意图识别 Prompt 设计要素?

30 秒回答

1. 明确角色定义和任务边界
2. 设计结构化的输入输出格式
3. 使用少样本示例（few-shot）提升稳定性
4. 处理模糊意图和拒识策略

回答与解析

答案要点

• 明确角色定义和任务边界
• 设计结构化的输入输出格式
• 使用少样本示例（few-shot）提升稳定性
• 处理模糊意图和拒识策略
• 考虑多轮对话上下文继承

核心设计原则

1. 角色与任务定义

你是一位专业的用户意图理解助手。请分析用户输入，从以下类别中选择最匹配的意图：
[类别列表：查询、预订、投诉、闲聊...]

2. 结构化输出格式 强制JSON输出，方便下游解析：

{
  "intent": "预订",
  "confidence": "高/中/低",
  "slots": {"时间": "明天", "项目": "酒店"},
  "clarification_needed": false
}

3. Few-shot示例设计

• 每个意图类别2-3个典型示例
• 覆盖常见变体表达（口语化、省略主语、同义词）
• 包含边界case（如"帮我订个票"→需澄清是机票/火车票/电影票）

关键注意事项

迭代优化建议

• 动态示例选择：根据用户画像/场景，从示例库中检索最相关的few-shot
• 负样本强化：定期收集误识别case，加入prompt作为反例
• 温度参数调优：意图识别任务建议temperature=0~0.3，保证输出稳定

口语版讲法(约4分钟)

• 这道题在问什么：让大模型稳定做意图分类，核心是模板设计
• 角色定义和结构化输出：给模型一个清晰的边界
• 少样本示例：怎么选例、怎么覆盖边界
• 落地风险：意图漂移、多意图、置信度
• 迭代优化：动态示例和负样本

这道题其实在问，怎么让大模型稳定地做意图分类，核心就是模板设计。模板不只是写几句提示词，它是你跟模型沟通的接口，决定了模型能不能准确理解任务边界。

先说角色定义。你不能只扔给模型一句话说“给我分个类”，要明确告诉它“你是一个用户意图理解助手，你的输出要严格遵守我给的分类体系”。我一般会这样写：你是一位专业的意图分析助手，请从以下类别中选择最匹配的，如果都不匹配就输出“其他”。类别列表我会列清楚，比如查询、预订、投诉、闲聊。这样模型就知道自己的职责范围，不会跑偏。

再一个是结构化输出。我强制要求模型输出 JSON，这样下游解析方便，也方便做校验。比如输出里要有 intent、confidence、slots，还有 clarification needed 字段。confidence 分高、中、低三档，低的时候触发澄清对话。这个格式本身也是对模型的一种约束，让它不能随便乱写。

接下来是少样本示例。这是提升稳定性的关键。每个意图类别我一般放 2-3 个示例，但要覆盖常见变体，比如口语化的“帮我订个票”和省略主语的“明天酒店”。还有边界情况，比如“帮我订个票”其实需要澄清是机票、火车票还是电影票，我会在示例里展示模型如何输出 slots 和 clarification needed。说白了，示例就是给模型打样，让它学会怎么处理模糊输入。

这里有个坑，就是意图漂移。模型可能看到相似表达就跳到别的意图去。我的做法是加反例，明确告诉模型“这个不属于XX意图”。比如“我想退票”如果意图列表有“投诉”和“退款”，示例里要展示“退票”属于退款而不是投诉。

多意图混合也是个常见问题。用户说“帮我查一下订单，顺便问问满减政策”，这就涉及两个意图。我一般设计层级结构，主意图是“查询”，子意图是“订单查询”和“政策查询”。或者让模型输出一个主意图加多个子意图，但这样复杂度高，我更倾向在模板里加一条规则：如果检测到多个意图，先输出主意图，然后触发澄清。

置信度校准很重要。模型输出低置信度的时候，不要硬猜，要主动问用户。我上线前会特别关注低置信度样本的分布，如果某个意图频繁低置信度，说明模板里的示例不够，或者意图定义太模糊。还有一个常见失败场景是，用户输入很短，比如“你好”，模型可能误判为闲聊。我会在示例里把这种边界 case 加进去，明确告诉模型“你好”属于闲聊，但如果是“你好，我想查订单”，就属于查询。

迭代优化方面，我倾向做动态示例选择。根据用户画像或场景，从示例库里检索最相关的 few-shot。比如用户是商家，就多放跟订单、库存相关的示例。还有一个关键点是负样本强化，定期收集误识别 case，加到 prompt 里作为反例。温度参数我一般设 0 到 0.3，保证输出稳定。

其实还有一个延伸点，就是模板的可维护性。业务方经常改意图列表，你不能每次都改 prompt，所以我会把模板跟意图列表解耦，用模板变量动态注入。但这样做有个风险，模型可能对新意图不熟悉，需要额外的示例。这个平衡怎么把握，我觉得值得深入讨论。

所以总结一下，我会把 prompt 模板设计看作一个系统工程，核心是角色定义、结构化输出、少样本示例，加上迭代优化。前提是你的分类体系要清晰，如果不清晰，模板写得再好也没用。我更倾向用少量高质量示例加动态选择，而不是堆大量示例，因为示例太多会让模型困惑。

关键一句:模板与意图列表的动态解耦，以及新意图注入时的风险平衡

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你在做一个电商客服机器人，用户说‘我要退货’，但没说哪个订单、什么原因。你怎么设计prompt让它能把意图识别清楚，还能主动问用户补充信息？

2. 问法 2 · 层层追问

   你一般怎么让大模型做意图识别？……用prompt对吧？那如果用户表达很模糊，比如‘看看那个’，你怎么保证模型不跑偏？……更进一步，你是怎么写prompt模板来稳定处理这种模糊情况的？

3. 问法 3 · 直球架构

   设计一个基于大模型的意图识别prompt模板，要求能输出结构化JSON，包含意图、置信度、槽位，并且能处理模糊意图和拒识。你给出模板结构，并说明最佳实践和注意事项。