Siri / Alexa / 任务型对话（2011–2014）
这一页对应的不是单篇开山论文，而是一条从实验室对话系统到消费级语音助手的产品线。需要同时看清三层材料：
- 任务型对话（task-oriented dialogue, TOD） 作为研究方法：在封闭任务上收集信息并调用后端。
- 典型流水线 作为系统结构：语音识别 → 自然语言理解 → 对话状态 → 对话策略 → 自然语言生成 → 后端 API。
- Siri（2011）、Alexa（2014） 作为把该结构做成大众产品的节点。
框架式对话的早期系统可追溯到 Bobrow 等，GUS, A Frame-Driven Dialog System，Artificial Intelligence 8: 155–173（1977）。统计对话管理的综述见 Young 等，POMDP-based Statistical Spoken Dialogue Systems: A Review，Proceedings of the IEEE 101(5): 1160–1179（2013）。Siri 源于 SRI 的 CALO 项目衍生公司，2010 年被 Apple 收购，2011 年 10 月 4 日随 iPhone 4S 发布。Alexa 随 Amazon Echo 于 2014 年 11 月 6 日发布；其开发者模型（技能、意图、槽位）把 TOD 结构写成了公开接口。
这个概念是什么
任务型对话系统的目标是：在一个预先规定的任务集合里（订票、查天气、设闹钟、放音乐、控制家电），通过多轮对话收集执行该任务所需的参数，然后调用后端服务，再把结果说给用户。
与闲聊系统不同，TOD 有可核验的完成条件：槽位是否填齐、API 是否调用成功、用户目标是否在该任务模式内。与 STRIPS 不同，这里的「计划」通常不是现场搜索出来的动作序列，而是任务模式已经写好，系统只决定下一步问哪个槽、何时调用哪个 API。与 AI Agent 定义不同，下一步由分类器、状态机或在固定状态空间上训练的策略选择，不是由语言模型在开放动作空间里决策。
Siri 与 Alexa 是 TOD 的规模化形态：它们把上述流水线接到语音接口和厂商服务目录上，使「对着设备说话、它去办事」成为消费品。Google Assistant 等属于同一架构家族，这里不另开条目。
关键术语：槽位
槽（slot）是任务的参数位。一个任务需要哪几项信息，每项就是一个槽；把对话推进下去，就是把这些槽逐一填满。
这个词不来自对话系统，而来自 1970 年代的框架（frame）表示法：一个框架描述一类典型情境，框架里有若干槽，每个槽留出位置等着被填。GUS 把这套做法用到对话上，改用框架表示任务。以订机票为例：
| 槽位 | 槽值示例 | 性质 |
|---|---|---|
| 出发地 | 北京 | 必填 |
| 目的地 | 上海 | 必填 |
| 日期 | 明天 | 必填 |
| 舱位 | 经济舱 | 选填 |
四个性质在后面反复用到。槽位集合是封闭的：槽在设计时就定死，用户在领域外提出的要求没有对应的格子可放。必填与选填决定追问顺序，对话策略的工作就是选下一个要问的槽。一句话可以填多个槽，那是抽槽的结果，不是多轮。已填的槽可以被覆盖，处理修正与冲突是对话状态跟踪的职责。
槽位与今天的工具 schema 是同一个东西：schema 里的字段名与类型，就是一套槽位定义；模型给参数赋值，就是填槽。两边都把槽位集合定死，区别只在「下一步填哪一项」由谁决定——经典 TOD 交给状态机或封闭状态空间上的策略，LLM Agent 交给模型自己。变的是决策核心，不是这个数据结构。
材料的主要内容
框架与槽位（GUS 一线）
GUS（1977）用**框架（frame）**表示一个任务，框架里的槽就是上文所说的参数位。系统维护当前框架的填充状况：已填、未填、有冲突。用户一句话被分析后，用于填写或修正槽；若关键槽仍空，系统生成追问；槽足够时触发后端（当时是数据库查询），再生成回复。
这一结构后来的标准术语是：
| 术语 | 含义 |
|---|---|
| 领域（domain） | 系统被设计处理的任务范围，如「机票」 |
| 意图（intent） | 用户这句话属于哪一种任务模式，如 SetAlarm、PlayMusic |
| 槽位 / 槽值 | 该意图的参数名与当前值 |
| 对话状态 | 本轮为止的意图、槽值、待澄清项；有时含对话历史摘要 |
| 对话策略 | 根据状态选择下一系统动作：追问、确认、调用 API、结束 |
系统动作集合是封闭的。用户若提出领域外请求，经典 TOD 没有「现场发明新工具」的步骤，只能拒识或落入兜底回复。
流水线各模块
消费级语音助手把 GUS 式循环接到语音与服务上，模块通常如下。名称因厂商而异，信息流一致。
- ASR（自动语音识别）：波形到文本。
- NLU（自然语言理解）：从文本预测意图，并抽槽。可以是规则、统计分类器或后来的神经网络；输出仍是意图标签加槽值，不是开放计划。
- DST（对话状态跟踪）：把本轮 NLU 结果并入累计状态，处理更正（「改成七点」）、指代、跨轮槽位。
- 对话管理 / 策略：在当前状态下选择系统动作。实现可以是手写状态机、基于部分可观察马尔可夫决策过程（POMDP）的统计策略（Young 等综述的对象），或后来的神经网络策略。动作空间仍是设计者给定的。
- NLG + TTS：把系统动作变成文本并合成语音；早期多为模板。
- 后端 API / 技能：真正改环境的一步（写日历、控灯、播歌）。可调用的服务列表是厂商或技能开发者注册的封闭目录。
循环存在：缺槽则追问，槽齐则调用，调用失败则报错或换策略。循环的控制图在部署前已经画好。这与「给一个开放目标，由决策核心选择尚未注册的工具并在失败后改写计划」不是同一对象。
POMDP 一线（Williams & Young 等，2000 年代至 2010 年代初）把对话状态写成对用户真实意图的概率分布，用强化学习在该信念上选动作，用来应对 ASR/NLU 错误。它增强的是在封闭任务内的鲁棒性，并不把任务集合或工具集合开放掉。
产品节点：Siri 与 Alexa
Siri。 CALO（Cognitive Assistant that Learns and Organizes）是 DARPA 资助、由 SRI 主导的认知助手项目。Siri Inc. 从相关技术衍生，2010 年 4 月被 Apple 收购。2011 年 10 月 4 日随 iPhone 4S 进入消费市场：语音作为入口，NLU 映射到 Apple 与合作方提供的服务（电话、短信、日历、天气、地图、部分网络查询等）。对用户而言，这是第一次在通用手机上大规模使用「说话 → 系统调服务」；对系统而言，仍是 TOD 流水线加封闭服务表。
Alexa。 2014 年 11 月 Echo 把同类流水线做成房间里的远场语音设备。Amazon 随后向第三方开放技能（Skill）：开发者声明一组意图、每个意图的槽、以及服务端逻辑。这个开发者模型等于把 TOD 的领域—意图—槽位公开成 API。技能目录仍然是注册制，运行时不会在目录之外搜索新工具。
两者都达到了教材意义下的 Agent（感知语音，行动为调用 API）。两者都不满足 AI Agent 定义的四要素：决策核心不是 LLM（上线时以统计/规则 NLU 与状态机或统计策略为主），动作空间不开放，失败后的「改计划」被限制在该技能的策略图内。
关键术语
| 术语 | 在这条材料里的含义 |
|---|---|
| 任务型对话 | 面向封闭任务、以填槽和调服务为完成条件的多轮对话 |
| 框架 / 槽位 | 任务的参数结构；对话过程就是填这个结构 |
| 意图 | 预定义的任务模式标签 |
| 对话状态跟踪 | 跨轮维护槽值与待澄清项 |
| 技能 / 服务目录 | 运行时可调用的封闭后端集合 |
| 闲聊 vs 任务型 | 无完成条件的开放交谈 vs 有槽位与 API 的封闭任务 |
和 AI Agent 的关系
它在封闭任务上填槽并调用后端。这条「助手调服务」的流水线，后来接上了 LLM 的工具选择。
它的循环是多轮追问、确认、调用、失败再报错，副作用作用在环境上：写日历、控灯、播歌。观察是 ASR 文本与 API 回执。决策核心是意图分类器加状态机（或封闭状态空间上的统计策略），不是 LLM。控制图在上线前闭合。
三件与年份叙事有关的事实：
- 2011 年已经存在规模化、会调后端的助手，所缺的是以 LLM 为决策核心、以及开放的工具循环。
- 2022 年 ChatGPT 把入口从填槽改成开放对话：槽位由使用者临场说出，不再由系统预先规定。
- 2023 年的 ChatGPT plugins 与 Function Calling 开始把「助手调服务」接到 LLM 的工具选择上；是否构成 Agent，仍要看是否进入多步迭代。
GitHub Copilot（2021）是另一条助手：对代码的行级补全，人在环路，无目标循环。与 Siri 同列于助手，模态不同，结构同类。
TOD 的商业成功不使它成为 ReAct 的架构祖先。状态机填槽没有演变成开放工具循环；后者需要另一套决策核心与接口，时间在 2022–2023 年。