为什么需要意图分类？

在危废管理这类复杂业务场景中，用户提出的问题形式多样，但背后往往隐含着几类典型的数据需求模式。若不加区分地用同一套逻辑处理所有问题，不仅效率低下，还容易答非所问。

因此，我们预先将用户意图划分为五类，并通过大模型进行自动识别，再路由到对应的处理模块——这正是意图分类的价值所在。

一、分类模型配置

首先，在百炼平台中选择一个性能强劲且适合中文理解的基座模型。本次我采用了 Qwen 2.5-72 B，其在长文本理解与指令遵循方面表现稳定，特别适合处理业务语义相对密集的查询语句。

二、定义核心意图类别

意图分类的准确性高度依赖于意图描述的质量。描述需要足够清晰、具体，让模型能理解“什么问题属于这一类”。以下是我在危废业务中提炼出的五类核心意图：

💡 提示：意图描述不是简单罗列关键词，而是要定义判断边界。例如，“整体数据查询”强调“宏观”和“聚合”，而“明细下钻”则强调“具体条件”和“清单”。

三、补充分类示例（强烈推荐）

虽然大模型具备一定泛化能力，但在业务场景中加入少量高质量示例，能显著提升分类准确率。我为每类意图添加了 1–2 个典型样本：

• 整体数据查询

  • 输入：“查询一下当前危废问题的总体处置情况。”

  • 预期输出：整体数据查询

• 分类排名查询

  • 输入：“按区县统计一下，问题数量排名前五的是哪些？”

  • 预期输出：分类排名查询

• 明细下钻查询

  • 输入：“给我列出渝中区所有‘贮存设施’类问题的详细清单。”

  • 预期输出：明细下钻查询

• 重点问题分析

  • 输入：“找出超期超过 30 天还未办结的问题。”

  • 预期输出：重点问题分析

这些示例在百炼平台的“分类示例”字段中配置后，模型对边缘案例的判断明显更准确。

四、工作流集成：从理解到执行

完成意图分类配置后，整个智能体的工作流就清晰了：

用户输入问题
        ↓
[意图分类套件调用 Qwen2.5-72B]
        ↓
根据分类结果路由至专用处理节点：
    ├── 整体数据查询  → 宏观统计查询（聚合SQL + 可视化）
    ├── 分类排名查询  → 分组排序查询（GROUP BY + ORDER LIMIT）
    ├── 明细下钻查询  → 明细数据查询（带条件筛选）
    ├── 重点问题分析  → 异常问题筛查（规则引擎 + 风险标签）
    └── 其他查询      → 澄清引导或默认友好回复

通过这一机制，Agent 不再是“盲目回答”的工具，而是具备了初步语义理解能力的智能助手，能主动将用户引导至最合适的业务逻辑路径。

小结

在环保、政务、金融等垂直领域，用户的查询往往高度结构化，但表达方式却五花八门。借助阿里基座模型 + 意图分类套件，我们可以在不训练专用模型的前提下，快速搭建一个“懂业务”的问答系统。

意图分类只是第一步。真正的智能在于——理解之后，如何行动？, 后续将继续更新更多的 AI 智能体套件，欢迎持续关注哦~

🖐 如有帮助，请收藏、点赞、评论、转发一条龙~
微信公众号：环境猫 er
CSDN : 细节处有神明
个人博客：https://maoyu92.github.io/