意图识别 Prompt 设计要素?

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。