引导式对话系统（上）：应用场景、业务模式与技术架构 与 引导式对话系统（下）：槽位抽取、Function Calling 与流程编排怎么落地？ 两篇文章详细介绍了引导式对话的技术架构以及各种实现方案。

本文介绍一种面向保险/金融咨询场景的智能对话方案：通过一次大模型调用完成槽位抽取，再通过策略编排与话术模板完成总结与追问，从而避免「总结 + 追问」的二次 LLM 调用，在保证信息收集完整、流程可控的前提下，显著降低延迟与成本。

代码以及文档参考：

• 源代码链接
• 引导式对话系统（上）：应用场景、业务模式与技术架构
• 引导式对话系统（下）：槽位抽取、Function Calling 与流程编排怎么落地？
• 保险/金融咨询大模型智能办理项目代码——运行说明与项目架构

关键要点

• 一次 LLM + 策略编排：每轮仅一次大模型调用做信息抽取，总结与追问全部由模板与策略函数完成，无二次 LLM。
• 六大主题有序收集：投保人基本信息、家庭结构、需求与偏好、已有保障、健康告知、补充说明，按固定顺序逐主题推进，用户可跨主题一次性回答。
• 缺失槽位递归查找：纯逻辑判断当前缺失槽位与下一主题，决定是「模板化反问」还是「总结 + 开启下一主题」或结束语。
• 槽位持久化：基于 SQLite 按 group_id 持久化槽位，多轮对话可续写与修正，支持跨会话恢复。
• 流程可控、易扩展：话术与流程由配置与代码驱动，便于维护；可叠加提示词/正则等补漏机制提升抽取稳定性。

---

1. 项目背景与目标

1.1 项目背景

• 保险/金融产品咨询量大，机构需大量售前人员，人工成本高。
• 需先摸清客户情况（年龄、收入、家庭、需求、健康等）才能推荐产品，线上咨询成单率低但咨询量巨大。

1.2 项目目标

开发一款智能对话机器人，实现售前接待 + 信息引导收集，替代或前置人工客服，降低运营成本，收齐信息后做产品匹配或转人工。

1.3 产品交互要求

要求	实现方式
主动引导	通过缺失槽位查找函数与话术模板自动追问
按主题推进	一次询问一个主题的所有子问题，收集完总结并二次确认后开启下一主题
灵活对话	用户主动提及某主题时，优先追问该主题下的其他问题

---

2. 项目代码结构介绍

本节对项目代码结构与主流程做简要说明；更详细的文件说明、流程图与源码调用追踪见 README_运行与架构.md。

2.1 主要文件与职责

文件	说明
main.py	Gradio 网页对话入口，在浏览器中与保险咨询助手聊天
server_api_prod.py	FastAPI 服务入口，提供 POST /insurance_chatbot 流式接口
server_post_prod.py	示例客户端，用于测试 API 服务
chat_process_client.py	核心：对话主流程（首轮引导、LLM 调用、工具解析、槽位更新、模板反问/总结）
function_utils.py	槽位排序、缺失槽位查找 get_next_message_by_slots、总结模板类 FunctionCallSummaryConfig
tools_definition.py	工具定义（Function Calling 的 tools 描述、槽位与话术配置）
config_parser.py	API、数据库等配置

2.2 主流程概览

用户输入后，先读取历史槽位；若为首轮则直接发送固定引导语并流式输出；非首轮则进入 LLM 流式调用。若 LLM 返回普通回复（finish_reason=stop），则直接流式返回；若触发工具调用（tool_calls），则解析并执行工具、更新 all_filled_slots 并写库，再调用 get_next_message_by_slots：当前主题有缺失则模板化反问，无缺失且有下一主题则总结并开启下一主题，全部完成则发送结束语，无缺失且槽位未变则走 LLM 自由对话。详细文字流程与 Mermaid 图见 保险/金融咨询大模型智能办理项目代码——运行说明与项目架构。

3. 结果展示

当我们根据 保险/金融咨询大模型智能办理项目代码——运行说明与项目架构 在本地创建了虚拟环境，安装了依赖，添加了大模型的Base URL，API等，以及开始运行。我们通过 http://127.0.0.1:7860 在本地的浏览器打开前端，可以看到界面如下：

这个界面由三部分组成：

• chatbot对话框；
• 当前槽位信息展示；
• 槽位重置。

当我们在对话框进行对话，我们会发现，大模型会有意引导用户去填充槽位。而在 当前槽位信息展示 栏，我们也可以查看当前槽位的填充情况。

比如，如果一开始，用户问了一句 你好。自然的，不会有任何槽位被填充。我们看一下大模型的回复，以及槽位填充栏的结果：

我们可以看到，系统对于用户的 你好 回复了 欢迎咨询保险服务，我是您的智能顾问。请问您的年龄、职业和大概年收入区间？。

如果这个时候用户说 我今年40岁，这里有一个槽位会被填充：年龄。我们看一下大模型的回复，以及槽位填充栏更新后的结果：

我们看到，系统回复 收到反馈：年龄:40岁。还得辛苦您补充一下: 职业，年收入区间。相当于，系统会先和你确认一下用户刚才说的信息，然后再引导用户进一步填充其他槽位。

如果用户输入的回复包含了多个槽位信息，比如 我是一名教师，现在年收入在20万元左右。。这时，大模型会提取这两个槽位，然后再引导用户填充其他槽位。如下图：

这时候，用户突然想到，他之前输入的信息有误，比如，用户的年收入不是20万，而是10万。我们来看看大模型会怎么回复：

我们看到，对于用户的问题 哦不对，我搞错了，我现在的年收入只有10万元不到。，系统回答 已收到您的反馈：年龄：40岁 职业：教师 年收入区间：10万以下您是否是家里主要经济支柱？目前有几个孩子？。我们看到，槽位 年收入区间从 20万元左右跟新为了10万元以下。并且，大模型继续引导用户继续填充其他槽位。

如果用户这时候又输入了一个无关紧要的回答，比如 我也不清楚，我们来看看系统怎么回答：

槽位并没有任何改变，这也很合理，大模型进一步引导用户先填充其他槽位：

没关系，我来帮您梳理一下：

✅ 重疾险：覆盖大病治疗费用+收入损失补偿（适合家庭支柱）
✅ 寿险：保障家人生活、房贷/教育金等责任（尤其推荐主要养家者）
✅ 意外险：杠杆高、价格低，应对突发意外风险
✅ 年金险：为养老或子女教育做长期储蓄规划

您可以先告诉我：
🔹 最担心什么风险？（如生病花大钱、意外伤残、孩子教育费、退休后没钱花等）
🔹 或者有没有已经买过的保险？比如公司团险、之前买的重疾险等？

最后，当我们点击 重置槽位 按钮并确认后，系统将清空槽位所有信息，并且对话系统重置，如下图：

---

4. 方案核心逻辑

本方案的核心是**「一次大模型调用 + 策略编排驱动话术」**。

4.1 Agent 层（一次 LLM 调用）

• 仅通过一次大模型调用，理解用户本轮输入，通过 Function Calling 将用户自然语言中的信息结构化到预定义的业务槽位中。
• 关键优化：省略传统流程中「总结信息 + 追问下一个问题」的二次 LLM 调用，完全由话术模板和策略函数替代。

4.2 策略编排层（无 LLM 调用）

• 缺失槽位递归查找函数：遍历所有主题和槽位，识别当前缺失的信息，决定下一轮需要询问的内容。
• 话术模板生成：整合本轮收集到的信息与历史信息，通过固定模板生成自然语言回复，完全替代二次 LLM 调用。

---

5. 信息收集设计

5.1 六大信息主题与对应槽位

主题	函数名	核心槽位
1. 投保人基本信息	get_policyholder_basic	年龄 (age)、职业 (occupation)、年收入区间 (income_range)
2. 家庭结构	get_family_info	是否主要养家 (is_breadwinner)、子女数 (children_count)
3. 需求与偏好	get_insurance_demand	险种意向 (product_types)、保额预期 (coverage_expectation)、缴费预算 (premium_budget)
4. 已有保障	get_existing_insurance	已有保险 (existing_insurance)
5. 健康告知	get_health_info	健康状况简述 (health_summary)
6. 补充说明	get_other_info	特殊需求及其他 (special_needs)

5.2 槽位初始化结构

slot_dict = {
    "get_policyholder_basic": {"age": "", "occupation": "", "income_range": ""},
    "get_family_info": {"is_breadwinner": "", "children_count": ""},
    "get_insurance_demand": {"product_types": "", "coverage_expectation": "", "premium_budget": ""},
    "get_existing_insurance": {"existing_insurance": ""},
    "get_health_info": {"health_summary": ""},
    "get_other_info": {"special_needs": ""}
}

5.3 主题询问话术模板

main_question_schema = {
    "get_policyholder_basic": "请问您的年龄、职业和大概年收入区间？",
    "get_family_info": "您是否是家里主要经济支柱？目前有几个孩子？",
    "get_insurance_demand": "您想了解哪类保险？重疾、寿险、年金还是意外？期望保额和年缴费预算大概多少？",
    "get_existing_insurance": "您目前是否已有其他保险或保障？",
    "get_health_info": "方便简单说一下您的健康状况吗？用于后续方案参考。",
    "get_other_info": "还有什么需要补充说明的吗？例如海外就医等特殊需求。",
}

5.4 槽位中文映射（用于反问）

params_schema = {
    "age": "年龄",
    "occupation": "职业",
    "income_range": "年收入区间",
    "is_breadwinner": "是否主要养家",
    "children_count": "子女数",
    "product_types": "险种意向",
    "coverage_expectation": "保额预期",
    "premium_budget": "缴费预算",
    "existing_insurance": "已有保险",
    "health_summary": "健康状况",
    "special_needs": "其他补充",
}

---

6. 核心技术实现

6.1 Function Calling 调整方案

• LLM 职责：仅负责信息抽取，通过 Function Calling 将用户输入结构化到槽位中。
• 关键优化：省略传统流程中「总结信息 + 追问下一个问题」的二次 LLM 调用，完全由话术模板和策略函数替代，大幅提升响应速度。

6.2 话术模板的实现

• 总结信息：当一个主题的所有槽位都收集完成后，调用对应的模板函数生成总结。

def get_policyholder_basic(age, occupation, income_range):
    return f"年龄：{age} 职业：{occupation} 年收入区间：{income_range}"

• 追问缺失槽位：根据缺失槽位查找结果，用模板拼接出下一轮问题。
  • 场景一（当前主题完成）：开启下一个主题。

    收到反馈：年龄：40岁，职业：教师，年收入区间：10万以下。
    后续我还想了解一下：您是否是家里主要经济支柱？目前有几个孩子？

  • 场景二（当前主题缺失）：继续追问当前主题缺失的槽位。

    您已告知年龄 40 岁、职业是教师，
    那么我还想知道：您的年收入区间大概是多少呢？

6.3 缺失槽位递归查找函数

def get_next_message_by_slots(filled_slots):
    filled_slots = sort_nested_dict(input_dict=filled_slots)
    next_collect_slot_list = []
    for theme, slot_value_dict in filled_slots.items():
        for slot, value_elem in slot_value_dict.items():
            if value_elem == "":
                next_collect_slot_list.append(slot)
        if next_collect_slot_list:
            if len(next_collect_slot_list) == len(slot_value_dict):
                is_all_field_missing = True
            else:
                is_all_field_missing = False
            return next_collect_slot_list, is_all_field_missing, theme
    return [], False, ''

返回值含义：

• next_collect_slot_list：下一轮要收集的槽位列表
• is_all_field_missing：当前主题是否所有槽位都缺失
• theme：当前要处理的主题

6.4 流式输出

• 模板话术通过 stream_string() 按字符块流式输出
• LLM 自由回复走聊天补全的流式接口

6.5 历史槽位增补与修正

• 历史有值、本轮为空或「先空着」等：保留历史值
• 新旧值不同：更新槽位，实现增补和修正

---

7. 用户信息持久化实现方案

7.1 核心需求

不同用户多轮对话的槽位信息搜集进度需要被记录，防止信息混淆或丢失。

7.2 存储策略

• 持久化层：SQLite（aiosqlite），将会话槽位落盘到本地数据库文件（位于项目目录下，无需单独部署数据库服务）。

7.3 槽位填充表结构

CREATE TABLE IF NOT EXISTS slot_info_table (
    group_id TEXT PRIMARY KEY,
    slots_info_dict TEXT,           -- JSON 序列化的槽位字典
    created_time TEXT NOT NULL,
    type TEXT                       -- 业务类型，如"保险咨询"
);

配置见 config_parser.py：db_path（如 insurance_consult.db 或 data/insurance_consult.db）、slot_table_name（默认 slot_info_table）。首次连接时若表不存在会自动创建。

7.4 工作流程

1. 用户开始咨询，系统生成唯一 group_id，插入空 slot_dict。
2. 每轮对话后，调用 update_SlotInfo 更新 slots_info_dict。
3. 用户再次进入时，通过 group_id 调用 Read_SlotInfo 恢复会话。

---

8. 主流程串联

8.1 策略编排核心要点（必读）

理解主流程前，先把下面几件事说清楚。

系统会按顺序逐话题问吗？会。 系统通过 get_next_message_by_slots 遍历当前的槽位填充情况（filled_slots），从投保人基本信息、家庭结构、需求与偏好、已有保障、健康告知、补充说明，一路往下查。查到哪个主题有没填的槽位，就先问那个主题，然后停掉，不会再往后找。所以问话是有顺序的。

顺序是否固定？固定。 六个主题的先后顺序由 slot_dict 和 sort_nested_dict 决定，不会变。永远是 1 → 2 → 3 → 4 → 5 → 6 这样走。

用户必须按顺序回答吗？不用。 用户随便说，比如一次说「我 35 岁，年收入 50 万，想买重疾和寿险」，LLM 会通过 Function Calling 把多个主题的槽位都抽出来。下一轮系统再从头遍历，找到第一个还缺槽位的主题，继续追问。所以用户可以跳着答，系统会自己跟上。

槽位是否填满由谁判断？ 由 get_next_message_by_slots 判断，纯逻辑判断，看 value_elem == "" 就知道哪个槽位是空的，不靠 LLM 再确认一遍。

回复是否固定？ 在走 Function Calling 分支的情况下，是的。总结用 FunctionCallSummaryConfig，追问用 main_question_schema（该主题全空时）或 params_schema（该主题部分已填时）拼话术，都是模板生成，不会二次调 LLM 来写回复。只有用户纯闲聊、没触发工具调用时，才会走 LLM 自由生成。

顺便提一下 main_question_schema：它不是被遍历的对象，而是一个「主题 → 标准问法」的查找表。当某主题一个槽位都没填时，就查这个表，拿出对应的整句来问；如果已经填了一部分，就只把还缺的那几个槽位名用 params_schema 拼起来问。

8.2 文字版流程

用户输入 → 读取历史槽位 → 首轮固定引导语/后续进入LLM
    → LLM流式输出
        ├── 普通回复(finish_reason=stop)：直接流式返回
        └── 工具调用(finish_reason=tool_calls)
            → 解析并执行工具 → 更新all_filled_slots → 写库
            → 调用get_next_message_by_slots
                ├── 有缺失 → 模板化反问
                ├── 无缺失且有下一主题 → 总结+开启下一主题
                ├── 全部完成 → 发送final_message_template
                └── 无缺失且槽位未变 → 调用LLM自由对话

8.3 简化为核心路径

---

9. 方案优势总结

1. 极致高效：一轮对话仅一次 LLM 调用，回复速度快，成本低。
2. 流程可控：话术和流程由模板和策略函数驱动，避免 LLM 自由发挥。
3. 信息完整：缺失槽位递归查找，确保必要信息都被收集。
4. 开发简单：核心是定义槽位、模板和查找函数，代码量小，维护成本低。
5. 可靠稳定：槽位持久化，保证多轮对话连续性和一致性。
6. 可扩展：可增加提示词抽取、正则词槽抽取等补漏机制，提高信息抽取稳定性。

---

10. 典型对话示例

10.1 示例一：首轮对话（固定引导语）

用户：你好

机器人：欢迎咨询保险服务，我是您的智能顾问。请问您的年龄、职业和大概年收入区间？

---

10.2 示例二：用户一次回答多主题（跨主题填槽）

用户：我35岁，年收入50万，想买重疾和寿险

机器人：收到反馈：年龄、职业、年收入区间、险种意向等已记录；并继续追问当前主题下缺失的槽位（如职业）或下一主题（家庭结构、保额预算等）。

---

10.3 示例三：信息全部搜集完成后的结束语

用户：没有了，就这些

机器人：我们已清楚您的需求：年龄：xx 职业：xx … 正在为您匹配方案，请稍候……

---

10.4 示例四：未触发 Function Calling（自由对话）

用户：重疾险和寿险有什么区别？

机器人：由 LLM 直接生成回答，不走槽位与模板。