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。

1. 翻车：一次让客服总监脸黑的误判

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。

2. 本质：意图识别就是把用户的话，翻译成业务动作

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。

3. 技术现状：三种主流方案，我为什么选了“大模型做NLU”

我为什么选大模型做NLU，而不是BERT或纯规则？

• 冷启动快：我们只有 2000 条历史对话，不够微调BERT。大模型零样本就能达到 50% 准确率（仅供参考，不同场景需要自行测试）。
• 迭代方便：新增意图只需改prompt，不用重新训练。
• 能处理模糊表达：“这薯片咋回事啊”：规则匹配直接懵，大模型能猜出可能是品质投诉。
• 但我不让它生成回复：只让它输出JSON，剩下的交给代码。

4. 我的方案：意图体系 + 实体抽取 + 槽位填充

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：

• 粒度不要太细，否则模型分不清
• 高频场景单独成意图，低频合并到“其他”
• 留一个 unknown 兜底，转人工

4.2 实体抽取 + 槽位填充

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

}

4.3 对话管理：缺啥问啥

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：

• 意图 apply_refund 需要的槽位：order_id， product_name， issue_type
• 用户说“我要退款”，槽位全空 → 系统生成追问：“请问您的订单号是多少？”
• 用户说“订单12345”，order_id 填上了，还缺 product_name 和 issue_type → 继续追问：“请问是哪件商品有问题？具体是什么问题？”

这样用户不会觉得AI傻，反而觉得它在认真处理问题。

5. 落地遇到的四个坑和我们的解法

6. 坦诚局：哪些场景意图识别依然会崩？

1. 用户情绪激动带反讽：“你们可真棒啊，发了包碎的”：模型可能误判为正面。
2. 超长上下文：用户聊了10轮才说真实需求，单轮意图识别看不到历史。
3. 未见过的产品名：新品“跳跳糖巧克力”，模型不认识，实体抽取失败。
4. 语音转文字错误：“薯片”听成“书本”，需要ASR纠错层。

这些我们后续通过多轮记忆系统和知识库RAG逐步解决。

7. 结语：意图识别不是黑盒，产品经理要主导

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：

• 产品经理必须亲自设计意图体系，因为只有你懂业务。
• 不要迷信端到端生成，结构化输出 + 确定性代码更可靠。
• 大模型是很好的NLU工具，但别让它替你决策。

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”》。