企业级业务场景下，对问题的回答准确率有更高的要求，不仅要求结果准确，更看重思考和行动过程准确，需要符合企业实际的业务逻辑。因此，相比ORM，PRM更符合企业级场景对过程正确的高要求。
首先是思维过程准确，基于用户问题，AI需要给出准确的思考过程。比如用户询问“上周华东大区的销售额是多少”，正确的思考过程应该是：
第一步，确定上周的日期范围；第二步，确定华东大区的系统ID；第三步，确定销售额字段为Sales，且位于具体的某个宽表；第四步，组装成完整的SQL语句
第二是行动过程准确，基于思考过程，AI需要采取对应的行动。在企业级场景中，AI更常见的行动不是对话，而是进行数据查询或者进行API调用。比如，以上述思考过程为例，AI应该采取行动，生成SQP查询语句。
SELECTsale_date, SUM(quantity) AS total_salesFROMsalesWHERE-- 筛选出上周的记录YEAR(sale_date) = YEAR(CURDATE() - INTERVAL 1 WEEK)AND WEEK(sale_date) = WEEK(CURDATE() - INTERVAL 1 WEEK)GROUP BYsale_dateORDER BYsale_date;
如果思维过程和行动过程都准确，那么自然会得到正确的业务结果。
3. PRM的实现流程
下面，我们以客服问答场景为例，简单介绍PRM的实现过程。
1. 任务分解与奖励定义
我们可以将客服对话系统简单地分解为【理解意图】、【检索知识】、【生成回答】这三个环节，分别定义每个环节的奖励信号和奖励规则。
理解意图：奖励信号是意图分类的准确性，通过对比预测意图与实际意图标签，正确+0.3分，错误-0.1分。
知识检索：奖励信号是检索结果的相关性，可以基于BM25或向量相似度进行计算，强相关性得1分，无相关性得0分。
回答生成：通过判断回答的流畅性、信息完整性和友好度进行判断，可构建专门的打分模型进行评估。比如训练一个二分类模型，输入对话历史（如最近 3 轮对话），预测用户是否会给出好评
同时，为每个环节设置权重，假设意图理解为0.3，知识检索为0.5，回答生成为0.2。示例代码如下：
import torchfrom transformers import BertTokenizer, BertModelclass DialogueRewardModel(torch.nn.Module):def __init__(self):super().__init__()self.bert = BertModel.from_pretrained("bert-base-uncased")self.intent_head = torch.nn.Linear(768, 3) # 3种意图self.retrieval_score = torch.nn.Linear(768, 1)self.fluency_head = torch.nn.Linear(768, 1)def forward(self, user_query, bot_response, retrieved_doc):# 编码用户输入query_embed = self.bert(**user_query).last_hidden_state.mean(dim=1)# 阶段1：意图理解奖励intent_logits = self.intent_head(query_embed)intent_reward = torch.nn.functional.cross_entropy(intent_logits, true_intent_label)# 阶段2：检索奖励doc_embed = self.bert(**retrieved_doc).last_hidden_state.mean(dim=1)retrieval_sim = torch.cosine_similarity(query_embed, doc_embed, dim=1)# 阶段3：生成奖励response_embed = self.bert(**bot_response).last_hidden_state.mean(dim=1)fluency_score = self.fluency_head(response_embed)# 综合奖励total_reward = 0.3 * (intent_reward) + 0.5 * retrieval_sim + 0.2 * fluency_scorereturn total_reward
2. 准备训练数据
可以使用历史客服对话数据构建轨迹数据集
S代表状态空间，包括了当前用户问题、对话历史、用户情绪得分；A代表动作空间，包括了生成回答的文本或者调用知识库API的决策；R代表奖励，表示在第n个状态下，AI采取行动an所获得的奖励。
3. 进行强化学习
将PRM集成到强化学习框架中，比如PPO，替代环境提供的原始奖励，如以下代码所示：
# 基于 Hugging Face Transformers 的对话策略from transformers import GPT2LMHeadModel, GPT2Tokenizerimport torchclass DialoguePolicy:def __init__(self):self.tokenizer = GPT2Tokenizer.from_pretrained("gpt2-medium")self.model = GPT2LMHeadModel.from_pretrained("gpt2-medium")def generate_response(self, state):input_text = f"User: {state['user_query']}nBot:"inputs = self.tokenizer(input_text, return_tensors="pt")outputs = self.model.generate(**inputs, max_length=100)response = self.tokenizer.decode(outputs[0], skip_special_tokens=True)return response.split("Bot:")[-1].strip()# 训练循环（PPO 框架）def train_ppo(policy, reward_model, epochs=10):optimizer = torch.optim.Adam(policy.parameters(), lr=1e-5)for epoch in range(epochs):state = env.reset() # 假设 env 为模拟对话环境for t in range(max_steps):action = policy.generate_response(state)next_state, done = env.step(action)reward = get_reward(state, action)# PPO 更新逻辑（简化）advantage = calculate_advantage(reward, policy, next_state)loss = -torch.mean(advantage)optimizer.zero_grad()loss.backward()optimizer.step()
第一步，查询1楼的供水管温度传感器；第二步，查询该供水管温度传感器的数值；第三步，查询1楼的回水管温度传感器；第四步，查询该回水管温度传感器的数值；第五步，计算两个数值的差
MATCH(r:Sensor) WHERE r.Name =~ ‘.*1F.*' AND r.type =~ ‘.*供水管温度传感器.*' RETURN r
更多精彩文章：
大佬们都在关注的AI Agent，到底是什么？用5W1H分析框架拆解AI Agent（上篇）
风叔，AI大模型领域创业者，前腾讯产品总监，十多年产品设计和商业化经验，对电商、营销、AI和大数据产品具备丰富的实战经验。风叔将坚持输出自己的总结和思考，希望对你有帮助。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
THE END
