[论文解读] Orchestration-Free Customer Service Automation: A Privacy-Preserving and Flowchart-Guided Framework

Mengze Hong, Chen Jason Zhang+4 more|arXiv (Cornell University)|Feb 17, 2026

Business Process Modeling and Analysis被引用 0

一句话总结

论文提出一种无需编排、可隐私保护的端到端客服自动化框架，使用面向任务的流程图（TOFs），采用两步对话到流程图构建方法和去中心化蒸馏在本地训练小型语言模型。

ABSTRACT

Customer service automation has seen growing demand within digital transformation. Existing approaches either rely on modular system designs with extensive agent orchestration or employ over-simplified instruction schemas, providing limited guidance and poor generalizability. This paper introduces an orchestration-free framework using Task-Oriented Flowcharts (TOFs) to enable end-to-end automation without manual intervention. We first define the components and evaluation metrics for TOFs, then formalize a cost-efficient flowchart construction algorithm to abstract procedural knowledge from service dialogues. We emphasize local deployment of small language models and propose decentralized distillation with flowcharts to mitigate data scarcity and privacy issues in model training. Extensive experiments validate the effectiveness in various service tasks, with superior quantitative and application performance compared to strong baselines and market products. By releasing a web-based system demonstration with case studies, we aim to promote streamlined creation of future service automation.

研究动机与目标

• 为服务自动化提供程序性指导的TOF结构定义。
• 通过代表性抽样与迭代流程图构建，提出一种从服务对话中构建TOF的成本有效方法。
• 通过流程图引导的提示与去中心化蒸馏实现无需编排的自动化，在本地训练小型语言模型。
• 通过对多项服务任务与数据集的定量基准与定性评估验证TOF。
• 发布一个基于网页的系统演示，展示实际部署并指导未来研究。

提出的方法

• 引入一个五节点TOF结构（起始 Start、行动/决策 Action/Decision、输出 Output、反思 Reflection、结束 End），具备有向边和 Mermaid 兼容表示。
• 将 Utterance Matching Ratio（UMR）与 Complete Path Coverage（CPC）作为基于语义匹配与路径完整性的流程图评估指标。
• 通过一个两步法解决 Weighted Dialogue Intent Coverage（WDIC）：（i）从对话中进行随机化/舍入式选择以覆盖意图；（ii）由本地小型语言模型（SLMs）驱动的迭代、领域感知的流程图构建。
• 使用三个预言器（领域分类器、意图描述符提取器、节点类型化器）与基于ILP或LP舍入的对话选择流水线，从对话数据中构建TOF以实现成本高效的覆盖。
• 提出流程图引导的提示（流程图感知提示与活动节点跟踪）以及去中心化流程图蒸馏框架，在本地数据上训练轻量级模型，同时从全局流程图生成合成数据。

实验结果

研究问题

• RQ1 TOF是否能在减少对代理编排需求的同时，为端到端客服自动化提供全面的程序性指导？
• RQ2 在确保覆盖意图与对话路径的前提下，如何从服务对话中以成本有效的方式构建TOF？
• RQ3 流程图引导的提示和去中心化蒸馏是否能使小型、在地部署的模型实现高任务完成率？
• RQ4 与现有的训练/提示基 baselines 相比，流程图在基准 TOD 任务上的表现如何，在实际外呼服务场景中呢？
• RQ5 在分布式训练环境中，TOF提供了哪些隐私保护与实际可行性的好处？

主要发现

• TOFs实现无需编排的任务协调，并通过去中心化数据处理与合成数据生成来保护隐私。
• 基于对话的迭代式流程图构建在 MultiWoZ 2.0 与 SGD 上实现强的 CPC 与 UMR，常常在覆盖度指标上优于人工标注与基于抽象的基线。
• 使用 LLaMA-3-8B 与 基于 GPT-3.5 的提示的流程图引导提示，在基准 TOD 数据集上实现与多项基线相当或更优的任务成功率与完成率。
• 在外呼银行场景中，基于本地生成合成数据训练的去中心化流程图蒸馏管线在 Exemplary Rate 与 Completion Rate 上超越商用基线，显示出在实际部署中的实用性。
• 该方法表明，在流程图型程序先验引导下，较小的开源模型也能达到或超过较大且专有的模型。