意图分类聊天机器人：从12条语料到线上飞轮

1. 从 12 条语料到线上飞轮：意图分类聊天机器人六阶段实战
2. 别急着上大模型：用小神经网络把 AI 项目六阶段跑通
3. 准确率 100% 仍可能不敢答：一个教学级 Chatbot 踩坑实录
4. 不是 ChatGPT，是「意图分类 + 模板回复」；重点不在炫模型，而在需求→数据→建模→评估→部署→飞轮闭环
5. 12 条冷启动语料、BoW、Softmax；讲清置信度、词表外、产品语义错位，以及监控如何反哺 Model V2

适合：AI 项目入门、想把「大模型闲聊」和「可交付 AI 项目」区分开的读者
技术栈：Python / TensorFlow·Keras / 词袋 BoW / Softmax 多分类
案例定位：意图分类 + 模板回复（不是 ChatGPT 式自由生成）

写在前面：我们到底在做什么？

很多人对「聊天机器人」的第一印象是大模型对答。本案例刻意做「小」：只用十几条英文语料，把用户话术分成三类意图——

系统流程是：

用户输入 → 文本清洗 → 词袋向量 → 神经网络 → 意图概率
       →（置信度够高？）→ 查表回复 : 兜底「没听懂」

目标不是做出最强对话，而是完整走通一个 AI 项目的六个阶段，并把路上常见坑踩明白。

需求 → 数据 → 建模 → 评估 → 部署 → 监控（飞轮）

阶段 1：需求定义——先写清「怎样算做成了」

AI 项目最常见的失败不是模型不够炫，而是需求不可验收。

本案例把需求写成可运行的规格，例如：

• 训练集准确率 ≥ 90%
• 单次响应 ≤ 0.1 秒
• 至少覆盖 3 种意图
• 约束：小数据、普通 CPU、1～2 天级教学原型

要点：MVP 思维——先做「能分类、能回复、能迭代」的最小闭环，而不是「全能智能客服」。

教学提醒：后面会看到，即使技术指标漂亮，若回复口吻（谁在忙）没在需求里定义清楚，产品语义仍可能拧巴。需