目标导向的对话系统需要同时回答事实性问题、理解访客提供的信息并推动业务目标，而不能沦为僵硬的问卷。
本文提出一种 Symbolic‑RAG‑Generative 架构，核心为 Goal‑oriented Retrieval‑Augmented Conversation Engine（GRACE）。
Business Goal Compiler 在指令约束下将业务意图编译为不可变的目标集合、归一化的优先级向量、规范化的问题集合以及初始状态向量。
运行时 GRACE 接收完整的对话历史、最新访客消息、当前状态以及由独立 RAG 组件生成的 grounding answer，只依据访客自行提供的证据更新完成度，并在上下文调制后选择唯一的后续提问。
核心策略通过以下约束优化实现：$$\max_{\pi}\ \mathbb{E}[\text{business\_progress}]\quad\text{s.t.}\ \mathbb{E}[\text{visitor\_utility}]\geq\tau$$，其中 \tau 为最小访客效用阈值。
我们形式化了状态空间、单调转移、来源分离、问题调制以及约束策略，并给出参考实现的层次结构。
评估包括 24 场英文房地产对话和 10 场西班牙专业清洁对话，共计 119 条访客回合，覆盖标准、多目标、RAG 绕行、验证、拒绝和鲁棒性等场景。
实验结果显示：状态转移准确率 84.9%，证据精确率 91.6%，证据召回率 89.6%，单调性 100%，终止状态准确率 94.1%。这些指标表明符号化状态在实际业务对话中具备强大的可审计性和鲁棒性。
该工作证明了将符号化推理与检索增强生成相结合的可行性，为构建可解释、可审计且业务导向的对话系统提供了新路径。
点评