意图识别精准度升级方案

做过大模型应用的人基本都踩过这个坑：C 端用户说话天马行空，口语、热词、省略句满天飞，规则写多少都补不完；内部用户满口专属黑话、简称、代称，模型认不出来，意图直接判偏；一接上 ReAct 链路，更是一步错步步错，后续执行全翻车。

想要让意图识别稳下来，靠堆规则硬扛治标不治本。真正有效的做法，是搭一套分层治理 + 动态进化的完整体系 —— 从输入源头到执行链路层层兜底，还能越用越准。

一、先给场景分层：别用一套规则 “通吃” 所有用户

用户群体不同，输入的 “混乱程度” 天差地别，治理力度必须按需分配，不能一刀切：

1. C 端普通用户：输入自由发散、表述五花八门，属于高规则需求场景，必须配足输入约束与治理机制，先把杂乱的表达 “收编规范”
2. 垂直 / 内部专属用户：业务场景固定、话术相对统一，输入更规范，属于低规则需求场景，轻量化治理即可

两类场景最终都可接入 ReAct 执行链路；输入越杂、规则需求越高，越需要完整的输入治理体系打底。

二、三大核心组件：把所有 “不确定” 都变成 “确定项”

针对高规则需求的复杂场景，三个抓手直接解决核心痛点，把模糊的规则落地成可执行的能力：

1. **划清职责边界 —— 避免规则 “打架”**规则最忌 “人人都能加、个个都能改”，最后越堆越乱、互相冲突。先明确规则制定方、生效范围、模块权责，谁管输入规范、谁管意图判断、谁管执行逻辑，权责一清二楚，规则体系才不会失控。
2. **Few-shot 样本库 —— 模型的「标准答案手册」**再详尽的规则，也写不完所有边界 case。把典型的歧义输入、代词消解、异常话术、特殊表达都整理成 Few-shot 示例，相当于给模型一本 “错题本 + 标准答案”，遇到模糊指代、奇怪表述这类疑难杂症，直接照着样本的逻辑处理，稳定性大幅提升。
3. **RAG 对话召回 —— 给模型装上「记忆回溯器」**长对话里用户常说 “它”“刚才那个”“之前说的方案”，模型一 “失忆” 就容易断章取义，判错意图。用 RAG 机制召回久远的对话历史，补全上下文信息，意图识别才能基于完整语境做判断，不会因为信息缺失跑偏。

三、一条标准化链路：从输入到执行，步步精准

把所有能力串成一条清晰的流水线，用户输入进来，每一步都为准确率铺路：用户输入 → 输入标准化（基于词汇表做术语归一、别名映射） → 精准意图识别 → ReAct 执行循环

概括来看就是：先靠词汇表把用户的 “口语、黑话、简称” 翻译成模型能精准识别的标准表达，再做意图判断，最后交给 ReAct 去执行。前一步做得越规范，后一步就越准确。

四、核心难点突破：让词汇表 “动态进化”，而不是越堆越臃肿

整个体系里，词汇表是输入标准化的核心，但也是最难啃的骨头 —— 不是什么词都能往里塞，词库一旦臃肿杂乱，反而会干扰识别。

1. 真正的难点：怎么划定词汇的准入红线？怎么区分 “高频无效口语” 和 “有效领域术语”？怎么控制词库质量，避免越堆越乱？

2. 两步走落地解法：

   1. 冷启动人工打底：初期人工注入一批核心领域词汇、常用简称、别名映射，先把基础盘稳住
   2. 运行中自动迭代：上线后持续统计多用户高频提及的有效术语，自动筛选纳入识别词库，让词库跟着业务和用户习惯一起成长

这套思路的本质，是从 “靠人力堆规则补漏洞”，变成 “靠体系化机制兜底 + 自动化迭代进化”。前期搭好框架，后期越用越省心，意图识别的准确率也会跟着持续提升。