面试题 · Prompt
搜索「检索」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
在基于大模型的意图识别任务中，如何设计有效的prompt模板？有哪些最佳实践和注意事项？
1. 角色与任务定义
你是一位专业的用户意图理解助手。请分析用户输入，从以下类别中选择最匹配的意图：
[类别列表：查询、预订、投诉、闲聊...]2. 结构化输出格式 强制JSON输出，方便下游解析：
{
"intent": "预订",
"confidence": "高/中/低",
"slots": {"时间": "明天", "项目": "酒店"},
"clarification_needed": false
}3. Few-shot示例设计
按学习路线查看教程、项目和面试题。
| 问题 | 解决方案 |
|---|---|
| 意图漂移 | 添加反例：明确"不属于XX意图"的样本 |
| 多意图混合 | 设计主意图+子意图的层级结构 |
| 置信度校准 | 要求模型输出置信度，低置信度触发澄清对话 |
| 上下文继承 | Prompt中保留最近2-3轮对话历史 |
场景切入
假设你在做一个电商客服机器人，用户说‘我要退货’，但没说哪个订单、什么原因。你怎么设计prompt让它能把意图识别清楚，还能主动问用户补充信息？
层层追问
你一般怎么让大模型做意图识别？……用prompt对吧？那如果用户表达很模糊，比如‘看看那个’，你怎么保证模型不跑偏？……更进一步，你是怎么写prompt模板来稳定处理这种模糊情况的？
直球架构
设计一个基于大模型的意图识别prompt模板，要求能输出结构化JSON，包含意图、置信度、槽位，并且能处理模糊意图和拒识。你给出模板结构，并说明最佳实践和注意事项。
这道题其实在问，怎么让大模型稳定地做意图分类，核心就是模板设计。模板不只是写几句提示词，它是你跟模型沟通的接口，决定了模型能不能准确理解任务边界。
先说角色定义。你不能只扔给模型一句话说“给我分个类”，要明确告诉它“你是一个用户意图理解助手，你的输出要严格遵守我给的分类体系”。我一般会这样写：你是一位专业的意图分析助手，请从以下类别中选择最匹配的，如果都不匹配就输出“其他”。类别列表我会列清楚，比如查询、预订、投诉、闲聊。这样模型就知道自己的职责范围，不会跑偏。
再一个是结构化输出。我强制要求模型输出 JSON，这样下游解析方便，也方便做校验。比如输出里要有 intent、confidence、slots，还有 clarification_needed 字段。confidence 分高、中、低三档，低的时候触发澄清对话。这个格式本身也是对模型的一种约束，让它不能随便乱写。
接下来是[[少样本]]示例。这是提升稳定性的关键。每个意图类别我一般放 2-3 个示例，但要覆盖常见变体，比如口语化的“帮我订个票”和省略主语的“明天酒店”。还有边界情况，比如“帮我订个票”其实需要澄清是机票、火车票还是电影票，我会在示例里展示模型如何输出 slots 和 clarification_needed。说白了，示例就是给模型打样，让它学会怎么处理模糊输入。
这里有个坑，就是意图漂移。模型可能看到相似表达就跳到别的意图去。我的做法是加反例，明确告诉模型“这个不属于XX意图”。比如“我想退票”如果意图列表有“投诉”和“退款”，示例里要展示“退票”属于退款而不是投诉。
多意图混合也是个常见问题。用户说“帮我查一下订单，顺便问问满减政策”，这就涉及两个意图。我一般设计层级结构，主意图是“查询”，子意图是“订单查询”和“政策查询”。或者让模型输出一个主意图加多个子意图，但这样复杂度高，我更倾向在模板里加一条规则：如果检测到多个意图，先输出主意图，然后触发澄清。
置信度校准很重要。模型输出低置信度的时候，不要硬猜，要主动问用户。我上线前会特别关注低置信度样本的分布，如果某个意图频繁低置信度，说明模板里的示例不够，或者意图定义太模糊。还有一个常见失败场景是，用户输入很短，比如“你好”，模型可能误判为闲聊。我会在示例里把这种边界 case 加进去，明确告诉模型“你好”属于闲聊，但如果是“你好，我想查订单”，就属于查询。
迭代优化方面，我倾向做动态示例选择。根据用户画像或场景，从示例库里检索最相关的 few-shot。比如用户是商家，就多放跟订单、库存相关的示例。还有一个关键点是负样本强化，定期收集误识别 case，加到 prompt 里作为反例。温度参数我一般设 0 到 0.3，保证输出稳定。
其实还有一个延伸点，就是模板的可维护性。业务方经常改意图列表，你不能每次都改 prompt，所以我会把模板跟意图列表解耦，用模板变量动态注入。但这样做有个风险，模型可能对新意图不熟悉，需要额外的示例。这个平衡怎么把握，我觉得值得深入讨论。
所以总结一下，我会把 prompt 模板设计看作一个系统工程，核心是角色定义、结构化输出、少样本示例，加上迭代优化。前提是你的分类体系要清晰，如果不清晰，模板写得再好也没用。我更倾向用少量高质量示例加动态选择，而不是堆大量示例，因为示例太多会让模型困惑。