该文章介绍了使用基于LLM的代理体系结构和人物时间事件图关联的机器-人类管道生成高质量的长期对话。实验结果显示，LLM在理解冗长对话和长程时间因果动态方面存在挑战。使用长上下文LLM或RAG等策略可以提供改进，但仍然落后于人类的性能。

该文章介绍了使用基于LLM的代理体系结构和人物和时间事件图生成高质量长期对话的机器-人类管道。通过人类注释者的检验和编辑，确保对话的长程一致性和对事件图的关联。实验结果显示，LLM在理解冗长对话和长程时间和因果动态方面存在挑战。使用长上下文LLM或RAG等策略可以提供改进，但仍然落后于人类的性能。

本文介绍了使用基于LLM的代理体系结构和将对话与人物和时间事件图进行关联的机器-人类管道，用于生成高质量的非常长期的对话。实验结果表明，LLM在理解冗长对话和长程时间和因果动态方面存在挑战。