Agent意图识别怎么做?

前言:Agent 的意图识别,本质上是一个语义决策问题:把用户的自然语言输入,映射为下游规划器或路由层可以消费的结构化信号——通常包括意图标签、槽位、置信度,以及“是否需要澄清”。它的工程形态并不是一个孤立的分类模型,而是一套从粗到细、带兜底的分层决策体系。

意图识别就是判断用户这句话到底想办什么事,落到业务里就是看用户当前的问题和上下文,再把它分配到对应的能力或者子Agent上面去,相当于是先分诊再处理。

工具调用

function call 工具调用:本质上是一种结构化的意图识别,模型从你给的工具当中选一个最合适的,还能填参数。

提示词分类

提示词分类:按能力分流,适合能力不多的agent。

能力过多的话就别硬塞提示词了,容易把上下文撑爆。可以使用rag先去召回相似度,比较高的几个候选的能力,再让大模型在几条里面做判断。缩小范围减少上下文。

提示词分类和路由的区别?

像提示词分类和rag分类,实际上做的都是意图识别加路由。 前者提示词分类像一级路由,直接可以在一批能力里面去筛选,而后者rag分类像二级路由。

模型微调什么时候用

当业务需要本地识别或者对性能要求很高的时候。就可以单独训练一个意图识别的模型,训练数据就是用户想干什么和对应意图的配对,识别完再分发给子Agent。

jev?

jev:把意图判断做快,适合做在前面去分流。

本文结束