Following the TRACE: A Structured Path to Empathetic Response Generation with Multi-Agent Models

📄 arXiv: 2509.21849v1 📥 PDF

作者: Ziqi Liu, Ziyang Zhou, Yilin Li, Haiyang Zhang, Yangbin Chen

分类: cs.CL, cs.MA

发布日期: 2025-09-26

💡 一句话要点

提出TRACE框架，通过多Agent模型结构化路径生成共情回复，提升分析深度和生成流畅性。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 共情回复生成 多Agent模型 任务分解 情感交流 结构化推理

📋 核心要点

  1. 现有共情回复生成方法在分析深度（专业模型）和生成流畅性（LLM）之间存在权衡。
  2. TRACE框架将共情建模为结构化认知过程，分解为分析和综合的流程，实现深度分析和流畅生成的统一。
  3. 实验结果表明，TRACE框架在自动评估和LLM评估中均显著优于现有基线方法，证明了其有效性。

📝 摘要（中文）

共情回复生成是创建更具人性和支持性的对话Agent的关键任务。然而，现有方法面临着专业模型的分析深度和大型语言模型(LLM)的生成流畅性之间的核心权衡。为了解决这个问题，我们提出了TRACE，即情感交流和共情的任务分解推理框架。TRACE通过将任务分解为分析和综合的流程，将共情建模为一个结构化的认知过程。通过在生成之前建立全面的理解，TRACE将深度分析与富有表现力的生成结合起来。实验结果表明，我们的框架在自动和基于LLM的评估中都显著优于强大的基线，证实了我们的结构化分解是创建更强大和可解释的共情Agent的有希望的范例。我们的代码可在https://anonymous.4open.science/r/TRACE-18EF/README.md获得。

🔬 方法详解

问题定义：现有共情回复生成模型面临分析深度和生成流畅性之间的trade-off。专业模型虽然分析深刻，但生成能力有限；大型语言模型生成流畅，但缺乏深入的情感理解和推理能力。因此，如何兼顾分析深度和生成流畅性，生成更具共情能力的回复，是本文要解决的核心问题。

核心思路：TRACE框架的核心思路是将共情回复生成任务分解为结构化的认知过程，模拟人类的共情过程。通过任务分解，可以利用不同的Agent分别负责情感分析、推理和回复生成，从而实现深度分析和流畅生成的结合。这种结构化的方法使得模型更易于理解和控制，也更容易进行优化和改进。

技术框架：TRACE框架包含多个Agent，形成一个pipeline。首先，一个Agent负责对输入文本进行情感分析，提取关键的情感信息。然后，另一个Agent基于情感信息进行推理，理解说话者的意图和需求。最后，一个Agent根据推理结果生成共情回复。整个流程是结构化的，每个Agent各司其职，协同完成共情回复生成任务。

关键创新：TRACE框架的关键创新在于将共情回复生成任务分解为结构化的认知过程，并使用多Agent模型来实现这一过程。与传统的端到端模型相比，TRACE框架更具可解释性和可控性。此外，TRACE框架可以灵活地集成不同的Agent，从而实现更强大的共情能力。

关键设计：TRACE框架的具体实现细节包括：情感分析Agent可以使用预训练的情感分类模型；推理Agent可以使用知识图谱或规则引擎；回复生成Agent可以使用大型语言模型。各个Agent之间通过共享信息进行协作。损失函数的设计需要考虑情感的准确性、回复的相关性和流畅性。具体的参数设置需要根据实验结果进行调整。

📊 实验亮点

TRACE框架在自动评估和基于LLM的评估中均显著优于现有基线方法。具体而言，在自动评估指标上，TRACE框架在共情度、相关性和流畅性等方面均取得了显著提升。基于LLM的评估结果也表明，TRACE框架生成的回复更具共情能力，更符合人类的偏好。这些实验结果充分证明了TRACE框架的有效性。

🎯 应用场景

TRACE框架可应用于各种需要共情能力的对话系统中，例如心理咨询机器人、客服机器人、社交聊天机器人等。该研究有助于提升人机交互的自然性和情感连接，改善用户体验，并可能在心理健康领域发挥积极作用。未来，该框架可以进一步扩展到其他情感相关的任务中，例如情感识别、情感引导等。

📄 摘要（原文）

Empathetic response generation is a crucial task for creating more human-like and supportive conversational agents. However, existing methods face a core trade-off between the analytical depth of specialized models and the generative fluency of Large Language Models (LLMs). To address this, we propose TRACE, Task-decomposed Reasoning for Affective Communication and Empathy, a novel framework that models empathy as a structured cognitive process by decomposing the task into a pipeline for analysis and synthesis. By building a comprehensive understanding before generation, TRACE unites deep analysis with expressive generation. Experimental results show that our framework significantly outperforms strong baselines in both automatic and LLM-based evaluations, confirming that our structured decomposition is a promising paradigm for creating more capable and interpretable empathetic agents. Our code is available at https://anonymous.4open.science/r/TRACE-18EF/README.md.