NLU技术迭代中，如何避免踩坑实现突破？

因为AI智能体上线，实际操作中发现基础方案无法很好理解、反问句等特异表达。哎，真是让人头疼！搞得我好想直接放弃啊… 不过不行，为了用户的体验，必须坚持下去！ 搞起来。 进阶方案C引入RAG技术，通过“预泛化+检索”提升意图识别泛化能力。说实话，RAG这玩意儿刚开始弄的时候也迷糊了好久，不过现在总算摸清门道了。

初级方案：驱动

作为多数AI智能体初期的默认方案， 初级方案A或架构改过门槛极低。但是！但是！这种方法真的太依赖人工经验了！提示词写不好，效果那叫一个差劲！而且维护起来也费劲…简直就是一场噩梦。

方案A的提示词设计包含三大关键模块：

• 用户意图引导：用明确的语言告诉模型你想要什么。
• 上下文信息补充：提供必要的背景信息帮助模型理解。
• 输出格式限定：规范模型的输出后来啊。

中级方案：解耦架构

为解决初级方案在多意图场景下的“提示词膨胀”问题——哎呀妈呀, 提示词越写越长, 简直没法维护了!—中级方案B采用“解耦架构”，将单一节点拆分为“意图识别”和“槽位抽取”两个独立LLM节点。这就像把一个大任务拆分成两个小任务一样, 这样每个LLM都可以更专注于自己的工作, 效果自然更好，盘它...。

方案B的架构设计遵循“职责单一”原则：

• 意图识别负责精准判断用户语义目的 如通过「订机票」这个关键词来识别意图；槽位抽取则聚焦于结构化关键信息的提取如从订餐需求中提取“菜品名称”“送餐地址”等必备参数。