意图识别
NLP领域核心技术，用于识别用户输入的真实意图，常用于对话系统、智能客服等场景，工程实践中常采用分层漏斗架构平衡准确率、延迟与成本
时间轴 (近 90 天)
基于LLM的新一代语音助手通过海量自然语言预训练获得对模糊表达的容错能力，充当意图翻译层，优于依赖严格意图识别框架的传统助手
该工作流的分类逻辑核心是判断客户的紧急程度与成交意愿，而非基于关键词匹配
意图识别（Intent Detection）试图在语义层面判断发帖者的真实需求，通常依赖大语言模型理解帖子上下文，而非简单字符串匹配
主流语音AI和对话Agent通常将用户输入分类为预定义意图并据此触发信息检索或流程
大语言模型的出现显著提升了意图识别能力，使系统能在更宽泛的上下文窗口中推断用户实际诉求
NLP意图识别本质上是分类而非真正的语义推理，依赖人工预先标注训练数据，每新增一类意图都需重新收集样本并训练
在真实业务中，约20%的长尾意图往往消耗80%的处理成本
该产品采用多LLM路由架构,根据用户意图将请求分发到最适合的模型,不同模型在讲故事、数学、翻译等任务上各有所长
多轮对话查询预处理管线包括指代消解、省略恢复、意图识别和多意图拆分等子任务
Dialogflow、Rasa等对话系统框架在大模型时代之前就将意图识别作为核心模块
还有 1 条时间轴事件
全部知识事实 (11)
基于LLM的新一代语音助手通过海量自然语言预训练获得对模糊表达的容错能力，充当意图翻译层，优于依赖严格意图识别框架的传统助手
50%待验证该工作流的分类逻辑核心是判断客户的紧急程度与成交意愿，而非基于关键词匹配
50%待验证意图识别（Intent Detection）试图在语义层面判断发帖者的真实需求，通常依赖大语言模型理解帖子上下文，而非简单字符串匹配
50%待验证主流语音AI和对话Agent通常将用户输入分类为预定义意图并据此触发信息检索或流程
50%待验证大语言模型的出现显著提升了意图识别能力，使系统能在更宽泛的上下文窗口中推断用户实际诉求
50%待验证NLP意图识别本质上是分类而非真正的语义推理，依赖人工预先标注训练数据，每新增一类意图都需重新收集样本并训练
50%待验证在真实业务中，约20%的长尾意图往往消耗80%的处理成本
50%待验证该产品采用多LLM路由架构,根据用户意图将请求分发到最适合的模型,不同模型在讲故事、数学、翻译等任务上各有所长
50%待验证多轮对话查询预处理管线包括指代消解、省略恢复、意图识别和多意图拆分等子任务
50%待验证Dialogflow、Rasa等对话系统框架在大模型时代之前就将意图识别作为核心模块
50%待验证意图识别是自然语言理解（NLU）的核心子任务，本质是将用户的自然语言输入映射到预定义的意图类别
50%