简单的意图识别一句话归一个类在真实对话里不够用——用户一句话里常常有两个需求对话中途还会换话题。生产级分流要处理意图层级、多意图共存和对话中的意图漂移。一、意图树——不是平铺标签而是层级结构平铺的意图标签售前/售后/物流粒度太粗物流到哪了和物流费用怎么算都归物流但处理方式完全不同。意图按层级组织一级意图订单服务→二级意图物流查询→三级意图在途物流进度。层级意图的好处是分流可以分层进行一级路由决定交给哪个业务线订单线/产品线二级路由决定走哪个处理组三级才决定具体回复逻辑。一级分错了后面全错分层识别让每一层的判断都更简单更准。二、槽位填充——意图之外还要提取关键信息识别到查物流意图只完成了一半还要知道查哪个订单——这就是槽位slot。槽位是意图执行所必需的参数查物流需要订单号槽位改地址需要订单号新地址两个槽位。槽位可以从当前消息提取消息里带了订单号也可以从上下文继承上一轮刚聊过订单DD20240901这轮问到哪了就继承该订单号。槽位不全时机器人主动追问而不是把不完整请求丢给业务系统。三、多意图消息——一句话里的两个需求帮我查下订单DD20240901顺便问下这款产品有白色吗——一条消息包含查订单和问产品两个独立意图。处理方式不是二选一是拆分后串行处理先回复订单信息再回复产品信息两条回复分开发。多意图拆分由模型完成拆分后每个子意图独立走分流管线。回复合并时按用户提问的顺序组织保证逻辑连贯。四、意图漂移——对话中途换话题用户问着物流突然转去问新品推荐这是意图漂移。处理原则当前流程的状态保留但不强制完成新意图立即响应用户处理完新话题后机器人可以主动提醒您之前的物流还要继续查吗。意图漂移的检测新消息的意图和当前会话意图不一致且置信度高时判定为漂移而不是误识别。意图识别四要点对照要点解决的问题典型场景意图树标签粒度太粗分层路由槽位填充缺执行参数追问订单号多意图一句话两需求查单问产品意图漂移中途换话题保留状态转新话题分层意图识别实现INTENT_TREE { 订单服务: { 物流: [在途进度, 运费咨询], 订单变更: [改地址, 取消订单], }, 产品咨询: { 规格: [库存, 参数, 颜色尺码], 购买: [价格, 优惠], } } def recognize(d, session): 分层识别槽位漂移检测 text d[content] # 多意图拆分 sub_msgs split_multi_intent(text) replies [] for sub in sub_msgs: # 分层识别先一级再二级 l1 classify(sub, list(INTENT_TREE.keys())) l2 classify(sub, list(INTENT_TREE[l1].keys())) l3_options INTENT_TREE[l1][l2] l3 classify(sub, l3_options) # 漂移检测 if session.current_intent and \ l1 ! session.current_intent[0] and l1[score] 0.8: session.suspend_current() # 挂起旧流程 sendText(WID, d[fromUser], (好的先处理您的新问题)) # 槽位提取当前消息上下文继承 slots extract_slots(sub) if not slots.get(order_no) and session.last_order: slots[order_no] session.last_order # 继承 # 槽位不全→追问 required SLOT_REQUIREMENTS.get(l3, []) missing [s for s in required if s not in slots] if missing: replies.append(ask_for_slot(missing[0])) session.awaiting_slot missing[0] else: replies.append(dispatch(l1, l2, l3, slots)) session.current_intent (l1, l2, l3) return replies # 多条回复按顺序发送落地建议四个能力按复杂度递进意图树先做把现有平铺标签重构成层级准确率立刻提升槽位填充第二覆盖需要参数的意图多意图和意图漂移放后期需要更成熟的模型支持。意图漂移场景下旧流程的状态保留很重要——用户随时可能切回来流程要能恢复。消息回调字段和会话数据结构参考 Eyun 开发文档平台开通见 Eyun 官网。