AI获客智能体中的意图识别：两级架构与工程实

摘要

意图识别是AI获客智能体的核心模块。本文拆解从规则分类到LLM兜底的两级意图识别架构，说明如何在工业级场景下实现0.9以上的识别准确率，以及工程落地中需要处理的边界问题。

一、为什么意图识别是获客智能体的第一道门

在AI获客场景中，用户发来的咨询千差万别：

• “这个多少钱？” → 高意向，准备询价
• “你们做什么的？” → 中意向，了解阶段
• “哦，知道了” → 低意向，随口一问
• “加个微信” → 明确转化信号
• “你们在哪个城市？” → 地理位置确认

如果意图识别错了，后面所有对话策略都会跑偏——把"随便问问"当高意向强推，或者把"准备下单"当闲聊放过，都是致命错误。

因此，意图识别不是一个简单的分类任务，而是整个获客智能体的决策入口。

二、两级架构：规则分类 + LLM兜底

工业级意图识别系统通常采用两级架构：

第一级：规则与轻量分类模型

• 基于关键词匹配的规则引擎（正则、词典）
• 轻量级文本分类模型（BERT小模型、FastText）
• 优点：速度快、成本低、可解释
• 缺点：覆盖不了长尾问法

第二级：大语言模型推理

• 当第一级置信度低于阈值时，把用户输入+上下文发给LLM
• LLM结合对话历史判断真实意图
• 优点：理解能力强、能处理模糊表达
• 缺点：成本高、延迟大

两级的具体差异对比如下：

两级架构的核心价值：用90%的流量走低成本通道，10%的疑难场景走高成本通道，在准确率和成本之间取得平衡。

三个维度组合，形成完整的用户画像。整体分类体系结构如下：

三、意图分类体系

一个完整的获客意图体系通常包含三个维度：

维度一：意向层级

• 高意向：询价、要联系方式、问合作方式
• 中意向：了解产品、对比方案、问案例
• 低意向：闲聊、咨询、无关问题

维度二：业务类型

• 价格咨询
• 功能咨询
• 案例咨询
• 售后咨询
• 投诉/负面

维度三：转化信号

• 明确要留资
• 明确要线下拜访
• 明确要对比竞品
• 犹豫/拖延

三个维度组合，形成完整的用户画像。

置信度阈值分流逻辑可总结为下图：

四、工程实现的关键细节

1. 置信度阈值怎么定？

• 高置信度阈值：0.85以上直接走第一级
• 中间地带：0.6-0.85进入LLM复核
• 低置信度：0.6以下直接走LLM

阈值不是固定的，要根据业务场景调整。高风险场景（比如涉及价格承诺）阈值要高，宁可多花LLM成本也不能误判。

2. 上下文怎么用？
意图识别不是单句判断，要结合对话历史：

• 前3轮对话的用户表达
• 用户已经问过的问题
• 用户的行为轨迹（浏览了哪些页面、停留了多久）

3. 冷启动怎么办？
新业务上线时没有标注数据，通常做法：

• 先用规则引擎兜底
• 人工标注1000-2000条样本
• 训练初始分类模型
• 上线后持续收集人工修正的数据，迭代模型

4. 误判怎么处理？

• 设置人工复核队列：AI判断为高意向但实际并非如此的样本，定期抽检
• 置信度存疑时，宁可降低跟进强度，也不要过度打扰用户
• 建立反馈闭环：人工修正的结果回流到训练集

五、效果评估指标

意图识别系统上线后，用哪些指标衡量？

精确率比召回率更重要——误判一个高意向客户的成本，远大于放过一个低意向客户。

六、常见误区

误区一：只看准确率，不看精确率
准确率95%看起来很高，但如果精确率只有60%，意味着40%被标记为"高意向"的客户其实是无效的，运营团队会浪费大量时间。

误区二：意图分类太粗
只分"有意向/无意向"两类是不够的。不同意向层级对应不同的跟进策略，分类越细，策略越精准。

误区三：上线后不迭代
用户的表达习惯在变，行业热点在变，意图识别模型需要持续用新数据迭代。三个月不更新的模型，准确率会明显下降。

七、小结

意图识别是AI获客智能体的决策入口。两级架构（规则分类+LLM兜底）是工业级落地的主流方案，核心是在准确率和成本之间做平衡。工程实现的关键不在于模型多先进，而在于：分类体系是否贴合业务、置信度阈值是否合理、误判反馈闭环是否跑通。