大模型前的智能问答系统

大模型统一代指以ChatGPT为代表的，参数量相比以前模型有明显量级变化的生成模型。

智能问答系统，按照应用可以划分*任务型 *和 非任务型。
任务型问答系统，按照技术实现方式可以划分为，管道式（pipeline)和端到端（end-to-end)。

任务型问答系统，多基于管道式方案进行。
如：Rasa的 NLU+Core模块，对应管道架构中的自然语言理解（NLU）+对话管理（DM）;
科大讯飞的AIUI平台,需要对意图和槽位进行设置；
思必驰的整体交互逻辑，也把NLU和DM进行了区分。

管道式问答系统的具体架构如下图：

ASR:将音频识别成文本；
NLU:识别文本的意图和槽位信息，供系统决策使用；
DST:追踪和存储历史的对话状态，供决策使用；
DPL:基于历史信息（意图/槽位/系统回复），做决策；
NLG:生成回复文本；
TTS:将文本转化为语音；

传统管道式架构存在的问题

1.NLU基于上下文的理解：多数意图识别是基于本轮文本进行识别。但存在部分需要基于上轮文本进行识别的情况，如：
一轮：今天天气怎么样？
二轮：明天呐？
二轮是基于一轮的省略。
还有那种仅参考本轮为意图A,参考上轮信息为意图B的情况。

2.对话管理模块（DM)，一直没有找到成熟的解决方案。
DM就是存储历史信息，并基于历史和当前轮数信息，决定下一步的动作（action）。这相当于人类的大脑的决策过程。
该模块，从开始的基于规则做特定的逻辑处理，到基于状态机转移，到基于深度学习模型（如rasa的ted模型），一直都不能做到通用和智能。

3.自然语言生成（NLG)本身就是一种生成。 前期通过将回复答案提前预制，通过分类模型选择哪个预制回复的方式，缺乏通用性和智能化。
且*以Bert为代表的自编码式的深度学习模型，其更适合做分类任务。*而想要做好智能问答系统（通用/友好），NLG应该是一种生成模型。

#大模型在任务型问答系统中应用
大模型的相关应用，也是当下探索的热点。下面也是本人的一点理解，勿喷

后续补充
#大模型智能问答系统
langchain架构，如果将agent引擎使用大模型，基本上就是大模型智能对话的架构了，个人理解，后续有时间补充