做过大模型应用落地的人，几乎都绕不开这个典型难题：C 端用户的输入表达通常非常发散，口语化、网络热词、省略句会同时出现，即使规则写得很细，也很难覆盖全部场景；而在企业内部或垂直业务场景里，用户又常常直接使用专属黑话、行业简称和代称，模型一旦识别不准确，意图识别结果就很容易出现偏差；更棘手的是，一旦接入 ReAct 执行链路，前面任意一步判断失误，后续执行通常都会被连续放大，最终导致整条链路失准甚至直接失败。
如果想让意图识别真正稳定下来，单纯靠不断堆规则并不能从根本上解决问题。更有效的方案，是建立一套分层治理 + 动态进化的完整体系——从用户输入源头到模型执行链路逐层兜底，并且能够在使用过程中持续优化、越用越准。
一、先给场景分层：别用一套规则 “通吃” 所有用户
不同用户群体的输入复杂度差异很大，意图识别治理策略也必须分层处理，不能简单一刀切：
- C 端普通用户：输入自由度高、表达方式多样，属于高规则需求场景，必须配备完善的输入约束与治理机制，先把分散、杂乱的自然语言表达尽可能转化为规范输入
- 垂直 / 内部专属用户：业务场景相对固定、常用话术较统一，输入通常更规范，属于低规则需求场景，采用轻量化治理策略即可满足需求
这两类场景最终都可以接入 ReAct 执行链路；但输入越复杂、规则需求越高，就越需要完整的输入治理体系作为前置基础，才能提升后续意图识别与执行准确率。
二、三大核心组件：把所有 “不确定” 都变成 “确定项”
面对高规则需求的复杂业务场景，下面三个核心组件可以直接解决大模型意图识别中的关键痛点，把原本模糊、分散的规则真正沉淀为可执行能力：
- **划清职责边界 —— 避免规则 “打架”**规则体系最怕的就是“谁都能加、谁都能改”，最终导致规则越堆越多、相互冲突。要先明确规则的制定主体、生效范围和模块职责：谁负责输入规范，谁负责意图判断，谁负责执行逻辑。只有权责边界清晰，规则治理体系才能长期稳定，不会失控。
- **Few-shot 样本库 —— 模型的「标准答案手册」**再完整的规则，也不可能提前写完所有边界 case。把典型的歧义输入、代词消解、异常话术、特殊表达系统化整理成 Few-shot 示例，相当于给模型准备一本“高频错题本 + 标准答案手册”。当模型遇到模糊指代、非常规表述或复杂语义时，就可以参考样本中的处理方式，显著提升意图识别稳定性与一致性。
- **RAG 对话召回 —— 给模型装上「记忆回溯器」**在长对话场景中，用户经常会说“它”“刚才那个”“之前提到的方案”，如果模型缺乏上下文记忆，就很容易断章取义，导致意图识别错误。通过 RAG 机制召回更早的对话历史，补足上下文信息，模型才能基于完整语境进行判断，避免因信息缺失而产生偏差。
三、一条标准化链路：从输入到执行，步步精准
把上述能力串联成一条清晰、标准化的处理链路后，用户输入进入系统时，每一步都在为提升准确率服务：用户输入 → 输入标准化（基于词汇表进行术语归一、别名映射） → 精准意图识别 → ReAct 执行循环
简单来说，整个流程可以理解为：先借助词汇表，把用户表达中的“口语、黑话、简称”统一转换成模型能够稳定识别的标准术语；然后再进行意图判断；最后再交给 ReAct 进行执行。前面的输入标准化做得越扎实、越规范，后续的大模型意图识别和任务执行结果通常也会越可靠。
四、核心难点突破：让词汇表 “动态进化”，而不是越堆越臃肿
在整套体系中，词汇表是输入标准化的核心能力之一，同时也是最难持续维护的部分——并不是所有词都适合直接加入词库，一旦词库变得臃肿、混乱，反而可能干扰模型识别效果，降低意图识别准确率。
真正的难点在于：如何设定词汇准入标准？如何区分“高频但无效的口语表达”和“真正有效的领域术语”？又该如何保证词库质量，避免词汇体系越积越乱？
两步走的落地方案：
- 冷启动人工打底：在初期由人工注入一批核心领域词汇、常用简称和别名映射，优先搭建稳定的基础词库，先把核心识别能力建立起来
- 运行中自动迭代：系统上线后，持续统计多用户高频提及且确实有效的术语，通过自动筛选机制纳入识别词库，让词汇表随着业务发展和用户表达习惯同步演进
这套方法的本质，就是把“依赖人力不断堆规则补漏洞”的模式，升级为“依靠体系化治理兜底 + 自动化机制持续进化”的模式。前期把框架搭好，后期维护成本会越来越低，系统也会越用越稳定，大模型意图识别的准确率自然会持续提升。
