用户说“薯片碎了”，客服机器人回“亲，是要买薯片吗？”——这不是段子，是我们上线第一周的真实翻车。今天我就把意图识别这个坑，从本质到方案，彻底讲透。
意图识别决定客服是“智能”还是“智障”。别只靠关键词匹配，也别盲目上大模型生成。
我的方案：大模型做NLU（意图分类+实体抽取）+ 确定性代码执行，准确率92%，延迟300ms。
我们智能客服MVP上线第二天，一位用户发来：“薯片碎了，我要退款。”
我们的意图识别模型输出：intent: “buy_product”（购买商品），因为模型把“薯片”当成了购买意向，“碎了”被忽略了。
机器人回复：“亲，薯片正在热卖中，点击链接购买哦~”
用户直接炸了：“我说碎了！不是要买！你们是机器人还是傻子？”
客服总监截图发到群里：“这谁做的？给我解释一下。”
问题出在哪？ 我们的意图识别模型，只做了简单的关键词匹配，没理解“碎了”这个核心意图词。更糟糕的是，我们没做实体抽取，导致“薯片”被误判为商品购买，而不是问题商品。
说白了，意图识别就是分类——把用户的自然语言，映射到你提前定义好的业务意图集合里。
在零食客服场景，我们定义了 12 个一级意图：
核心公式：用户输入 → 意图分类 + 实体抽取 → 槽位填充 → 业务动作
如果第一步意图就分错了，后面全白费。
我为什么选大模型做NLU，而不是BERT或纯规则？
4.1 设计意图体系（产品经理必须亲自干）
我拉着客服主管，花了三天，把过去3个月的 3个G 的对话翻了一遍，归纳出 8 个一级意图、30+个二级意图。
示例：
一级意图 complaint（投诉）
二级：broken（破损）、quality（品质）、leak（漏发）、expired（临期）
原则：
用户说“薯片碎了，订单号12345，我要退款”，我们需要抽取出：
我们设计了一个prompt模板，强制大模型输出固定JSON格式：
你是一个意图识别助手。从用户输入中提取意图和槽位。
意图列表：query_order, query_points, apply_refund, complaint_broken, …
槽位定义：order_id, product_name, issue_type, …
用户输入：{{user_input}}
输出JSON：
{
“intent”: “意图值”,
“slots”: {“槽位名”: “值”},
“confidence”: 0.95
}
意图和槽位都有了，接下来是对话管理。我们写了一个轻量级状态机：
这样用户不会觉得AI傻，反而觉得它在认真处理问题。
这些我们后续通过多轮记忆系统和知识库RAG逐步解决。
很多团队把意图识别全丢给算法工程师，结果就是翻车不断。我的经验是：
下一步：有了意图，还得有知识。下一篇我们讲《向量知识库五步法：从“答非所问”到“精准回复”》。
本文由 @嘻嘻李 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。