P.S. 目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步，增强我国的AI竞争力。想要系统学习AI知识的朋友可以看看我精心打磨的教程 http://blog.csdn.net/jiangjunshow，教程通俗易懂，高中生都能看懂，还有各种段子风趣幽默，从深度学习基础原理到各领域实战应用都有讲解，我22年的AI积累全在里面了。注意，教程仅限真正想入门AI的朋友，否则看看零散的博文就够了。

前言

大厂面AI智能体岗位，十有八九会抛一句灵魂拷问：Agent意图识别你打算怎么做？

我旁观过几十场面试，见过无数技术人光速出局。上来标准答案一模一样：把所有意图和描述塞进提示词，丢给大模型吐个标签完事。

面试官表面点头，内心已经开始写拒信。后面连环追问一抛，当场卡壳，本轮面试直接提前结束。

就像你去饭店应聘大厨，老板问你怎么做宴席，你说开水煮泡面，简单省事，你猜老板留不留你？

很多人以为是自己知识点不够，其实根本不是。你拿玩具Demo的思路应对线上百万级流量系统，换谁是面试官都不会要。

1.1 只说Prompt分类，会踩三个致命硬伤

线上企业Copilot动辄几十套Agent，每套内置几十条意图，全塞进提示词等于灾难现场。

第一个坑：Token直接爆炸。单条意图描述300token，100条就是3万token。用户只问一句查天气，先传三万文字给模型，计费后台看了都得连夜找你谈话。

第二个坑：意图越堆，识别越拉胯。查天气、未来预报、空气质量这种高度相似的标签，模型很容易混淆，准确率肉眼可见下跌。做业务的最忌讳边界模糊的意图设计。

第三个坑：识别错了无兜底。模型又不是神仙，总会判断跑偏，你只输出标签，低置信度也硬走流程，业务出问题谁背锅？总不能甩锅大模型幻觉吧。

二、生产级标准答案：三层分层路由架构，面试官一听眼前一亮

真正能拿高分的回答，核心思路是多阶段意图路由，不一次性把全部意图丢给模型，层层筛选平衡成本、速度、准确率。

举个生活化例子：用户输入“苹果多少钱？”，这句话歧义拉满，能指水果、苹果股票、iPhone手机。直接全量意图丢给模型，十有八九判错。分层流程完美规避这个问题。

2.1 第一层：规则匹配，极速过滤简单请求

靠正则、关键词、黑白名单做硬匹配，专门处理固定话术。

用户直接打“天气预报”“联系客服”，规则一秒命中，不用调用大模型。

这一层相当于商场门口的导购，一眼分清问路的和深度采购的，简单需求就地解决，不用带进内场消耗资源。省token省耗时，性价比直接拉满。

规则没命中，再往下走语义环节。

2.2 第二层：Embedding语义召回，大幅缩小候选范围

这层是整套架构省钱神器，核心作用初筛过滤无关意图。

系统存500条意图，全部丢给模型开销巨大。先用向量计算用户语句和所有意图的相似度，只捞出Top5最相关候选。

相当于网购搜商品，先筛掉十万八千里不相关的垃圾商品，只留五款给你细挑，不用逐一看完所有店铺，时间金钱双节约。

只保留少量候选意图，交给大模型做最终判断。

2.3 第三层：LLM精排分类，附带置信度兜底澄清

模型只需要对比召回的少量意图，输出三项关键内容：最终意图标签、置信度分数、判断理由。

分支处理逻辑：

1. 置信度高于80%：直接路由对应Agent执行业务；
2. 置信度偏低：禁止擅自猜测，触发澄清流程反问用户确认。

还是那句“苹果多少钱？”，模型置信度只有55%，系统不能硬判，得主动问：你想问水果苹果、苹果公司股价还是iPhone售价？

别指望模型读懂所有潜台词，主动澄清看似多一轮对话，实则规避大量业务投诉，线上系统必须有这一步兜底。

整套三层逻辑总结一句话：规则提速+向量降本+模型精判+低置信澄清兜底。

三、面试官继续深挖：这套架构还能怎么优化？

能答完分层路由，只能算及格；想拿高薪offer，必须说出完整线上迭代闭环。成熟Agent平台不会只做一次分类，还要配套观测、评测、回归测试整套体系。

3.1 全链路Trace日志，问题可完整回放

每一条用户请求，完整记录整条决策链路：原始输入、向量召回结果、传给模型的提示词、模型输出、路由Agent、调用工具、最终回复。

用户反馈识别错误，不用盲猜故障点。拉一条Trace就能定位：是向量没召回正确意图？还是提示词描述模糊？或是置信度阈值设置不合理？

没有完整日志排查问题，等同于修车没有故障检测仪，全靠蒙，线上运维能把人熬秃。

3.2 线上观测大盘，实时捕捉异常波动

搭建可视化监控面板，持续采集核心指标：每秒请求量、各模块延迟、token消耗、超时重试、澄清请求占比、降级次数。

某一天澄清率突然暴涨，不用等用户投诉就能提前预警。排查方向很清晰：新增混淆意图、提示词改版、向量模型更新出问题，早发现早修复。

监控不是花架子，是线上系统的体温计，指标一异常，立刻知道哪里发烧。

3.3 离线评测体系，量化识别效果好坏

定时从线上日志抽样真实用户query，人工标注搭配大模型辅助标注，生成标准真值数据集。用最新路由脚本跑一遍，计算准确率、精确率、召回率、F1值。

这套评测能精准揪出容易混淆的意图、高频误判语句，给后续优化指明方向。

3.4 长期基准数据集，版本上线回归测试

维护一套长期基准样本库，覆盖错别字、口语、中英混输、歧义句、未知意图、超长文本各类场景。

只要修改提示词、新增意图、更换向量/大模型，必须完整跑一遍基准数据集。确认精度不下跌、成本可控，新版本才能上线。

不做回归测试就更新线上代码，好比开车不做年检，上路随时抛锚出事故。

完整闭环链路：线上日志沉淀数据→离线评测分析短板→基准数据集回归验证→新版本灰度上线。

四、面试收尾一分钟满分总结话术

基础Demo方案仅适合少量意图场景，直接把全部意图放入提示词交给大模型分类。

生产环境采用多阶段意图分层路由：先用规则匹配快速处理固定请求；向量召回缩小候选意图范围；大模型做精准分类并输出置信度；低置信度主动澄清用户，避免误路由。

同时配套完整工程闭环：全链路日志回溯定位故障、线上监控实时预警异常、离线评测量化模型能力、长期基准数据集保障迭代不退化。

Agent意图识别从来不是简单调大模型API、写几句提示词的小事，是一套兼顾成本、性能、准确率、可持续迭代的完整系统工程。

能把这套逻辑说完整，面试官直接判定你具备真实线上Agent落地经验，和只会跑Demo的新手拉开巨大差距。

P.S. 目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步，增强我国的AI竞争力。想要系统学习AI知识的朋友可以看看我精心打磨的教程 http://blog.csdn.net/jiangjunshow，教程通俗易懂，高中生都能看懂，还有各种段子风趣幽默，从深度学习基础原理到各领域实战应用都有讲解，我22年的AI积累全在里面了。注意，教程仅限真正想入门AI的朋友，否则看看零散的博文就够了。