如何用规则+大模型搞定意图识别

小天才学习机打游戏

369人浏览 · 2026-08-15 10:45:00

小天才学习机打游戏 · 2026-08-15 10:45:00 发布

如果只依靠大模型来理解用户的意图，那么结果是不可靠的，例如有一个理解电商客户的意图，我的意图有下面几个：

public enum Intent {
QUERY_ORDER,      // 查订单
QUERY_LOGISTICS,  // 查物流
COMPLAIN_PRODUCT, // 商品投诉
COMPLAIN_SERVICE, // 服务投诉
CONSULT_REFUND,   // 咨询退款
CONSULT_WARRANTY, // 咨询保修
CHAT,             // 闲聊
UNKNOWN           // 无法识别
}

System prompt这样写：

你是一个意图识别专家。
你的任务是根据用户输入，识别出用户的核心意图。
意图列表：
- QUERY_ORDER: 用户想查询订单信息（包含订单号）
- QUERY_LOGISTICS: 用户想查询物流状态
- COMPLAIN_PRODUCT: 用户投诉商品质量（坏了、少了、错了）
- COMPLAIN_SERVICE: 用户投诉服务态度（客服、物流慢）
- CONSULT_REFUND: 用户咨询退款流程
- CONSULT_WARRANTY: 用户咨询保修政策
- CHAT: 闲聊、问候
- UNKNOWN: 无法判断
输出格式：只输出意图名称，不要输出其他内容。
例如：QUERY_ORDER

如果直接调用大模型进行意图识别，我们访问:

http://localhost:8080/intent?msg=我要投诉

那么大模型的回复可能如下：

{ "input": "我要投诉", "intent": "UNKNOWN" }

这是因为意图中有投诉商品COMPLAIN_PRODUCT和投诉服务COMPLAIN_SERVICE，所以模型分不清到底意图是哪个，所以返回UNKNOWN.

所以，一味的依靠模型不可取，只有把规则+模型结合起来，才能大大提高识别的准确率。

下面用AC自动机+大模型的方式进行意图识别。

1.AC自动机：AC自动机（Aho-Corasick Automaton）是一个经典的多模式匹配算法，由Alfred V. Aho和Margaret J. Corasick在1975年提出。简单来说，它的核心能力是：在一个长文本中，一次性找出所有来自一个“关键词集合”中的关键词.假设你有十万个“敏感词”或“关键词”，现在需要判断用户输入的一句话里是否包含其中任何一个。如果用正则表达式，把十万个词拼成一个超长正则，性能会非常差，容易导致CPU飙升甚至系统卡顿。如果用循环遍历，对每个词都执行一次 contains()，那么十万个词就需要扫描十万次文本，效率极低。而AC自动机的高明之处在于：它只需要扫描一遍文本，就能找出所有匹配的关键词。它的时间复杂度是 O(n)（n是文本长度），与关键词的数量和长度无关，性能是常量级的。

2.AC自动机+大模型进行意图识别:

1)流程图如下:

也就是说在调用大模型之前，把AC自动机的规则识别放在第一道防线，如果没命中，再来调用大模型识别。

2)定义意图：

public enum Intent {
QUERY_ORDER,      // 查订单
QUERY_LOGISTICS,  // 查物流
COMPLAIN_PRODUCT, // 商品投诉
COMPLAIN_SERVICE, // 服务投诉
CONSULT_REFUND,   // 咨询退款
CONSULT_WARRANTY, // 咨询保修
CHAT,             // 闲聊
UNKNOWN           // 无法识别
}

3)定义"COMPLAIN_SERVICE"的关键字(这里先只拿COMPLAIN_SERVICE做测试)：

ac:
complainkeywords:
- 投诉
- 差评

4)定义COMPLAIN_SERVICE配置读取类(读取上面的COMPLAIN_SERVICE关键字):

@Component
@ConfigurationProperties(prefix = "ac")
public class AhoCorasickProperties {
private List<String> complainkeywords = new ArrayList<>();
public List<String> getComplainkeywords() {
return complainkeywords;
}
public void setComplainkeywords(List<String> complainkeywords) {
this.complainkeywords = complainkeywords;
}
}

5)定义AC自动机Bean(注入上面的COMPLAIN_SERVICE配置读取类，然后初始化AC自动机)

@Configuration
public class AhoCorasickConfig {
Logger  logger=LoggerFactory.getLogger(AhoCorasickConfig.class);
@Autowired
private AhoCorasickProperties properties;
@Bean
public Trie ahoCoresickTrie() {
List<String> keywords=properties.getComplainkeywords();
logger.info("keywords is:"+keywords.toString());
if(null==keywords || keywords.isEmpty()) {
return Trie.builder().build();
}
else {
return Trie.builder()
.addKeywords(keywords)
.build();
}
}
}

6)定义意图识别器(首先用AC自动机进行判断，如果命中则直接返回，否则发送给大模型)：

@Service
public class LLMIntentClassifier {
private final ChatClient chatClient;
private final Trie trie;
public LLMIntentClassifier(ChatClient.Builder builder,Trie trie) {
this.trie=trie;
this.chatClient = builder
.defaultSystem("""
你是一个意图识别专家。
你的任务是根据用户输入，识别出用户的核心意图。
意图列表：
- QUERY_ORDER: 用户想查询订单信息（包含订单号）
- QUERY_LOGISTICS: 用户想查询物流状态
- COMPLAIN_PRODUCT: 用户投诉商品质量（坏了、少了、错了）
- COMPLAIN_SERVICE: 用户投诉服务态度（客服、物流慢）
- CONSULT_REFUND: 用户咨询退款流程
- CONSULT_WARRANTY: 用户咨询保修政策
- CHAT: 闲聊、问候
- UNKNOWN: 无法判断
输出格式：只输出意图名称，不要输出其他内容。
例如：QUERY_ORDER
""")
.build();
}
public Intent classify(String userInput) {
try {
//第一步,关键词快速判断
//举一个例子:"投诉"关键词的快速判断
if(isComplainServiceIntent(userInput)) return Intent.COMPLAIN_SERVICE;
else {
//第二步,大模型兜底
String response = chatClient.prompt()
.user(userInput)
.call()
.content();
// 尝试解析
return Intent.valueOf(response.trim());
}
} catch (Exception e) {
System.err.println("⚠️ 大模型意图识别失败: " + e.getMessage());
return Intent.UNKNOWN;
}
}
public boolean isComplainServiceIntent(String input) {
boolean contains=!trie.parseText(input).isEmpty();
if(contains) return true;
else {
return false;
}
}
}

7)Controller:

@GetMapping("/intent")
public String Intent(@RequestParam String msg) {
Intent intent= this.llmIntentClassifier.classify(msg);
return String.format("""
{
"input": "%s",
"intent": "%s"
}
""", msg, intent);
}

8)访问：

http://localhost:8080/intent?msg=我要投诉

{ "input": "我要投诉", "intent": "COMPLAIN_SERVICE" }

所以，在实际工作中，我们要结合这种规则+模型的方式进行识别，这样不但能提高准确率，而且还能节省时间和成本。当然上面只是一个例子，只是用来说明思路。在实际生产中，还要进一步优化，例如给每一个关键词给于权重，权重越高，那么可信度越高，然后根据对可信度进行规则的判断，例如生产级的意图识别架构如下：

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～