意图识别 Prompt 最佳实践?

这道题其实问的是，你怎么让大模型在意图识别这个任务上，既听话又聪明。说白了，就是个引导和控制的问题，模型知道要干什么，也知道怎么输出，遇到边界情况还能处理。我一般会从几个层面来搭这个prompt模板。

先说角色和任务定义。这个不能含糊，你得明确告诉模型你是谁、要干什么。比如我会写‘你是意图识别专家，负责把用户输入分类到以下预定义意图里’，然后把意图清单列清楚，每个意图给个简短描述。这里有个坑：意图之间不能有歧义重叠。比如‘查订单’和‘查物流’，用户说‘我的东西到哪了’其实两个都沾边，你要么合并要么明确边界。

然后是结构化输出。我最常用的是JSON格式，比如 {"intent": "类别", "confidence": 分数, "slots": {}}。为什么强制结构化？因为模型自由输出容易飘，你解析起来也麻烦。结构化输出能大幅降低解析失败率，这在线上服务里特别关键。

再一个就是示例。纯文本描述意图模型可能理解不到位，我会给每个意图配2-3个正例，再加1个边界反例。比如‘查天气’的正例是‘今天北京天气怎么样’，反例是‘明天上海会下雨吗’，这个其实也是查天气，但带着时间地点偏移，算边界。示例要覆盖口语化、省略主语这些常见变体，这样模型泛化能力更强。

说到推理，引导模型走推理步骤特别重要。我通常会在prompt里写一个分析步骤：先提取关键词和实体，再匹配最相近的意图定义，检查槽位是否满足，最后输出结果和置信度理由。这样模型就不是瞎猜，而是有逻辑链条。你可以理解为让模型‘先想再答’，效果比直接输出好很多。

边界情况必须处理。我会显式定义一个‘未知意图’兜底类别，并在prompt里说‘如果都不匹配，输出unknown’。同时设个置信度阈值，比如低于0.6就触发澄清追问。低置信度不硬猜，而是反问用户，这在客服场景里能避免很多错误。

举个例子，在电商客服场景里，用户说‘我买的东西还没到’，这个query可能既属于‘查物流’也属于‘投诉物流慢’。prompt里我会让模型先判断有没有时间敏感词‘还没到’，如果有，优先归到‘投诉’类，同时提取订单号槽位。如果置信度低，就反问‘您是想查物流进度还是反馈配送问题？’。这样的设计能有效区分信息型vs交易型vs投诉型意图。