当你对 AI 说"帮我查一下后面三站附近评分高一点的日料"，它需要理解多少东西？
引言
你有没有想过，当你随口对一个 AI 助手说出一句话，它到底经历了什么？
比如这句：
"帮我查一下后面三站附近评分高一点的日料"
如果让你来做这个系统，你需要从这句话里提取出：
- 领域：公共交通 + 餐饮
- 意图：搜索路线沿途的餐厅
- 参数：范围=后面三站，菜系=日料，排序=评分
- 是否需要追问：不需要
- 能否并行执行：可以
这已经远远超出了传统"客服分类"的范畴。这就是现代 Agent 系统中意图识别（Intent Recognition） 正在解决的问题。
今天这篇文章，带你看看这个领域从"if-else"到"任务结构提取器"的五代演进。
意图识别在 Agent 中的角色
在一个完整的 Agent 系统里，意图识别器（Intent Recognizer）不只是"分个类"这么简单。它需要同时完成这些事：
| 能力 | 说明 |
|---|---|
| 领域路由 | 用户的问题属于哪个领域？ |
| 技能路由 | 应该调用哪个 skill 或 workflow？ |
| 参数提取 | 提取关键参数（slot filling） |
| 约束识别 | 有什么限制条件？ |
| 追问判断 | 信息够不够？需不需要追问？ |
| 多意图分解 | 一句话里是不是包含多个子任务？ |
| 安全边界 | 是否涉及越权或危险操作？ |
可以说，意图识别是 Agent 系统的"入口调度中心"。
第一代：规则 + 关键词路由
最早期的做法简单粗暴：
if"天气"inquery:weather_skill()elif"股票"inquery:finance_skill()优点：稳定、可控、延迟低。
致命问题：换个说法就崩了。"明天出门需要带伞吗"——没有"天气"两个字，系统直接傻掉。
但别小看它。时至今日，规则路由仍然活跃在：
- 安全策略（safety rules）
- 硬性路由（hard routing）
- 兜底逻辑（fallback）
- 紧急策略（emergency policy）
工业界永远不会完全放弃规则。
第二代：传统 NLU 分类模型
到了这一代，我们有了 FastText、TextCNN、BERT、RoBERTa 这些武器。
核心思路很简单：
用户输入 → Encoder → CLS pooling → softmax → 意图标签
本质就是一个分类问题：P(intent | x) = softmax(Wx + b)
看起来不错，但在 Agent 场景下迅速暴露三个致命问题：
1. 意图爆炸
当 skill 从 10 个增长到 100、1000、10000 个时，softmax 分类根本不可扩展。
2. 复合意图
"帮我比较一下东京飞上海最便宜的航班，并推荐附近便宜酒店"
这不是一个 intent，而是两个甚至三个。
3. 参数决定流程
"后面三站有什么吃的"——真正决定 workflow 走向的不是 intent 标签，而是range = next_3_stops这个 slot。
第三代：语义路由（Embedding Router）
这是目前很多 Agent 系统第一层实际在用的方案。
核心思想：不做硬分类，而是做语义匹配。
用户输入 → Embedding → 向量 → ANN 搜索 → Top-K 候选 Skills
本质公式：score(q, s) = cos(e_q, e_s)
为什么这一步是革命性的？
因为新增一个 skill，只需要写一段描述，embedding 进向量库就行了。不需要重新训练分类器。
这和推荐系统的思路如出一辙——"粗召回 + 精排"：
Query → Embedding Router → Top-K Skills → LLM Rerank → Final Skill
如果你做过推荐算法，这个架构你一定倍感亲切。
第四代：LLM 驱动的意图识别
这是当前的主流方案。
核心思想：让 LLM 直接输出结构化的意图 JSON。
用户输入 + 历史上下文 + 系统策略 ↓ LLM ↓ 结构化意图 JSON
输出类似这样：
{"domain":"restaurant","intent":"search_restaurant","slots":{"location":"shibuya","price":"cheap"}}为什么 LLM 意图识别能崛起？
| 能力 | 传统分类 | LLM |
|---|---|---|
| 多意图 | 差 | 强 |
| 参数提取 | 弱 | 强 |
| 长上下文 | 弱 | 强 |
| Zero-shot | 差 | 强 |
| 复合任务 | 差 | 强 |
| 推理能力 | 无 | 有 |
但要注意——真正的线上系统从来不是 LLM 一个人在战斗。
第五代：层次化意图 + Planner
这是 Agentic AI 真正的前沿方向。
意图识别不再是简单的query → intent，而是：
用户输入 ↓ 高层目标（high-level goal） ↓ 子目标分解（subgoal decomposition） ↓ 技能图路由（skill graph routing）
举个例子。用户说：
"规划一个东京三天旅游，预算5000人民币"
系统的处理过程：
一级意图：travel_planning
二级分解：
- find_flights
- find_hotels
- build_itinerary
- budget_optimization
三级技能图：
planner ├── flight_search ├── hotel_search ├── map_agent └── budget_optimizer
这意味着什么？
意图识别器从一个"分类器"，变成了一个**"任务结构提取器"（Task Structure Extractor）**。
这是 Agent 时代最本质的变化。
为什么 Slot Extraction 如此关键？
你可能会问：参数提取（slot extraction）为什么单独拎出来说？
因为它解决了一个核心问题：把自然语言的不确定性，转化为结构化的状态变量。
用户说"后面三站"，workflow 真正需要的是：
{"range_type":"relative_stop","offset":3}Workflow 只认结构化变量。Slot extraction 就是那个"翻译官"。
真正可落地的工业架构
说了这么多代际演进，真正能在线上跑的到底是什么？
答案是："规则 + 检索 + LLM" 混合架构。
完整链路如下：
用户输入 ↓ 预处理（Preprocess） ↓ 安全规则（Safety Rule） ↓ 领域路由（Domain Router） ↓ 意图识别（Intent Recognizer） ↓ 参数填充（Slot Filling） ↓ 规划器（Planner） ↓ 工具选择（Tool Selection） ↓ 执行器（Executor）
落地建议：四步走
如果你现在要搭一个 Agent 系统的意图识别模块，我建议分四步：
Phase 1：混合路由器
先把三层堆起来：规则 + Embedding 召回 + LLM JSON 解析。不要一上来就搞端到端 agent。
Phase 2：Schema-first 意图定义
用强约束 JSON schema 定义意图输出格式：
{"domain":"","intent":"","slots":{},"constraints":{},"clarification":[]}这一步让系统行为可预测、可调试、可监控。
Phase 3：意图 → 技能图
不要做intent → function的一对一映射，而是intent → executable graph：
{"skills":["..."],"dependencies":["..."]}Phase 4：可训练路由器
积累数据，开始训练：
- 路由模型（router model）
- 奖励模型（reward model）
- 规划模型（planner model）
用 router trace、失败路由、追问数据、工具成功/失败来持续优化。
总结
Agent 中的意图识别，已经从"分个类"演进为"理解任务结构"。五代技术路线概括如下：
| 代际 | 方案 | 核心思想 |
|---|---|---|
| 第一代 | 规则+关键词 | if-else 匹配 |
| 第二代 | NLU分类 | softmax 分类 |
| 第三代 | 语义路由 | embedding 匹配，粗召回+精排 |
| 第四代 | LLM驱动 | 直接输出结构化 JSON |
| 第五代 | 层次化+Planner | 任务结构提取 + 技能图路由 |
而真正能上线的，是混合架构——规则兜底、向量召回、LLM精排，三者缺一不可。
如果你正在搭建 Agent 系统，记住一句话：
意图识别不是终点，它是通向"理解用户真正想做什么"的起点。
如果觉得有帮助，欢迎点赞和分享。
