基于Agent智能客服中的意图识别优化
完整正文：进入精读全文
原文结构
- 01 架构与部署
- 方案概览
- 02 意图体系建立
- 03 意图理解
- 3.1初级方案A（提示词工程）
- 3.2中级方案B（意图和抽槽节点分离）
- 方案特性
- 优点
- 缺点
- 适用场景
- 3.3启发式问答
- 3.4高频问题识别
- 04 长尾问题识别
- 4.1进阶方案C（意图识别优化：前置意图Rag召回）
- 进阶背景
- 方案说明
正文摘录
01 架构与部署
方案概览
提示 搭建一个智能客服机器人，针对其意图识别和槽位抽取做准确性优化。 使用对象存储来存储音频文件，利用智能对话分析技术将音频转换为文字，最后通过通义千问大模型对对话内容进行分析，生成详细的分析报告及评分。
02 意图体系建立
搭建一个智能客服机器人，第一步就是要梳理清楚当前业务下有哪些知识点。
3.1初级方案A（提示词工程）
这是最初采用的方案，也是当前多数智能体所采用的常见方法。
3.2中级方案B（意图和抽槽节点分离）
经过一段时间的探索与实践，采用了意图识别与槽位提取分离的优化方案。
方案A导致的prompt膨胀以及准确性不足的问题需要做针对性解决。
方案特性
优点
提示 为后续的系统维护与功能迭代提供了极大的便利。 从系统结构层面来看，一个意图关联一个抽槽节点的配置方式，使得系统架构在逻辑上更为清晰简洁，极大地降低了结构的复杂程度。 同时，这种设计允许 prompt 长度支持更大。 因为模型在对单意图进行语义解析时，不会受到其他无关意图信息的干扰，能够更加专注于对复杂文本语境中的关键要素进行捕捉与解读。
4.1进阶方案C（意图识别优化：前置意图Rag召回）
进阶背景
提示 采用参数大、满血的模型固然准确性会提升，无法通过人工方式有效控制。 难以快速修复 Bad Case，且满血模型的使用成本和响应时长也会升高。 提示 将特异的问题问题对应到准确的意图上，是阶段性的重点任务。 采用了LLM提前泛化意图的方法，再通过 RAG 召回的方式，来解决之前那些智能体意图识别不准确的问题。
方案说明
提示 在前期方案基础上，加入了 RAG 召回能力，处理垂类和Query的意图识别。 在知识库里上传大量意图分类知识，用户提问时，先用 RAG 召回找到相似的 query 和意图对应关系，让大模型更好地理解垂类或个性化分类判定逻辑。 这个方案对模型推理和泛化能力要求不高，可以选用性价比高的模型。
意图语料种子
意图数据泛化
提示 利用 LLM 对种子语料生成一批同义句，运用基模理解强化机制进行同义替换。 每个意图都需要包含多种句式变体，涵盖口语化表达、地域化表达以及反问句转化训练等内容。
[已移除：营销/导流内容]
方案特性
优点
意图识别的准确性保持在较高水位。
通过将识别 Query 意图的工作，从 LLM 实时泛化识别过程转变为预泛化，从而掌控了项目整体的意图识别泛化能力水平。 提示 在面对线上出现的未被覆盖的 query 意图识别场景时，能够迅速做出响应并加以修复。 仅需通过添加知识库条目的方式，就能快速实现对该场景的覆盖，无需进行修改提示词以及调优等相对复杂繁琐的操作，大大提高了问题解决的效率。
4.7高阶方案D （合并意图抽槽节点 + 升级前置Rag召回能力）
现实场景中，业务需求往往远比预想的更为复杂。
例如，依据多轮对话内容准确判断意图和槽位，避免其在模型识别过程中相互干扰等问题，都极具挑战性。
方案关键部分
（1）意图及槽位CASE管理
提示 为优化多轮对话中的意图解析与槽位抽取，采用了一种基于知识库管理的高效策略。 包含【历史提问】、【最新提问】、【思考过程】、【处理】、【意图】、【槽位】等关键要素的样本案例，并借助知识库检索增强（Retrieval-Augmented Generation，RAG）能力进行统一管理。 提示 当用户提交新问题时，系统将多轮历史对话与当前查询相结合，通过知识库进行精准召回。
方案特性
优点
提示 方案C在确保节点延迟稳定的基础上，显著提升了在复杂意图分支场景下的准确性。 此外，针对线上意图抽槽过程中出现的Bad Case，我们可以通过维护知识库RAG进行快速修复，无需对智能体进行改动或重新发布。
缺点
提示
05 数据回流
在构建AI智能体的过程中，**意图识别和槽位抽取是自然语言理解（NLU）**的两个关键部分，会直接影响智能体的交互质量和用户体验。
意图识别
提示 意图识别（Intent Detection） 核心作用在于准确判断用户的语义目的。
方案横向对比数据
提示 数据测试样本： 采用已上线的出行行业智能体项目（上海地铁智能体），项目有13个预设意图分支，测评集数量443条用例。 [多项附件或图示已省略]
06 领域预训练模型
提示