社区生鲜商城自研智能助手，意图识别竟成核心命门。本文从真实咨询数据出发，拆解“AI客服”与“自助路由助手”的本质差异，并完整呈现六步处理链路与三级级联架构，看小团队如何用低成本撬动高转化。

我们是一家做社区生鲜的连锁商城，规模不大，门店服务客群在80到160人这个量级。去年我接了个活儿：在商城里做一个智能助手。领导的原话很朴素——”客服电话接不过来了，能不能搞个AI顶一下”。

就这么一句话，差点把这个项目带沟里去。因为按这个理解，你要做的是一个”AI客服”。而我们做完需求分析后发现，要做的东西和”客服”两个字关系不大。

这篇先讲我们怎么想清楚这件事的，以及最核心的模块——意图识别——是怎么设计的。路由分层和效果数据放下篇。

先看场景，再谈定位

动手之前我把近半年的客服咨询记录拉出来做了一遍归类。不看不知道，生鲜这个品类的咨询结构和普通电商差别很大，有四个特点：

第一，查询型问题占大头。“订单到哪了””什么时候送””能改地址吗”，这类问题占了咨询量的一多半。原因也好理解，生鲜对时效极度敏感，用户下单后的焦虑感比买衣服买电器强得多，恨不得半小时刷一次物流。

第二，商品咨询又散又专业，人工答不齐。“怎么挑西瓜””贝柱怎么保存””A级贝柱和普通B级的差在哪”——问法天马行空，答案还跟着品类、季节、产地变。客服不是买手，十个坐席能答出十个版本。更要命的是这类问题发生在下单前，它不是售后成本，是临门一脚的转化环节：答得专业，用户当场下单；答不上来，用户扭头就去别家了。

第三，优惠券咨询量大，而且人工也常答错。“我有哪些券””满减能叠加吗””活动到几号”。活动规则多个并行、叠加互斥关系复杂，坐席自己都要翻内部文档才能确认。这类问题内部还分化成两种：政策类（规则固定）和个性化类（要查用户账户实时状态），人工处理又慢又容易错。

第四，真客诉占比低，但杀伤力大。比如收到的菜不新鲜、缺斤少两。这类问题对时效要求极高，用户情绪上来之后，每多等一分钟都在发酵。

看完这四种场景，我们做了一个后来被反复验证的关键判断：这个场景需要的不是”AI客服”，而是”自助路由型智能助手”。

区别在哪？AI客服的潜台词是”AI模拟一个客服坐席”，什么问题都接、什么都聊两句。自助路由型助手的逻辑是：能机器办的当场办掉，办不了的准确送到位。它比客服轻，比FAQ重。

后来连命名都跟着这个判断走了。产品不叫”智能客服”，叫”订单助手”。别小看这个名字——一旦叫”客服”，用户预期里就有人工接，期望抬上去了，体验反而崩得快。

一句话定位：面向商城用户的轻量级自助查询加智能路由助手，覆盖订单物流、生鲜常识、知识库检索三类高频低复杂度场景，识别客诉意图自动转人工，目标是把人工接通率打下来四到五成。

意图识别：整个系统的大脑

定位定了，接下来最关键的一环是意图识别。它决定每句话去哪条流水线。

先说清楚意图识别的定位：它是路由层，不是处理层。它自己不回答用户任何问题，只输出一个判断——这句话属于哪个意图大类。我们线上控制在20个意图以内，再多就管不过来了。

为什么它必须放在所有处理层前面？用反例想一下就明白：如果查询层先跑，那句”帮我看看那单能不能改配送时间再退个券”会被物流模块接走，退券的诉求直接丢了；如果客诉模块先跑，一句带情绪的普通查询会被当成投诉转人工，人工量瞬间爆炸。分拣员不上岗，后面所有流水线都在裸奔。

拿一句最难听的话做例子

讲流程之前，先请出我们真实会话里的一句典型输入（做这行，什么话都得接）：

“你妈这榴莲坏了cnm，单3792到底几点能送到啊”

这句话同时包含骂人、坏果投诉、订单号、物流追问——四件事搅在一起。它正好能把处理链路的每一层都逼出来。整条链路六步。

第一步，预处理。

这一层做的是纯机械动作：全半角和大小写归一化；敏感词过滤——”你妈””cnm”替换成占位符或者标记情绪强度，注意不是删掉；情绪打分——检出两个脏话词，情绪强度标记为高，这个标记后面有大用；实体抽取——正则抠出订单号3792，这一步纯规则，不要钱。

出来的是三样东西：干净一点的文本、订单号槽位、情绪标记（高）。

这里有个我们内部吵过一轮的决策点：”去敏感词”和”敏感词拦截”是两回事。前者是修改用户输入，把脏话删掉——后果是情绪强度信号丢了，后面客诉路由、话术降温全靠情绪标记，删了等于断供。后者是原句照传、加标记。一个词之差，背后是”清洗还是拦截”的路线选择。我们的原则是：线上只拦截不修改，目的是安全和成本，不是替模型把话听懂。

第二步，关键词规则粗筛。

分词后查字典，”坏了”命中坏果词典（强信号），”送到”命中物流词典（强信号）。两个意图都命中了。这一层不硬选，把两个候选带着初步分数往下传。

第三步，向量分类器做主力裁决。

整句转向量，分类器输出一个概率分布：坏果投诉0.72，物流查询0.21，商品咨询0.04，其他0.03。置信度0.72过了阈值，主意图定为坏果投诉。但注意，物流那个0.21没有消失——留作次意图，马上有用。

第四步，查路由映射表。

坏果投诉对应售后流程走多模态识别，叠加情绪高强度，触发人工优先规则。这一步是查配置，零计算。要强调的是：分类器只负责贴标签，这张映射表才决定去向。表是运营可以随时改的配置，不是写死在模型里的东西——这一点后来救过我们好几次命，活动改规则，改表就行，不用动模型。

第五步，按意图取数执行。

主意图是坏果投诉，回复走客诉路径：情绪确认、优先转人工、索要照片喂给多模态初筛。同时顺手把次意图办了——槽位里已经有订单号3792，坐席接入前系统直接查好物流状态推到坐席屏幕上。用户骂着榴莲坏的同时问几点送到，坐席接入的时候两个问题的答案都在屏上。

这个设计我们叫槽位预取：意图裁决出主次之后，能机器办的次意图当场办掉。别小看它，它直接决定了坐席的接话效率——开口就是解决方案，而不是”您好请问有什么可以帮您”。

第六步，异常兜底。

如果第三步置信度只有0.4，两个意图咬得很紧，那就不硬分，降级处理：要么给选项让用户自己点（”您是想投诉坏果还是查物流？”），要么带着情绪标记保守转人工。我们的铁律是：**情绪高的模糊输入，一律从保守。宁可多转一次人工，不能对骂完街的用户再答错一次。**这个道理很朴素——用户已经处于爆发边缘，AI再答错一次，事情就从退款升级成发帖了。

把六步连成一条线看：输入进来，先预处理滤掉脏东西、捞出订单号、打上情绪分；关键词粗筛出两个候选；向量分类器裁决出主次意图；查路由表定去向；执行时槽位预取顺手把次意图办了；置信度不够就兜底降级。

这套流程跑起来之后，日均500到2000条消息里，绝大部分在毫秒到秒级就有了正确去向。

意图识别为什么不能一步到位

有人问过：为什么不直接上大模型识别意图，一步到位？

因为算账。我们的量级，每条消息都过一遍大模型，成本和延迟都扛不住，而且大模型在简单问题上毫无优势——”订单到哪了”这种话，一个关键词字典就能接住，何必动用千亿参数。所以我们用的是三级级联：关键词规则打头，向量分类器做主力，大模型兜底。

第一级是关键词字典。关键细节是词要带权重：”退款”是强信号词，权重2.0；”榴莲”是弱信号词，权重0.8——用户提到榴莲不一定是问售后，可能是问保存方法。加权命中才判意图，避免字面撞车。

第二级是向量分类器，主力。原理一句话：语义相近的句子在向量空间里位置相近——”退款到账没”和”钱什么时候退”落在一起，和”榴莲怎么保存”隔得很远。它接得住关键词接不住的口语化、同义改写，毫秒级返回。

第三级才是大模型，只处理前两级都低置信度的模糊难题，比如”帮我看那单能不能改配送时间再退个券”这种复合意图。贵但准，只用在刀刃上。

三层工具的选择原则就一条：能规则不模型，能小模型不大模型。这条原则贯穿了我们整个系统，下篇讲路由分层时会反复看到它的影子。

意图识别为什么不能一步到位

有人问过：为什么不直接上大模型识别意图，一步到位？

因为算账。我们的量级，每条消息都过一遍大模型，成本和延迟都扛不住，而且大模型在简单问题上毫无优势——”订单到哪了”这种话，一个关键词字典就能接住，何必动用千亿参数。所以我们用的是三级级联：关键词规则打头，向量分类器做主力，大模型兜底。

第一级是关键词字典。关键细节是词要带权重：”退款”是强信号词，权重2.0；”榴莲”是弱信号词，权重0.8——用户提到榴莲不一定是问售后，可能是问保存方法。加权命中才判意图，避免字面撞车。

第二级是向量分类器，主力。原理一句话：语义相近的句子在向量空间里位置相近——”退款到账没”和”钱什么时候退”落在一起，和”榴莲怎么保存”隔得很远。它接得住关键词接不住的口语化、同义改写，毫秒级返回。

第三级才是大模型，带意图清单和few-shot例子，只处理前两级都低置信度的模糊难题，比如”帮我看那单能不能改配送时间再退个券”这种复合意图。贵但准，只用在刀刃上。

三层工具的选择原则就一条：**能规则不模型，能小模型不大模型。**这条原则贯穿了我们整个系统，下篇讲路由分层时会反复看到它的影子。

这一级半怎么训练出来的

向量分类器不是天上掉下来的，得喂训练数据。完整链条五步：捞原始对话、人工贴标签、转向量、训练画边界、上线判新问题。

我们从客服系统导出3到6个月的历史对话，比如捞到一句”我买的榴莲怎么还没送到”，标注员贴上【物流查询】的标签。每个意图贴够200到500条，这批”句子+标签”就是训练集。

然后每句话用embedding模型转成向量，相当于钉进一张巨大的语义地图：”榴莲怎么还没送到”和”我的菜呢，到哪了”钉在一起，”榴莲怎么保存”钉在很远的地方。这一步之后，”话”就变成了”坐标”。

训练分类器，本质是在地图上画线：物流查询区里聚着”还没送到””我的菜呢””咋还没消息”，商品咨询区里聚着”怎么保存””产地哪里”。训练完成的标志是每个意图在向量空间里有了自己的领地。上线后新问题转向量、落地图，落在哪块领地就是哪个意图。

落点离边界的远近，就是置信度：落在领地中心，置信度0.95；落在两块领地交界处，置信度0.5，触发降级交给大模型重判或转人工。

所以标注的数量和质量直接决定边界画得准不准——样本少的意图，领地小而模糊；样本多的意图，领地清晰。这也是为什么每个意图要200到500条起步，不够的点，画不出清晰的线。

理解了这一点，后面所有的调优都有了抓手：bad case多在哪类意图，就说明哪块领地画歪了，要么补标注，要么调边界。

上篇小结

到这里，上半场讲完了三件事：

1. 先看数据再定定位——四类咨询的结构决定了我们要做的是”自助路由型智能助手”，不是”AI客服”
2. 意图识别是路由层不是处理层，六步流程里藏着两个关键设计：情绪标记贯穿全链路、槽位预取顺手办事
3. 三级级联加向量地图，让意图识别在成本和准确率之间找到了平衡

但意图识别只是分拣员。分拣完了，每条流水线上发生了什么？FAQ为什么能毫秒级秒回？”双路召回”是什么？客诉的等待窗口里藏着哪四个动作？最后那些”人工解决率从100%降到20%”的数据是怎么来的？

这些放下篇，也是整个系统里更有意思的部分。