下载掌阅APP，畅读海量书库
立即打开
只要有精力，我就能发出相当复杂的指令，比如：“给我一个什么都加的大号火鸡三明治，再来一小杯可乐。”
想想看，在一个图形用户界面中，比如说在iPhone上，我需要多少步才能传达同样的命令？首先要从三明治下拉列表中选择三明治（火鸡三明治），然后选择三明治的大小（可能是另一个下拉列表），然后要单击“所有”配料的复选框（假设提供了这个选项），最后还要选择饮料及其大小。这至少需要5个不同的步骤（这还不包括点击解锁应用程序）。这显然比说一句话要费力得多。在这样一个口语句子的情况下，努力就等于从用户转移到了语音界面上：用户可以自然地说话（他们不需要使用下拉菜单、复选框、单选按钮等人工设置），因此理解用户所说的话、找出用户想要什么的责任就落在了语音机器人身上。
尽管语音机器人能够解析丰富而复杂的用户状态，但它仍需要与用户进行多次交互。用户不会只为了节省步骤就将命令完全打包，但他们会在一定程度上尝试提高效率。当我打电话订比萨时，我不会一口气说：“我要两个大比萨，都是薄皮的，第一份要加意大利辣香肠、牛肉和黑橄榄，第二份要加鸡肉、青椒和额外的西红柿；我还要两大瓶饮料，一瓶可乐，一瓶雪碧。”我逐渐认识到，人们一次只能接受两到三条信息，因此，更自然的对话流可能是这样的：
语音助手：您好，阿方索比萨店。您要点菜吗？
我：是的。我想订两个大比萨，都要薄皮的。
语音助手：好的。您的第一个比萨想要什么馅的？
我：意大利辣香肠、牛肉和黑橄榄。
语音助手：好的。意大利辣香肠、牛肉和黑橄榄。
我：是的。第二个比萨……
语音助手：请讲。
我：我要鸡肉、青椒和多一点西红柿。
语音助手：鸡肉、青椒和多加些西红柿，对吗？
我：没错。
语音助手：还想喝点什么吗？
我：是的。两大瓶饮料，一瓶可乐和一瓶雪碧。
语音助手：两个大瓶的可乐和雪碧。还要别的吗？
我：不要了，就这些。
语音助手：请稍等。
这种能够有条不紊地交换结构化信息的机制，我们称之为对话，而人类是对话艺术的大师。即使是最复杂的对话交流，我们也能很自然地进行。然而，仔细观察就会发现，最简单的对话结果也是令人印象深刻的复杂工作。对话并不是简单的两方互动，而是高度结构化和严格控制的相互作用。当所有参与者都密切、谨慎地管理对话时，才能成功达到对话的预期目标。
在本章中，我们将描述对话的基本机制，通过使用该机制，对话参与者可以成功地开始并完成对话。
用于描述对话机制的4个关键概念是：动作、状态、上下文和信号。