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

📄 arXiv: 2509.21849v2 📥 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 (更新: 2026-01-18)

💡 一句话要点

提出TRACE框架，通过多智能体模型分解任务，提升共情回复生成质量。

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

关键词: 共情回复生成 多智能体模型 任务分解 情感交流 深度分析 大型语言模型 人机对话

📋 核心要点

  1. 现有共情回复生成方法在分析深度和生成流畅性之间存在权衡，难以兼顾。
  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水线。
  3. 实验结果表明，TRACE框架在自动和LLM评估中显著优于现有基线方法。

📝 摘要（中文）

共情回复生成是创建更具人情味和支持性的对话代理的关键任务。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（LLMs）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水线，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相结合。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代理的有希望的范例。我们的代码可在https://anonymous.4open.science/r/TRACE-18EF/README.md 获取。

🔬 方法详解

问题定义：论文旨在解决共情回复生成任务中，现有方法难以同时兼顾分析深度和生成流畅性的问题。现有方法要么依赖于专业模型进行深入分析，但生成能力有限；要么依赖于大型语言模型进行生成，但缺乏对情感的深入理解，导致回复不够贴切。

核心思路：论文的核心思路是将共情回复生成任务分解为多个子任务，模拟人类的认知过程，从而实现深度分析和流畅生成的结合。通过结构化的任务分解，可以更好地利用不同模型的优势，提高共情回复的质量。

技术框架：TRACE框架采用多智能体模型，将共情回复生成过程分解为以下几个阶段：1) 上下文理解：分析对话上下文，识别关键信息；2) 情感识别：识别对话参与者的情感状态；3) 原因分析：分析情感产生的原因；4) 策略生成：制定回复策略；5) 回复生成：根据策略生成最终回复。每个阶段由一个独立的智能体负责，智能体之间通过消息传递进行协作。

关键创新：TRACE框架的关键创新在于其结构化的任务分解方式，将复杂的共情回复生成任务分解为多个可控的子任务。这种分解方式使得可以针对每个子任务选择最合适的模型，从而实现深度分析和流畅生成的结合。此外，多智能体模型的协作方式也使得框架具有更好的可解释性和可扩展性。

关键设计：TRACE框架的具体实现细节包括：每个智能体的模型选择（例如，可以使用预训练语言模型进行上下文理解和回复生成，使用情感分类器进行情感识别），智能体之间的消息传递机制（例如，可以使用共享内存或消息队列），以及训练策略（例如，可以使用多任务学习或强化学习）。具体的参数设置和网络结构取决于具体的应用场景和数据集。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，TRACE框架在自动评估指标（如BLEU、ROUGE）和基于LLM的评估中均显著优于现有基线方法。具体而言，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，证明了其结构化任务分解的有效性。与现有方法相比，TRACE框架能够生成更贴切、更具人情味的回复。

🎯 应用场景

TRACE框架可应用于各种对话系统，例如情感支持聊天机器人、心理咨询助手等。通过生成更具共情和理解的回复，可以提升用户体验，增强用户信任感，并在心理健康领域提供有价值的支持。未来，该框架还可以扩展到其他需要情感理解和表达的任务中，例如情感分析、情感生成等。

📄 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.