First Ask Then Answer: A Framework Design for AI Dialogue Based on Supplementary Questioning

文章总结与翻译

一、文章主要内容

本文针对大型语言模型（LLMs）在用户提供信息不完整或表述不明确时，难以生成准确且可用的回答这一问题，提出了“先提问后回答”（First Ask Then Answer, FATA）的交互框架。

1. 核心背景

现实场景中，非专业用户在咨询时往往会遗漏关键信息（如医疗咨询中的用药细节、行政咨询中的预算限制等），导致LLMs生成不准确或不相关的回答，影响决策效率并降低用户信任。现有方法存在被动响应（仅在检测到歧义时澄清）、单维度聚焦（仅解决歧义或信息不完整中的一个问题）、交互成本高（多轮澄清增加认知负担和语境偏移）三大局限。

2. FATA框架设计

FATA采用两阶段流程，以“主动补充信息+单轮交互”为核心：

• 阶段1：系统性问题生成（F1）：LLMs以领域专家视角，从上下文背景、约束条件、偏好、环境因素、历史背景五个关键维度，主动生成多维度补充问题，引导用户提供完整信息。
• 阶段2：语境增强回答生成（F2）：整合用户原始查询与补充信息，生成个性化、专业的回答。同时，通过单轮一次性生成所有澄清问题，减少对话长度，提升效率。