Arbor：一种用于可靠导航关键对话流程的框架

大型语言模型在高风险领域（如医疗分诊）中难以严格遵循结构化的工作流程。传统的单提示方法在提示长度增加时容易出现指令遵循退化问题。为解决这一问题，本文提出了Arbor框架，将决策树导航分解为专门的节点级任务。决策树以边列表形式标准化并动态检索。运行时，基于有向无环图（DAG）的调度机制迭代获取当前节点的出边，通过专用LLM调用评估有效转换，并将响应生成委托给独立推理步骤。该框架与底层决策逻辑和模型提供商无关。实验结果表明，Arbor在10个基础模型上显著提升了每轮对话的准确性，降低了延迟和成本。