意图识别：面试官不想听“调大模型判断”，这三层才是答案-北京尧图网络

意图识别面试官不想听“调大模型判断”这三层才是答案配套课程第一章。对应考点用户输入规范化、三层意图识别机制、准确率提升、简历写法。1. 面试现场最常翻车的一句话面试官用户说“那个最划算的帮我订了”你怎么处理候选人……调大模型分类一下就好了。面试官那“那个”指什么“最划算”按什么维度分类错了呢只要你说“调大模型判断”基本就丢了这题。课程的答案很明确意图识别是一套工程机制大模型只是其中的可选拼图而且只在“生成澄清话术”这种非关键路径上。本系统的intent_agent.py用三层机制实现全程可解释、可复现L1 规范化Normalization清洗、口语/错词归一、指代消解。L2 分类Classifier规则多信号打分输出意图分布与置信度。L3 澄清Clarification低置信 / 多义时主动追问。2. L1 规范化把“人话”变成“机器能懂的话”用户原话那个最划算的帮我订了L1 做三件事NORM_MAP{那个:REF_LAST,最划算:最划算(对比),订了:下单,咋:怎么,啥:什么,搞一张:下单一张,}# 1) 口语/错词归一texttext.replace(那个,REF_LAST).replace(最划算,最划算(对比))...# 2) 指代消解REF_LAST 用上下文里“最近提到的实体”替换ifREF_LASTintext:last_entityctx.get(last_entity)# 来自 memory 的会话上下文texttext.replace(REF_LAST,last_entityor[未指定对象])关键点“那个”不是凭空猜的而是从 MemoryAgent 的会话上下文里取last_entity。在前一轮“查一下机票价格”里系统已经把机票记进了last_entity。于是那个最划算的帮我订了 → 机票最划算(对比)的帮我下单这一行归一化直接把模糊指代口语变成了结构化输入。这才是面试官想听的“指代消解”实现而不是“让 LLM 理解一下”。3. L2 分类规则打分输出分布而不是黑盒课程反对“黑盒分类”。本系统用关键词权重多信号打分INTENTS{compare:{kw:[对比,哪个,最划算,性价比,区别],...},book:{kw:[订,预订,下单,买,购买],...},query:{kw:[是什么,怎么,查询,多少],...},calculate:{kw:[算,计算,多少钱,价格],...},...}def_classify(text):scores{intent:sum(wintextforwincfg[kw])forintent,cfginINTENTS.items()}# 归一化置信度且对“强动作动词”加权出现“下单/购买”时 book 优先于 compare实测对“机票最划算(对比)的帮我下单”下单→ book 命中最划算(对比)含最划算→ compare 命中但出现强动作动词下单book 加权 →最终意图 book置信度 0.92为什么 book 胜过 compare因为“最划算”只是修饰语用户真正的动作是“订”。这个判断是显式规则面试时能一条条讲清楚比“模型觉得”值钱十倍。分类输出是分布置信度而不是一个独热标签{intent:book,confidence:0.92,distribution:{book:0.92,compare:0.7},entities:[机票]}4. L3 澄清该问就问别瞎猜低于阈值CLARITY_THRESHOLD0.45或unknown时主动澄清needs_clarifyconfidenceCLARITY_THRESHOLDortop_intentunknownclarificationself.llm.complete(CLARIFY: ...)ifneeds_clarifyelseNone澄清话术本身用 LLM 生成或 heuristic 模板这是 LLM 该待的地方自然语言生成错了也不影响主链路。实测在 S1“查一下机票价格”里意图 calculate含“价格”置信度 0.605未触发澄清直接进规划。而在“我想看机票”这种没有任何意图关键词的输入里意图 unknown系统会反问而非瞎订——这就是“第五类问题漏给参数”的解法。5. 准确率提升课程的“五类问题解法”如何落地课程问题本系统解法代码位置表达不清口语/错词归一表NORM_MAPintent_agent.py指代模糊上下文last_entity指代消解_normalize需求摇摆意图实体联合抽取分布表达_classify同义表述别名词典aliasINTENTS漏给参数L3 澄清 / 默认值标注needs_clarify6. 面试话术模板直接背“意图识别我没用纯大模型分类。我分三层第一层规范化做口语归一和指代消解比如把‘那个’替换成上下文里最近提到的实体第二层分类用关键词权重多信号打分输出意图分布和置信度对强动作动词加权保证‘订’优先于‘最划算’第三层澄清置信度低于阈值或命中未知意图时主动追问。这样每一步都可解释、可回归不会黑盒翻车。”下一篇规划执行G4C 计划与 Replan 根因回溯 —— 讲清楚“计划赶不上变化时Agent 怎么随机应变而且不打错地方”。

意图识别：面试官不想听“调大模型判断”，这三层才是答案

相关推荐

StreamCap：免费跨平台直播录制工具的终极使用指南

大模型时代AI复试新变局：LLM辅助面试准备工具链（含私有化部署Prompt库+实时反馈系统）

AI语法纠错正在悄悄改写职场规则：3类高危语法错误，不修复将导致邮件拒收率飙升42%

更多资讯

智能车竞赛芯片选型指南：从主频、资源到双核与生态的决策链

MCP Kubernetes Server 实战：用 TaoToken 统一 Key 打通集群管理工具链

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

全球开源榜第一的国产模型实测：用 TaoToken 统一 Key 跑通 MiniMax M2 Agent 编程链路

今日更新

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

本周精选

如何彻底离线使用 Laya-CoreML：Hugging Face 下载、缓存机制与 local_files_only 详解

基于1Panel 部署MySQL MCP 服务：TaoToken 统一 Key 接入与 config.toml 配置实战

崇州园区营销网站建设避坑指南：5大注意事项保备案安全

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？