本文探讨了构建智能体/RAG系统的关键技术——意图路由与查询重写。意图路由通过分类任务将用户输入精准分发至对应工作流，查询重写则将模糊用户表达转化为精准技术检索词。文章详细介绍了这两种技术的通用设计模式、prompt工程最佳实践及其在企业级应用中的实现方式，强调构建推理前处理层是区分简单聊天机器人与智能业务助理的关键，为开发者提供了构建高质量Agent的系统方法。

---

在构建智能体或 RAG 系统时，我们经常面临一个核心挑战：用户的自然语言输入与系统的执行逻辑之间存在巨大的鸿沟。

用户说：“我电脑连不上网了。”

系统如果直接检索：“电脑连不上网”，可能会匹配到一堆无关的维修广告。

但一个成熟的 IT 支持 Agent 应该做的是：

1. 识别意图：这是一个“故障排查”请求，不是“购买咨询”，也不是“闲聊”。
2. 重写查询：将口语化的描述转化为技术检索词，如“网络连接失败 故障排查 步骤 Windows/Mac”。
3. 路由分发：调用“IT 知识库检索”工具，而不是去查“员工手册”。

这就是 意图路由（Routing） 和 查询重写（Rewriting） 的价值。它们构成了 Agent 的推理层，决定了系统是“智能”还是“智障”。

本文将深入探讨这两个模块的通用设计模式、prompt 工程最佳实践，以及它们在 dify/coze 等平台中的复用逻辑。

01 意图路由

意图路由的本质是一个分类任务（Classification Task）。它的目标是根据用户的输入，将控制权分发给最合适的下游工作流或工具。

在企业级应用中，这通常对应着不同的业务部门或数据孤岛。

一个典型的企业级 agent 路由逻辑简单示例如下：

通用路由 Prompt 模板

实现高准确率路由的关键，在于 Prompt 的设计必须遵循 “定义明确、边界清晰、输出结构化” 的原则。

以下是一个通用路由 prompt 模板示例：`# Role
你是一个智能系统的意图分类器。你的任务是接收用户输入，并将其精准分类到预定义的意图类别中。

Intent Definitions (意图定义)

请基于以下标准进行判断：

1. [Knowledge_Retrieval]:

   • 定义：用户询问关于产品功能、公司政策、操作手册等客观事实。
   • 示例：“如何重置密码？”、“年假有多少天？”

2. [Data_Analysis]:

   • 定义：用户需要查询具体的业务数据、报表或进行统计分析。通常包含时间、指标和聚合需求。
   • 示例：“上个月销售额是多少？”、“统计各部门人数。”

3. [System_Action]:

   • 定义：用户请求执行某个具体操作或变更系统状态。
   • 示例：“帮我提交这个请假条”、“预订明天的会议室。”

4. [General_Chat]:

   • 定义：问候、闲聊或不属于上述任何类别的通用问题。

Constraints (约束)

• 不要尝试回答用户的问题。
• 仅输出分类标签，不要包含任何解释。
• 输出格式必须为 JSON: {“category”: “分类标签”}

User Input

{{user_query}}`

这种路由逻辑是通用的，比如：

• 在 python 代码中：这是 RouterChain 或 LLMChain 的核心逻辑。
• 在 dify 中：对应 “问题分类器” 节点。你只需在界面上填入上述分类定义，系统会自动生成分支。

02 查询重写

用户的提问往往是模糊的、缺失上下文的，甚至是带有误导性的。查询重写（Query Rewriting）的目标，是将用户的“原始需求”转化为机器可理解的“精准指令”。

1. 常见重写策略

根据不同的业务场景，重写策略可以分为以下三类：

• 同义扩展：解决专有名词匹配问题。

• 输入：“我想买个本子。”
• 重写：“笔记本电脑 Laptop 办公电脑 价格 型号”

• 指代消解：解决多轮对话中的上下文缺失。

• 输入：“它多少钱？”（上文聊的是 iPhone 15）
• 重写：“iPhone 15 的价格是多少？”

• 后退提示：解决问题过于具体导致检索失败的问题，将其抽象化。

• 输入：“为什么我的 Python 代码报了 KeyError？”
• 重写：“Python 中 KeyError 的常见原因及解决方法。”

2. 高级策略：HyDE (假设性文档嵌入)

在一些复杂的知识检索场景中，单纯的关键词重写不够用。我们可以使用 HyDE (Hypothetical Document Embeddings) 技术。

逻辑：让 LLM 先生成一个“假设的答案”，然后用这个“假设答案”去检索“真实文档”。因为“答案”和“答案”在向量空间中比“问题”和“答案”更接近。

通用重写 Prompt 模板

以下是一个集成了“多角度分解”和“关键词优化”的prompt：`# Role
你是一个搜索查询优化专家。你的目标是将用户的原始问题转化为搜索引擎或向量数据库更容易理解的查询版本。

Instructions1.

1. 分析意图：理解用户问题的核心需求。
2. 消除歧义：如果问题包含模糊代词（如“它”、“那个”），请结合常识进行补全。
3. 关键词提取：提取核心实体、动作和约束条件。
4. 多维度扩展：生成 3 个不同角度的搜索查询，以提高召回率。

Output Format

请直接输出一个 JSON 列表，包含优化后的查询字符串：
[“查询版本1”, “查询版本2”, “查询版本3”]

Examples

User: “最近那个很火的 AI 视频工具叫什么？”
Output: [“OpenAI Sora2 介绍”, “AI 视频生成工具 推荐 2025”, “热门 文本转视频 AI 模型”]

User: “怎么配置那个环境变量？”
Output: [“配置系统环境变量 教程”, “Windows/Linux 设置环境变量 步骤”, “Python PATH 环境变量配置方法”]

User Input

{{user_query}}`

03 意图识别与元数据过滤的联动

在结构化数据查询（如商品检索、简历筛选）中，意图识别不仅仅是分类，还需要提取实体（Entity Extraction），用于构建结构化的过滤条件（Pre-filtering）。

这是连接自然语言与数据库查询（SQL/NoSQL）的关键桥梁。

场景示例： 用户输入：“帮我找几个北京的、三年经验以上的 Java 工程师。”

处理流程：

1. LLM****提取：

2. location: “北京”

3. years_of_experience: { “$gte”: 3 }

4. skill: “Java”

5. role: “Engineer”

6. 系统动作：

7. 生成数据库查询语句（或向量库 Filter）。

8. 执行精确检索。

无论是手写代码，还是使用dify/coze等平台，“意图路由” 和 “查询重写” 都是构建高质量 Agent 的必修课。

• 意图路由 解决了 “去哪里” 的问题，防止了通用大模型在垂直领域胡乱回答。
• 查询重写 解决了 “怎么查” 的问题，弥补了人类表达与机器索引之间的差异。

在 Agent 开发中，我们将不再直接把用户输入扔给 LLM，而是会构建一个由 Router（路由）、Rewriter（重写）、Extractor（提取） 组成的推理前处理层。

这层“认知中间件”，才是区分一个简单的 Chatbot 和一个真正的智能业务助理的分水岭。

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2025最新大模型全套学习资源》，包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】