中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

AI發展快速，最適合的應用場景，應該是游戲了。光是NPC的問答、選項，就有很多可以操作的空間。本文從游戲行業出發，分析了問答機器人的實現原理和語料的經驗，供大家參考。

隨著AI這兩年的快速發展，游戲廠商躍躍欲試如何讓AI融入游戲。

半年前，我們也在游戲內嵌社區中，上線了一款以大語言模型為核心打造的問答機器人，旨在滿足玩家快速獲取攻略的需求。

這篇文章，將以游戲行業產品經理的角度，分享這款問答機器人的實現原理，及其語料的制作經驗。

一、為什么需要問答機器人

問答機器人所落地的游戲，是一款三國策略類游戲。游戲中玩家被隨機分到魏蜀吳中的一個國家，并通過一系列玩法攻城略地，擴展疆土。玩家可以招募各色三國英雄，并給英雄搭配不同裝備、學習不同技能以提升戰力，并可以組建不同的英雄陣容去挑戰別的玩家以及掠奪別國的城池。因此，游戲玩法的自由度給予了玩家很多策略探索的可能。

起初，我們只是搭建了一個問答社區，供用戶發表問題與分享攻略心得。隨著玩家人數增加及賽季的深入，玩家對攻略的需求日益明顯。官方發布的攻略，不一定能滿足玩家快速獲取攻略的需求。有時候玩家只想找一個答案，卻要看完一整篇攻略。因此，我們想通過智能問答機器人的形式，滿足玩家快問快答的痛點，以提升玩家的游戲體驗。

我們的智能機器人名為“諸葛先生”，以H5的形式開展對話。對用戶來說沒有復雜的功能，只要提問，機器人就會回答。

（頁面樣式這里用原型圖代替了哈）

二、機器人技術原理：大語言模型RAG的應用

在介紹問答機器人的原理前，先說一個前提，就是我們的大語言模型的語料庫中，有一種語料是QA形式的，即一問（question）一答（answer），與一般的段落形文章有所區別。關于語料庫的介紹，下邊章節會繼續細說。這里將繼續講機器人的運行原理。

如下圖，在用戶提出問題后，我們的機器人分有兩個答案輸出邏輯。首先，用戶提問的問題都會先進行內容檢索，通過檢索模型檢索出與用戶提問相關的內容。當檢索到用戶提問有匹配的QA時（即玩家提問匹配到語料庫中預設的Question），則程序會直接輸出Answer；另一種邏輯是，當檢索模型沒有檢索到匹配的QA，那程序就會繼續檢索其他內容（如文章段落），并產出一條帶內容的提示詞（prompt）輸入到大語言模型中，由大語言模型生成答案。

舉個例子，假設用戶提問了“趙云怎么培養”，則程序會通過檢索模型，先檢索是否存在與“趙云怎么培養”接近的question，存在則輸出對應answer，否則找出“趙云培養”相關的內容。我們比擬程序找到的相關內容為AABB，此時給到大語言模型的提示詞（prompt）就是：“AABB，請根據上述內容回答：趙云怎么培養?！贝笳Z言模型則根據上述提示詞生成答案。

為什么我們不直接使用大語言模型，而是前置一步加入檢索模型呢？

我們知道，大語言模型基于神經網絡模型，使用大量的語料庫進行訓練，比如互聯網上的大量文本數據。因此，大語言模型能高效準確地回答通用知識類的問題。而游戲屬于專有領域，如何讓大語言模型直接回答專有領域知識，則它給出的答案必定會差強人意（答非所問或是回答不出）。因此我們會先前置一步進行內容搜索，通過內容來約束大語言模型的生成。這樣的技術邏輯也稱為RAG（Retrieval-Augmented Generation，檢索增強生成）。

RAG其實就是對大語言模型的檢索能力及聯想能力的外擴，讓大語言模型在可控范圍內生成更準確高精的回答，尤其適用于專有領域的問答工具。RAG的原理如下圖：

圖片源自《Chatbot從0到1》（第2版），作者李佳芮、李卓桓

RAG 系統的起點一般是一個文本文檔的語料庫，簡單看起來是這樣的： 把文本分割成塊，然后把這些分塊嵌入到向量與transformer編碼器模型，把所有這些向量建立索引，從而查詢出與用戶提問相關的上下文，最后創建一個帶上下文的大語言模型提示語，讓模型回答用戶的查詢。

我們可以對比有無檢索模型對回答的差別：

大語言模型同樣是ChatGPT3.5，提問“趙云要怎么培養”，單純使用大語言模型，而沒有檢索模型的約束時，回答的內容就和游戲不沾邊（左圖）。而使用了檢索模型，讓大語言模型的回答就完全貼合游戲了（右圖）。

三、問答質量的打磨調優

為了提升機器人的回答準確率。我們的調優有幾個方面：

增強對用戶提問的理解

對于用戶的提問，除了分詞切割，我們還有錯字甄別、同義詞判定等邏輯，希望程序能盡量清晰理解用戶的意向。

增強檢索模型的召回質量

在眾多語料中如何找到最匹配玩家的內容呢？我們的檢索算法，會在對用戶提問進行分詞后，會先用BM25算法根據關鍵詞對文檔進行第一次評分，然后根據評分閾值提取top-k文檔進行第二次評分，還有問題和文檔稠密向量的相關性評分等。每一步都可能影響檢索的內容及LLM的回答結果。

選擇更智能的語言模型

機器人上線初期，使用的模型是國內的ChatGLM2.0。但通過拉取用戶的實際問答數據，我們發現答案質量并不理想，答案中存在較多答非所問、胡編亂造的問題。并且在多次調優檢索模型后（提高召回文檔的相關性），答案質量仍然不佳。

于是我們考慮更換大語言模型。我們找來了兩款智能體做對比，分別是ChatGPT3.5及Google旗下的Gemma。三者對比后我們發現，ChatGLM2.0的幻覺問題較其他兩個模型會更為明顯。意思就是，如果檢索模型召回的文檔中不存在用戶提問的相關內容（相關性低），則ChatGLM2.0會一本正經胡說八道。即便是檢索模型召回的文檔中有用戶所需的內容（相關性高），ChatGLM2.0也可能會回答失準。

最后我們選擇了ChatGPT3.5。對比下來，ChatGPT3.5在對話生成的流暢度、連貫性以及上下文理解方面的表現都更出色，能夠生成更加精準和自然的回答，對于無法回答的問題，也會更直接地告知用戶它不清楚。

四、語料的構成

如果說模型是問答機器人的肉軀，那語料就是血液。語料足夠多，覆蓋面足夠廣，問答機器人才會更具活力。

我們的語料有幾個部分構成：

• 游戲內所有呈現給玩家的文案，包括道具名稱、說明及玩法簡介。這類內容屬于短內容，只有單個句子或單一段落。
• 發布于官網、論壇的游戲攻略。這類內容屬于長內容，由多個段落構成。
• QA問答對。一問一答的固定內容。

如前所述，我們機器人分了兩個答案輸出邏輯，如果檢索模型命中QA，則會更快給玩家產出答案?；诖?，我們加大了QA問答對的產量，以提升問答效率。QA來源于玩家的真實提問，我們提取了高頻問題，以及部分刁鉆的提問，做成了問答對。

制作問答對比較費人工，因為answer都是人工寫的，有時候還要玩一下游戲驗證寫的answer是否正確。為了節約工時，我們又借用了AI工具協助我們生產問答對。這里AI工具的作用不是幫我們快速生成答案，而是提前生成玩家可能問到的問題并產出答案。我們給AI喂入上述語料中的2-攻略長內容，并讓AI根據文章內容中生成QA。不過，雖然生產速度提高了，但內容的實用性卻并不高。AI生成的問題并不像玩家的提問，更像是老師出的考題，需要再二次修改問答對的內容。因此，目前的問答對維護還是集中在人工生產。

五、問答機器人的未來創想

我們的問答機器人還有很多優化空間。目前，雖然它在提升玩家體驗方面已經取得一定成效，但仍存在一些需要改進的地方。例如尚未開發連續對話，玩家無法追問，造成對話交互不夠自然流暢。此外，隨著游戲內容的不斷更新，我們的語料庫也需要持續地維護和擴充，這也是需要不斷消耗人力的工作。

不過我相信，問答機器人將在未來的游戲世界中扮演更加重要的角色，為玩家帶來更加精彩和便捷的游戲體驗。

歡迎在評論區一起探討問答機器人的更多可能~