意图识别
2025/10/31大约 1 分钟
意图识别方案迭代
1. 提示词工程 + LLM

关键点:定义意图槽位 + 每个意图和槽位的 Few-Shot + CoT + 结构化格式JSON输出识别结果 + qwen3-max
优点:简单
缺点:意图数量增多时,提示词长度膨胀,3s以上
2. 意图识别和抽槽节点分离

优点:各意图分离,单独进行抽槽
缺点:AI调用次数增多,qwen3-max,慢
3. 前置意图Rag召回

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,作为案例提交给 LLM 处理,让大模型更好地理解垂类或个性化分类判定逻辑
优点:仅需通过添加知识库条目的方式,就能快速实现对bad case的覆盖,qwen3-plus
缺点:需要综合多轮信息来综合判断意图的场景下,效果不够理想
4. 合并意图抽槽节点 + 升级前置Rag召回能力

关键点:意图及槽位CASE管理 + 组装历史会话召回 + 降低意图响应延迟策略 + 新老意图切断策略
缺点:需要对数据进行泛化预处理,工作量大
优点:效果好