AI意图识别 - 用户说薯片碎了机器却问要买吗？翻车与破局

原文首发于人人都是产品经理，作者：李嘻嘻 原文链接：点击查看

1. 翻车：一次让客服总监脸黑的误判

智能客服MVP上线第二天，用户发来："薯片碎了，我要退款。"

意图识别模型输出：intent: "buy_product"，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。客服总监截图发群里："这谁做的？给我解释一下。"

问题： 只做了关键词匹配，没理解"碎了"这个核心意图词，没做实体抽取。

2. 本质：意图识别就是把用户的话翻译成业务动作

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. 技术选型：为什么选"大模型做NLU"

• 冷启动快：大模型零样本就能达到50%准确率
• 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
• 但不让它生成回复：只让它输出JSON，剩下的交给代码

4. 方案：意图体系 + 实体抽取 + 槽位填充

4.1 设计意图体系

拉着客服主管，翻3个月对话记录，归纳出8个一级意图、30+个二级意图。

原则：粒度不要太细；高频场景单独成意图；留一个unknown兜底转人工。

4.2 实体抽取 + 槽位填充

设计prompt模板，强制大模型输出固定JSON格式：

{
  "intent": "apply_refund",
  "slots": {"product": "薯片", "issue": "破损", "order_id": "12345"},
  "confidence": 0.95
}

4.3 对话管理：缺啥问啥

写了一个轻量级状态机：意图apply_refund需要order_id、product_name、issue_type → 缺哪个就问哪个。

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

1. 大模型输出不稳定 → 加JSON Schema校验 + 重试机制
2. 意图混淆 → 二级意图拆分 + 置信度阈值
3. 槽位值不规范 → 后处理标准化
4. 延迟太高 → 缓存高频意图 + 流式输出

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"
2. 超长上下文：聊了10轮才说真实需求
3. 未见过的产品名：新品模型不认识
4. 语音转文字错误："薯片"听成"书本"

这些后续通过多轮记忆系统和知识库RAG逐步解决。

7. 结语

• 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

延伸阅读：智能客服完整MVP搭建看别一上来就搞大模型。

---

关于作者

李嘻嘻，9年产品经理 + 3年AI实践者，专注于AI产品落地和工具开发。

• 个人站：https://yourhelper.me
• 项目：FormAI、TargetLink、XixiType等6个AI工具