打造精鍊社交智能：TACT 框架如何讓 AI Agent 用最少 Token 達成談判目標
Building Communication-Efficient Social Intelligence in Language Agents with TACT
在進行談判或協調時，AI Agent 往往難以兼顧「達成目標」與「簡潔溝通」。本文提出「教師輔助溝通訓練」（TACT）框架。當學生模型生成行動後，由「表達專家」去除贅字、「策略專家」提出替代方案，接著透過模擬夥伴反應來評估各方案，在「社交目標達成度」與「Token 消耗」之間取得最佳平衡。最後，以此最佳參考對話引導學生模型進行同策略蒸餾，使其在部署時能獨立進行高效且得體的社交互動。
核心重點
溝通效率的雙重挑戰
語言 Agent 的溝通效率取決於「行動策略」與「語言表達」，這兩者不僅影響當下的發言，也會連帶影響對手的後續反應。
雙重專家教師機制
透過「表達專家」精簡不必要的細節，並由「策略專家」提出更符合對手約束條件的替代方案。
兼顧目標與 Token 成本
透過模擬對手反應，在目標達成率與 Token 消耗量之間取得最佳平衡，並以此作為蒸餾基準。
同策略蒸餾與獨立部署
透過同策略蒸餾引導學生模型，使其在實際部署時無須教師協助，即可獨立進行高效溝通。
技術圖解
為什麼重要
在多 Agent 系統和人機協作情境中，冗長的對話會增加運算成本與系統延遲，更會耗費使用者的注意力。TACT 框架證實，透過適當的社交策略與精煉表達，Agent 不需要冗長發言也能展現極佳的協作與談判能力，這對於建構低延遲、低成本且符合人類社交禮儀的 AI 系統至關重要。
對誰有影響
- AI 開發者
- AI 研究人員
- 產品經理
可以怎麼使用
- 1自動化商業談判與多方資源協調系統
- 2高效率客服機器人與個人任務助理
限制與注意事項
- 在訓練階段需要依賴高畫質的對手反應模擬，若模擬器與真實人類行為偏差過大，可能影響蒸餾效果。
- 訓練階段需同時運行多個專家教師與模擬對手，前期計算開銷與訓練架構較為複雜。
延伸閱讀
為什麼 Agent 的對話會騙人？微軟與 HF 推出 ThinkingBox 評測真實資料庫狀態
The Agent Said It Was Done, the Database Disagreed: Introducing ThinkingBox
傳統評測只看對話和工具呼叫，微軟與 Hugging Face 推出的 ThinkingBox 則改用「資料庫最終狀態」與「副作用」來檢驗 Agent 的真實可靠度。
AutoSynthData：以企業 Agent 的失敗為師，自動生成高規格微調訓練資料
AutoSynthData: Generating Targeted Training Data from Enterprise Agent Failures
AutoSynthData 是 ServiceNow 開發的框架，透過分析企業 Agent 的失敗案例與強大導師模型的成功軌跡，自動生成具備可行性、真實性與挑戰性的微調資料，顯著提升 Agent 在特定企業環境中的任務達成率。
KaliBench：首個 Kali Linux 資安工具指令生成基準測試，助 8B 模型直逼 685B 巨獸
KaliBench: Evaluating and Boosting LLM Command Generation on Kali Linux
KaliBench 是一個專為 Kali Linux 設計的細粒度指令生成基準測試。研究發現，現有開源模型在無提示下的 CLI 指令準確度皆低於 42%，但透過其獨創的「免執行期可驗證獎勵」進行強化學習，能讓 8B 微型模型達到媲美 685B MoE 模型的表現。