pro 等闭源模型）上评估了 TTBYS。

静态评估：
- 性能： 配备 TTBYS 的 Qwen-3-8B 在欲望预测上比 GPT-5 高出1.20%，在信念预测上高出22.80%，在策略预测上高出16.97%。
- 对比： TTBYS 在所有开源骨干网络上，始终优于普通的零样本提示、思维链（CoT）以及其他 ToM 增强基线（Hypothetical Minds、Metamind）。
- 消融实验： 研究证实，基于经验的信号与基于大语言模型的信号的平衡融合（通过系数 $\alpha$ 和 $\beta$ ）能产生最佳结果。增加检索经验的数量通常能提升性能，特别是在第一思和第三思阶段。
交互评估：
- 在产品购买、社区活动和共情对话场景的模拟交互中，TTBYS（使用 Qwen-3-8B）在识别（揭示心理状态）和说服有效性方面显著优于 GPT-5 基线。
- 虽然 GPT-5+CoT 显示出稍高的一致性，但 TTBYS 展现了更优的能力，能够基于准确的心理状态推断来调整策略。
案例研究：
- 定性分析表明，TTBYS 能够捕捉基线模型遗漏的细微信念（例如，对在线隐私与乡村振兴相关性的不确定性），从而得出更准确的欲望预测并选择适当的策略。

5. 意义与主张

本文主张，TTBYS通过以下方式显著推进了 ToM 驱动说服对话的最先进水平：

增强可解释性： 通过将说服过程分解为显式步骤（欲望 $\to$ 信念 $\to$ 策略）并利用结构化推理，使系统的决策过程更加透明和可追溯。
提升鲁棒性： 先验经验的整合缓解了大语言模型在推断潜在心理状态时的不稳定性，使得较小的开源模型能够匹配甚至超越较大的闭源模型。
提供基础： ToM-PD 任务和 ToM-BPD 数据集为未来在社交互动中建模动态心理状态的研究提供了标准化基准。

作者承认了局限性，指出数据集规模相对较小，且该方法尚未在完全部署的真实世界说服系统中得到验证。他们强调，虽然该框架旨在用于亲社会应用，但必须采取保障措施以防止其在操纵性语境中的潜在滥用。