SCorPion：用GraphRAG打造可控制的人格化对话伙伴

固定提示词的语言模型在开放域对话中常显乏力——话题越多元，越需要不同的专家建议或示范来释放模型潜力。针对这一痛点，研究者提出SCorPion，一个基于GraphRAG的战略性、可控且人格化的对话伙伴。它从多样文本语料中提取不同聊天策略，引导模型按人类原则切换风格，并通过图检索增强生成实现全局知识图谱的抽取与摘要，最终产出聚焦查询的最优策略。

从固定提示词到动态策略：SCorPion的核心理念

传统对话系统依赖固定的系统提示词，这在限定场景下表现稳定，但面对开放域闲聊时，单一提示词难以覆盖所有话题所需的专业性和语气。SCorPion的出发点正是“动态提示”思路：既然语言生成领域已证明动态提示能提升效果，那么对话场景同样可以从不同形式的文本语料中提取聊天策略，让模型根据对话情境动态调整行为。

具体来说，研究团队从多种文本源中抽取风格各异的对话策略，这些策略并非随意设定，而是基于人类交流原则进行筛选和归纳。这样，模型不再是“一副面孔”应对所有对话，而是能够根据用户意图和话题属性，调用合适的策略来组织回应。这种策略层面的切换，是SCorPion实现“战略性”和“人格化”的基础。

动态提示（dynamic prompting） 指不把系统提示词视为固定常量，而是根据输入、上下文或检索结果在推理时拼装或改写提示内容。常见形式包括：按查询检索示例做少样本提示、由模型先生成推理计划再据此构造提示、以及按任务类型切换不同的指令模板。与之相对的是静态提示，即一次编写、长期复用。动态提示的优势在于能把外部知识或策略注入到提示中，缓解单一提示难以覆盖多场景的问题；代价则是增加了检索与编排的复杂度，且提示长度受限、效果依赖检索质量。在对话场景中，动态提示通常表现为对「说话风格、回应结构、共情程度」等维度的切换。

GraphRAG如何驱动策略提取与总结

SCorPion的技术核心是GraphRAG。与传统RAG仅检索局部文本片段不同，GraphRAG强调对知识图谱进行全局抽取和总结：它先构建知识图谱，再对图谱中的社区进行摘要，形成社区级的策略总结，最后根据具体查询生成聚焦该查询的最优策略。

这一流程让SCorPion具备了“全局视野”——它不局限于单轮对话的上下文，而是利用图谱结构理解话题之间的关联，从而在策略选择上更有依据。据原文描述，SCorPion使用GraphRAG来“extract and summarize the knowledge graph globally, yield community-summarized strategies, and produce query-focused optimal strategies”，这三个环节层层递进，分别对应知识结构化、策略归纳和查询适配。

知识图谱全局抽取

第一步是将对话策略相关的知识组织成图结构。相比扁平化的向量检索，图结构能保留策略之间的层次和关联，为后续的社区发现和摘要提供基础。

社区摘要生成策略

在图上识别社区后，对每个社区内的知识进行摘要，形成可复用的策略单元。这些社区摘要相当于“策略库”，每个策略都带有特定的风格和适用场景。

社区检测（community detection） 是图分析中的经典任务，目标是把图中连接紧密的节点划分成簇。在GraphRAG中，常用Leiden算法在知识图谱上做层次化划分，得到从粗到细多级社区。每个社区内的实体在语义上往往高度相关，因此对社区整体生成一段摘要，就能得到一个抽象层次较高的「主题描述」。这种预计算摘要的好处是：面对宏观性问题时，系统无需临时扫描全部原文，而是直接调用已有的社区摘要，既降低推理开销，也提升了回答的全局一致性。对SCorPion而言，每个社区摘要恰好可以承载一种带有特定风格的对话策略。

查询聚焦的最优策略

当用户输入到来时，系统根据查询从策略库中匹配并生成最优策略，引导语言模型产出符合当前情境的回应。这一环节确保了策略的动态性和针对性。

GraphRAG（基于图的检索增强生成） 是微软研究院于2024年提出的一种RAG改进方案。传统RAG将文档切分为文本块，以向量相似度检索与查询最相关的片段；这种方式在需要跨文档、全局性理解的问题上（如「这批文档的主要主题是什么」）表现不佳。GraphRAG的做法是先用大模型从原始语料中抽取实体与关系，构建知识图谱，再通过社区检测算法（如Leiden）把图划分为层次化的社区，对每个社区预先生成摘要。查询时，系统既可以做局部检索（围绕具体实体展开），也可以做全局检索（汇总社区摘要回答整体性问题）。其代价是索引阶段需要大量LLM调用，成本显著高于朴素RAG，因此更适合语料相对稳定、对全局归纳有需求的场景。

可控性与人格化：让对话风格可调节

SCorPion的另一个关键特性是“可控”。原文提到，SCorPion“can be controlled by explicit factors”，即可以通过显式因素对对话行为进行控制。这意味着用户或开发者可以指定某些维度（如语气、策略倾向等）来影响模型的输出风格，而不是完全依赖模型的黑箱决策。

人格化则体现在策略的多样性上：由于策略来自不同形式的文本语料，模型能够表现出不同的“人格”侧面，而不是千篇一律的助手腔调。结合可控性，SCorPion在开放域对话中提供了更细粒度的调节能力——既能保持对话的连贯性，又能根据需求切换风格。

开放域对话的新思路与局限

SCorPion的价值在于把动态提示、GraphRAG和人格化对话三者结合，为开放域对话系统提供了一个可落地的框架。它回应了固定提示词模型在多话题场景下的适应性问题，并通过图结构的知识组织提升了策略选择的系统性。

不过，从原文披露的信息来看，SCorPion的评估细节和实际部署效果尚未充分展开。代码和进一步结果已发布在项目页面（https://bachozean.github.io/scorpion-page/），感兴趣的读者可以查阅具体实现和实验数据。对于关注对话系统、GraphRAG应用和人格化AI的研究者与开发者来说，SCorPion提供了一个值得跟踪的探索方向。