企业官网建设流程全解析

做了快两年的对话系统和 AI Agent 相关的开发，从最早期的规则引擎，到后来的分类模型，再到现在直接用大模型做意图识别，这条路走了不少弯路。今天把这些经验整理一下，给正在做相关开发的朋友做个参考。

摘要：意图识别是对话系统的核心。本文从规则匹配、传统机器学习到大模型，梳理三代意图识别方案的演进与取舍，并结合工程实践给出「高频意图用轻量模型、低频复杂意图交给大模型」的混合落地思路，帮你少走弯路。

为什么意图识别这么重要？

简单说，意图识别就是搞清楚用户到底想干嘛。

用户说一句话，系统要判断他是想查信息、想办事、还是就是随便聊聊。判断对了，后面的流程才能跑通；判断错了，整个对话就跑偏了。

这个环节看似简单，实际上是整个对话系统最核心的部分。意图识别准确率上不去，后面再怎么优化都是白搭。

第一代：规则匹配，简单粗暴

最早做项目的时候，没钱买模型，也没什么数据，就靠写规则。

用户说什么关键词，就对应什么意图。比如用户说 “退款”，就触发退款流程；用户说 “查订单”，就触发查询流程。

这种方式的优点是简单直接，开发快，好解释。缺点也很明显：

• 用户换个说法就认不出来了

• 规则写多了之后互相打架，维护起来崩溃

• 边界情况特别多，永远补不完

那个时候我们光规则就写了上千条，每次出问题就是到处找哪条规则写错了，痛苦得很。

第二代：传统机器学习，上了一个台阶

后来数据积累多了，开始用传统的分类模型。

把用户说的话分词，提取特征，然后用 SVM、朴素贝叶斯这些模型做分类。效果比规则好不少，用户换个说法也能认出来了。

但还是有问题：

• 特征工程特别费时间，要人工调

• 小语种、口语化的内容效果不好

• 新意图出来的时候，要重新收集数据、重新训练，迭代很慢

而且传统模型对上下文的理解能力很弱，用户说半句话它根本接不上。

第三代：大模型时代，思路完全变了

大模型出来之后，意图识别这件事的玩法彻底变了。

以前是 “先分类，再处理”，现在大模型本身就能理解语义，你直接把用户的问题和系统的功能列表给它，让它自己判断是哪个意图。

这种方式的好处太明显了：

• 不用再训练专门的分类模型了

• 新意图只要在提示词里加一句就行，几分钟就能上线

• 用户说什么奇怪的说法都能理解，泛化能力特别强

但也不是完美的。大模型做意图识别，成本比传统模型高，延迟也大一点。而且有时候会 “想太多”，把简单的问题想复杂了。

下面把三代方案放在一起对比一下，方便直观感受各自的取舍：

小结：规则匹配胜在简单直接，适合小规模固定场景；传统机器学习在数据充足时性价比不错，但迭代慢、泛化弱；大模型能力最强、维护最省心，但成本和延迟更高。实际落地不必二选一，把高频简单意图交给轻量模型、低频复杂意图交给大模型，往往是最稳的组合。

工程实践中的几个坑

实际落地的时候，我踩过不少坑，这里列几个比较典型的：

1. 别全靠大模型，混合方案最靠谱

现在我们的做法是：高频常用意图，还是用轻量分类模型快速判断，准确率高、速度快、成本低。低频复杂意图，再交给大模型处理。

这样既能保证性能和成本，又能处理复杂情况。全用大模型，不仅贵，而且没必要。

下面用一段 Python 伪代码示意这种混合路由的核心逻辑：

# 高频意图白名单：这些意图用轻量分类模型，快且便宜HIGH_FREQ_INTENTS={"查订单","退款","改地址"}# 置信度阈值：低于该值不信任当前模型结果CONFIDENCE_THRESHOLD=0.8defroute_intent(user_input:str,context:dict)->str:# 第一步：先用轻量分类模型快速判断intent,confidence=light_model.predict(user_input,context)# 第二步：意图优先级判断——高频意图直接走轻量模型ifintentinHIGH_FREQ_INTENTSandconfidence>=CONFIDENCE_THRESHOLD:returnintent# 命中高频意图且置信度足够，直接返回# 第三步：低频或复杂意图，降级交给大模型兜底llm_intent=llm_model.predict(user_input,context)llm_confidence=llm_model.confidence()# 第四步：大模型结果也要过置信度阈值，不够就走兜底流程ifllm_confidence>=CONFIDENCE_THRESHOLD:returnllm_intent# 置信度都不够：反问用户或转人工，别硬猜returnfallback_to_human(user_input)

核心就三步：高频意图优先走轻量模型，命中且置信度够就直接返回；低频复杂意图降级给大模型；最后无论哪个模型，置信度不够都走兜底，绝不硬猜。

2. 一定要加置信度阈值

大模型判断完意图之后，不是直接就信了。我们会看它的置信度，如果置信度不够高，就走兜底流程，要么反问用户，要么转人工。

别觉得有了大模型就万事大吉了，它也会犯错。有个兜底机制，系统才稳。

3. 上下文很重要

很多意图不是单看一句话就能判断的。用户前面问了什么，会影响后面这句话的意思。

比如用户说 “那这个呢？”，单独看这句话根本不知道啥意思，但结合上下文就清楚了。所以做意图识别的时候，一定要把上下文信息带上，不要光看当前这一句。

最后说两句

意图识别这个技术，从规则到传统机器学习再到大模型，走了这么多年，现在算是到了一个比较成熟的阶段。

但不是说用了大模型就高枕无忧了。工程落地的时候，还是要结合自己的业务场景，该用什么方案就用什么方案，别盲目追新技术。

有什么问题评论区交流。