向AI转型的程序员都关注公众号 机器学习AI算法工程

你的智能体是不是经常"答非所问"？

用户说"我想退货"，它给你讲了一堆产品功能；用户问"今天天气怎么样"，它开始推荐相关商品。

问题不在模型不够强，而在于你的系统根本没搞懂用户想要什么。

意图识别（Intent Recognition）是智能体调度系统的"第一道关卡"——用户输入一句话，系统必须先判断"他想干嘛"，然后才能把任务路由到正确的处理模块。

做对了，用户觉得"这AI真聪明"；做错了，用户直接关掉页面。

这篇文章会把当前业界主流的 6种意图识别方案讲清楚，重点拆解 LLM零样本分类和 RAG增强意图识别两种最新方案，附完整Python代码，看完就能用。

· · ·

一、意图识别在智能体调度中的位置

一个完整的智能体调度系统长这样：

意图识别的核心任务就是：把非结构化的用户输入，映射到预定义的意图类别上。

比如：

看起来简单？但实际项目中，用户表达千变万化："退退退"、"不想要了能退不"、"买多了想退一个"——都是退货意图，但措辞完全不同。

这就是为什么需要不同的方案来应对。

· · ·

二、6种方案全景

前三种是经典方案，后三种是当前主流。我们重点拆解 方案4和方案5。

· · ·

三、方案四：LLM零样本/少样本分类（无训练数据，快速验证）

核心思想

不训练任何模型，直接利用GPT-4o、Claude、DeepSeek等大模型的语义理解能力，通过精心设计的Prompt来完成意图分类。

一句话理解：把大模型当"分类器"用——你告诉它有哪些类别，给几个示例，它就能准确分类新输入。

方案架构

实战代码1：基础零样本分类

import openaiimport jsonclient = openai.OpenAI(api_key="your-api-key")# 定义意图类别INTENTS = {    "pre_sale": "售前咨询：产品功能、价格、库存、购买方式",    "after_sale": "售后问题：退换货、维修、投诉、退款",    "tech_support": "技术支持：使用问题、故障排查、安装指导",    "order_query": "订单查询：物流、订单状态、发货时间",    "chitchat": "闲聊：打招呼、开玩笑、非业务话题",    "other": "其他：无法归类的输入"}def classify_intent(user_input: str) -> dict:    """零样本意图分类"""    intent_desc = "\n".join(        [f"- {k}: {v}" for k, v in INTENTS.items()]    )    system_prompt = f"""你是一个精准的意图分类器。请将用户输入分类为以下意图之一：{intent_desc}输出要求（JSON格式）：{{    "intent": "意图类别key",    "confidence": 0.0-1.0之间的置信度,    "reason": "分类理由（一句话）"}}注意：1. 只输出JSON，不要其他内容2. 如果不确定，confidence设为0.5以下3. 优先选择最匹配的类别，实在无法归类才选other"""    response = client.chat.completions.create(        model="gpt-4o-mini",        messages=[            {"role": "system", "content": system_prompt},            {"role": "user", "content": user_input}        ],        temperature=0.1,        response_format={"type": "json_object"}    )    return json.loads(response.choices[0].message.content)# 测试test_cases = [    "这件衣服能退吗？已经穿过一次了",    "你们最新的手机多少钱",    "我电脑开不了机怎么办",    "我的快递到哪了，三天了还没到",    "你好呀，今天天气不错",]for text in test_cases:    result = classify_intent(text)    print(f"输入: {text}")    print(f"意图: {result['intent']} | 置信度: {result['confidence']}")    print(f"理由: {result['reason']}")    print("---")

实战代码2：少样本分类（Few-shot，更高精度）

def classify_intent_fewshot(user_input: str) -> dict:    """少样本意图分类 - 通过示例提升精度"""    system_prompt = """你是一个精准的意图分类器。根据以下示例学习分类规则：## 示例用户输入："我想买一件红色的连衣裙"分类：pre_sale（售前咨询）理由：用户表达购买意向，询问商品信息用户输入："质量有问题想退货"分类：after_sale（售后问题）理由：用户反映质量问题，明确表示要退货用户输入："app一直闪退打不开"分类：tech_support（技术支持）理由：用户描述应用故障，需要技术帮助用户输入："我的包裹到北京了吗"分类：order_query（订单查询）理由：用户询问物流状态用户输入："哈哈你真逗"分类：chitchat（闲聊）理由：用户在闲聊，无业务意图---## 输出要求（JSON格式）{    "intent": "意图类别key",    "confidence": 0.0-1.0,    "reason": "分类理由"}"""    response = client.chat.completions.create(        model="gpt-4o-mini",        messages=[            {"role": "system", "content": system_prompt},            {"role": "user", "content": user_input}        ],        temperature=0.1,        response_format={"type": "json_object"}    )    return json.loads(response.choices[0].message.content)# 测试模糊意图print(classify_intent_fewshot("买多了想退一个"))# 预期: after_sale（虽然有"买"字，但核心是退）

方案四的优缺点

优势

零训练成本，有API Key就能用；语义理解能力强，处理歧义和长尾表达好；支持复杂意图（多意图混合、隐含意图）

劣势

推理延迟100ms-2s；每次调用都有成本；输出不完全可控；依赖外部API稳定性

· · ·

四、方案五：RAG增强的意图识别（当前最佳实践）

核心思想

纯LLM分类有个问题：它没见过你的业务场景。你说"退退退"是退货意图，但LLM可能理解为"重复强调"。

RAG增强的思路是：先从示例库中检索最相似的历史case，把它们作为Few-shot示例喂给LLM。

一句话理解：不是让LLM"凭空分类"，而是让它"参考相似案例再分类"——就像新员工遇到不确定的问题，先翻翻老case再回答。

方案架构

实战代码3：完整RAG增强意图识别系统

import openaiimport jsonimport numpy as npfrom typing import List, Dictclient = openai.OpenAI(api_key="your-api-key")# ==================== 第一部分：示例库管理 ====================# 意图分类示例库（实际项目中可存入数据库）INTENT_EXAMPLES = [    # 售前咨询示例    {"text": "这款手机有什么颜色", "intent": "pre_sale", "label": "售前咨询"},    {"text": "能便宜点吗", "intent": "pre_sale", "label": "售前咨询"},    {"text": "有没有货", "intent": "pre_sale", "label": "售前咨询"},    {"text": "支持分期吗", "intent": "pre_sale", "label": "售前咨询"},    {"text": "这个和那个比哪个好", "intent": "pre_sale", "label": "售前咨询"},    # 售后问题示例    {"text": "买多了想退一个", "intent": "after_sale", "label": "售后问题"},    {"text": "收到的商品有划痕", "intent": "after_sale", "label": "售后问题"},    {"text": "颜色和图片不一样能退吗", "intent": "after_sale", "label": "售后问题"},    {"text": "退款什么时候到账", "intent": "after_sale", "label": "售后问题"},    {"text": "穿了一次就破了", "intent": "after_sale", "label": "售后问题"},    {"text": "质量太差了要投诉", "intent": "after_sale", "label": "售后问题"},    # 技术支持示例    {"text": "app闪退怎么办", "intent": "tech_support", "label": "技术支持"},    {"text": "连不上WiFi", "intent": "tech_support", "label": "技术支持"},    {"text": "安装不了", "intent": "tech_support", "label": "技术支持"},    {"text": "账号登不上去了", "intent": "tech_support", "label": "技术支持"},    # 订单查询示例    {"text": "我的快递到哪了", "intent": "order_query", "label": "订单查询"},    {"text": "什么时候发货", "intent": "order_query", "label": "订单查询"},    {"text": "能改一下收货地址吗", "intent": "order_query", "label": "订单查询"},    # 闲聊示例    {"text": "你是机器人吗", "intent": "chitchat", "label": "闲聊"},    {"text": "今天心情不好", "intent": "chitchat", "label": "闲聊"},    {"text": "给我讲个笑话", "intent": "chitchat", "label": "闲聊"},]class IntentRAGClassifier:    """RAG增强的意图分类器"""    def __init__(self, examples: List[Dict], top_k: int = 3):        self.examples = examples        self.top_k = top_k        self.embeddings = None        self._build_index()    def _get_embedding(self, text: str) -> List[float]:        """获取文本的embedding向量"""        response = client.embeddings.create(            model="text-embedding-3-small",            input=text        )        return response.data[0].embedding    def _build_index(self):        """构建向量索引"""        print("正在构建示例库向量索引...")        self.embeddings = []        for example in self.examples:            emb = self._get_embedding(example["text"])            self.embeddings.append(emb)        self.embeddings = np.array(self.embeddings)        print(f"索引构建完成，共 {len(self.examples)} 条示例")    def _retrieve(self, query: str) -> List[Dict]:        """检索最相似的Top-K示例"""        query_emb = np.array(self._get_embedding(query))        # 计算余弦相似度        similarities = np.dot(self.embeddings, query_emb) / (            np.linalg.norm(self.embeddings, axis=1) * np.linalg.norm(query_emb)        )        # 取Top-K        top_indices = np.argsort(similarities)[-self.top_k:][::-1]        results = []        for idx in top_indices:            results.append({                **self.examples[idx],                "similarity": float(similarities[idx])            })        return results    def classify(self, user_input: str) -> dict:        """RAG增强的意图分类"""        # Step 1: 检索相似示例        retrieved = self._retrieve(user_input)        # Step 2: 构造增强Prompt        examples_text = "\n".join([            f'用户说："{ex["text"]}" → 意图：{ex["label"]}（{ex["intent"]}）'            for ex in retrieved        ])        system_prompt = f"""你是一个精准的意图分类器。根据以下历史案例学习分类规则：## 参考案例（与当前输入最相似）{examples_text}## 意图类别- pre_sale: 售前咨询- after_sale: 售后问题（退换货、质量投诉、退款）- tech_support: 技术支持（使用问题、故障排查）- order_query: 订单查询（物流、发货、地址修改）- chitchat: 闲聊- other: 其他## 输出要求（JSON格式）{{    "intent": "意图类别key",    "confidence": 0.0-1.0,    "reason": "分类理由",    "matched_example": "匹配到的参考案例原文"}}"""        # Step 3: LLM分类        response = client.chat.completions.create(            model="gpt-4o-mini",            messages=[                {"role": "system", "content": system_prompt},                {"role": "user", "content": f"用户输入：{user_input}"}            ],            temperature=0.1,            response_format={"type": "json_object"}        )        result = json.loads(response.choices[0].message.content)        result["retrieved_examples"] = retrieved        return result# ==================== 使用示例 ====================# 初始化分类器classifier = IntentRAGClassifier(INTENT_EXAMPLES, top_k=3)# 测试test_inputs = [    "颜色和图片差太多了想退",      # 模糊表达 → 售后    "有没有红色的",              # 简短表达 → 售前    "app一直转圈加载不出来",     # 技术问题 → 技术支持    "那个东西发货了吗",          # 口语化 → 订单查询    "你能不能陪我聊聊天",        # 闲聊 → 闲聊]for text in test_inputs:    result = classifier.classify(text)    print(f"\n输入: {text}")    print(f"意图: {result['intent']} | 置信度: {result['confidence']}")    print(f"理由: {result['reason']}")    print(f"匹配案例: {result['matched_example']}")    print(f"检索相似度: {[round(ex['similarity'], 3) for ex in result['retrieved_examples']]}")

实战代码4：带置信度阈值的生产级路由

class IntentRouter:    """生产级意图路由器 - 带置信度阈值和兜底策略"""    # 意图 → Agent的映射    INTENT_AGENT_MAP = {        "pre_sale": "pre_sale_agent",        "after_sale": "after_sale_agent",        "tech_support": "tech_agent",        "order_query": "order_agent",        "chitchat": "chitchat_agent",    }    def __init__(self, classifier: IntentRAGClassifier, threshold: float = 0.6):        self.classifier = classifier        self.threshold = threshold  # 置信度阈值    def route(self, user_input: str) -> dict:        """路由用户请求到对应Agent"""        result = self.classifier.classify(user_input)        intent = result["intent"]        confidence = result["confidence"]        # 置信度低于阈值，走兜底策略        if confidence < self.threshold:            return {                "agent": "human_agent",  # 转人工                "intent": intent,                "confidence": confidence,                "reason": f"置信度 {confidence} 低于阈值 {self.threshold}，转人工处理",                "original_result": result            }        # 正常路由        agent = self.INTENT_AGENT_MAP.get(intent, "default_agent")        return {            "agent": agent,            "intent": intent,            "confidence": confidence,            "reason": result["reason"],            "original_result": result        }# 使用示例router = IntentRouter(classifier, threshold=0.6)test_input = "这个东西好像有点问题但我也说不清楚"route_result = router.route(test_input)print(f"路由结果: {route_result['agent']}")print(f"意图: {route_result['intent']} | 置信度: {route_result['confidence']}")print(f"原因: {route_result['reason']}")

实战代码5：多层级调度系统

class MultiLayerIntentDispatcher:    """多层级意图调度系统    Layer 1: 规则匹配（快速拦截明确意图）    Layer 2: RAG增强LLM（处理复杂/模糊意图）    Layer 3: 兜底路由（转人工或默认回复）    """    def __init__(self, rag_classifier: IntentRAGClassifier):        self.rag = rag_classifier        self.router = IntentRouter(rag_classifier, threshold=0.6)        # Layer 1: 规则库        self.rules = [            {"pattern": r"退[款货]|不想要|退货", "intent": "after_sale", "agent": "after_sale_agent"},            {"pattern": r"多少[钱元]|价格|便宜|打折", "intent": "pre_sale", "agent": "pre_sale_agent"},            {"pattern": r"快递|物流|到哪|发货", "intent": "order_query", "agent": "order_agent"},        ]    def dispatch(self, user_input: str) -> dict:        """三层调度"""        import re        # Layer 1: 规则快速匹配        for rule in self.rules:            if re.search(rule["pattern"], user_input):                return {                    "layer": "rule",                    "agent": rule["agent"],                    "intent": rule["intent"],                    "confidence": 1.0,                    "reason": f"规则命中: {rule['pattern']}"                }        # Layer 2: RAG增强LLM分类        route = self.router.route(user_input)        if route["agent"] != "human_agent":            return {                "layer": "rag_llm",                "agent": route["agent"],                "intent": route["intent"],                "confidence": route["confidence"],                "reason": route["reason"]            }        # Layer 3: 兜底 - 转人工        return {            "layer": "fallback",            "agent": "human_agent",            "intent": route["intent"],            "confidence": route["confidence"],            "reason": "所有自动分类失败，转人工处理"        }# 初始化多层调度器dispatcher = MultiLayerIntentDispatcher(classifier)# 测试test_cases = [    "我要退款",                    # Layer 1: 规则命中    "你们家的东西颜色和图片差太多了想退一个",  # Layer 2: RAG+LLM    "今天心情好想买点东西但不知道买啥",      # Layer 2: 复杂意图    "asdfghjkl",                   # Layer 3: 兜底]for text in test_cases:    result = dispatcher.dispatch(text)    print(f"\n输入: {text}")    print(f"层级: {result['layer']} | Agent: {result['agent']}")    print(f"意图: {result['intent']} | 置信度: {result['confidence']}")    print(f"原因: {result['reason']}")

· · ·

五、方案五的优化技巧

技巧1：示例库的质量决定分类精度

黄金法则：每类意图至少准备10-20个示例，覆盖不同的表达方式（口语化、书面化、简短、详细、模糊、明确）。

# 示例库扩充策略示例类型 = {    "标准表达": "我要退货",    "口语化": "买多了想退一个",    "模糊表达": "这个东西好像有问题",    "情绪化": "质量太差了！要投诉！",    "简短": "退退退",    "详细描述": "我上周买的衣服，收到后发现颜色和图片差很多，而且有一处线头，我想退货退款"}

技巧2：动态调整Top-K

# 根据用户输入复杂度动态调整检索数量def dynamic_top_k(user_input: str) -> int:    """输入越长/越复杂，检索更多示例"""    length = len(user_input)    if length < 10:        return 2   # 简短输入，少检索    elif length < 30:        return 3   # 中等长度    else:        return 5   # 复杂输入，多检索

技巧3：添加相似度阈值过滤

# 检索结果相似度太低时，不使用检索示例def classify_with_threshold(classifier, user_input, sim_threshold=0.5):    retrieved = classifier._retrieve(user_input)    # 过滤低相似度结果    high_sim = [ex for ex in retrieved if ex["similarity"] >= sim_threshold]    if len(high_sim) == 0:        # 无高质量匹配，退化为纯LLM分类        return classify_intent(user_input)    else:        # 使用高质量匹配做Few-shot        return classifier.classify(user_input)

技巧4：异步批量处理提高吞吐

import asyncioimport aiohttpasync def batch_classify(user_inputs: List[str]) -> List[dict]:    """批量异步分类，提高吞吐量"""    tasks = [classifier.classify_async(text) for text in user_inputs]    results = await asyncio.gather(*tasks)    return results# 并发处理100条请求results = asyncio.run(batch_classify(hundred_inputs))

· · ·

六、各方案对比与选型建议

选型建议：

• 从方案4开始：零成本快速验证意图分类效果

• 收集100+真实case后：升级到方案5，用RAG增强精度

• 高并发场景：规则层（方案1）+ RAG层（方案5）组合使用

· · ·

七、生产环境部署建议

# 项目结构建议intent_dispatch/├── config/│   ├── intents.json          # 意图类别定义│   └── config.yaml           # 阈值、模型配置├── examples/│   └── intent_examples.json  # RAG示例库├── core/│   ├── classifier.py         # 意图分类器│   ├── router.py             # 路由逻辑│   └── dispatcher.py         # 多层调度器├── api/│   └── main.py               # FastAPI接口└── tests/    └── test_accuracy.py      # 分类精度测试

# FastAPI部署示例from fastapi import FastAPIfrom pydantic import BaseModelapp = FastAPI()dispatcher = MultiLayerIntentDispatcher(classifier)class UserRequest(BaseModel):    text: str    session_id: str = None@app.post("/classify")async def classify(req: UserRequest):    result = dispatcher.dispatch(req.text)    return {        "intent": result["intent"],        "agent": result["agent"],        "confidence": result["confidence"]    }

机器学习算法AI大数据技术

 搜索公众号添加：datanlp

长按图片，识别二维码

阅读过本文的人还看了以下文章：