搭建的第一个AI对话产品

AI对话产品的构建与挑战：从“斗智斗勇”到高效协同

回北京已经3个月了，这段时间主要负责一个AI客服项目。说实话，作为一个刚开始接触AI、又缺乏技术背景的项目新人，这几个月基本就是和AI“斗智斗勇”的过程——提示词改了一版又一版，那种感觉就像是在对着空气喊话，总觉得对方听不懂，但又不知道问题出在哪。

一个深刻的体会是：虽然行业的主流目标是让AI更好地理解人类，但我目前所处的阶段更像是“我去理解AI”，然后反过来“指挥”它达成高效协同。这具体体现在：我需要琢磨怎么跟AI对话（用什么样的描述它才能听懂），我需要搞清楚AI擅长什么（在不同场景下采用什么表达，它才能准确执行、让结果满意）。

这个AI客服不是一个简单的基于知识库的问答系统，而是一个更具复杂度的对话产品。它集合了AI与用户的图文交互、与数据库交互、与知识库交互，以及基于业务的规则引擎。项目目标非常明确：必须能够真正分担人工客服的压力，而不是只能回答几个常见问题。

基于这几个月摸爬滚打的实战经验，今天先分享两个核心主题：意图识别与分类的关键考虑点，以及不同场景下最适合的提示词格式。

意图识别与分类：AI对话系统的第一道门

每次用户输入提问后，意图识别与分类就是系统遇到的第一道门槛。AI必须在这个环节精准理解用户需求，并将任务分流到后续节点。需要重点关注以下几个问题：

AI得理解用户说了什么、用户使用的是哪种语言，并且最终要以同样的语言回复用户。这看似基础，但在多语言场景下往往容易踩坑。

AI得知道用户想干什么，准确分类意图后连接到后续的AI节点。例如用户说“我查一下话费”，系统需要准确识别这是“话费查询”意图，而不是“流量查询”或“故障报修”。

AI得知道用户当前正在进行中的对话任务是什么——需要兼容前一条用户意图的进度，并继续为用户提供连贯服务。这要求系统具备对话状态维护能力。

除此之外，还需要考虑几个关键边界问题：

• 当用户意图不清晰时，是否要追问用户直到意图清晰为止？或者由AI进行猜测并进行提问改写？这需要平衡用户体验与问答效率。
• 当用户提问中包含了非业务相关内容，AI应该如何回答？AI又如何判断用户提问与业务无关？
• 当知识库中缺少指定内容，但与业务相关时，AI该如何回复用户？
• 遇到哪些情况时，需要AI转给人工客服？

意图分类的粗细程度

意图分类的目的，是让AI针对不同用户提问都有一套专注的解决流程。思考的第一步就是确定“意图分类的粗细程度”。举个例子：

• 粗分类：意图 = 售前
• 细分类：意图 = 售前商品推荐、售前服务咨询

• 粗分类：意图 = 售后
• 细分类：意图 = 售后故障排查、售后商品套餐余量查询

经验表明，如果一个分类包含了比较复杂的流程，那么最好把意图拆解得更细致一些。比如可以把故障排查单独做成一个完整意图，为它设计一套专注的解决流程，而不是让它跟其他售后诉求混在一起。

意图识别的准确度与泛化能力

在意图识别任务中，泛化能力的考验主要在于：模型在面对未见过的数据、新意图或复杂场景时，仍能保持较高的识别准确率和鲁棒性。当完成了意图的具体分类（比如一共分了5个分类），可以采用“基于关键词”的方案作为快速实现手段，同时考虑加入“典型问答”供AI参考。

这种方案的好处是实现快，但缺点也很明显：侧重人工维护，如果维护不及时，很容易出现错误的意图识别结果。所以在实际项目中，需要持续关注AI自主泛化的能力——如果当前模型效果不理想，换选更先进的模型往往是更根本的解决方案。

意图分类混淆：一个容易被忽略的坑

这指的是同一提问可能被AI识别出多个意图的情况。实际项目中遇到了两种典型场景：

（无历史对话记录或历史对话已结束）。假设用户输入了手机号，同时命中了“流量查询”和“话费查询”两个意图，解决方案是让AI追问用户：“您是想查询流量还是查询话费余额？”

（存在历史对话且未结束）。这更容易出问题——在一个多轮对话中，假设规则引擎引导用户走到了第4步骤，要求用户提供手机号。用户按指示输入了手机号，结果系统可能把这个输入识别为“售后商品套餐余量查询”意图。如果设计时没有考虑到这种情况，AI就会给出一个看似正确、实则错误的意图识别结果，直接导致后续对话走错分支。

不同场景最适合的提示词格式

用自然语言对话的形式给AI下指令，确实是一个大众都能入手的方案。但在一些特别需求场景下，纯自然语言格式可能导致结果不够准确。

举个例子：话费查询功能。如果设计一个AI话费查询助手给C端用户使用，或者在AI客服中有一个节点需要查询话费，建议最好不是只局限于自然语言描述。可以尝试在提示词中放入API接口的JSON格式、字段解释，以及本次对话中如何基于特定字段去回复用户。这种方式能让AI更精准地理解数据结构与业务逻辑，结果自然也更稳定可靠。