意图不是关键词
「怎么退款」和「退款流程是什么」字面不同，意图相同；「你们是不是经常出问题」没有关键词，却是投诉信号。关键词规则处理不了真实语言。
用大模型做意图分类，比规则更灵活，但需要定义清晰的意图体系。
先建意图清单
从历史会话中归纳出 10-20 个高频意图：咨询、购买意向、退换货、投诉、催促、账号问题、比价、感谢、闲聊。每个意图配示例句子和对应的动作。
意图清单是团队讨论出来的，不是模型自动生成的。
- 业务意图：购买、续费、升级、比价
- 服务意图：退换货、投诉、催促、账号
- 情感信号：不满、焦虑、感谢、闲聊
把意图变成行动
识别出意图后，系统应该触发对应动作：购买意向转销售话术、投诉转人工、催促更新物流。意图识别只有连到动作才有价值。
同时把意图数据汇总：哪些意图在增长、哪些问题反复出现，反哺产品和知识库。
评测意图识别的准确性
建意图评测集，跟踪每个意图的准确率和混淆情况。最容易混的是「咨询」和「投诉」，「想买」和「比价」。
意图识别不准时，先补示例、再调提示词、最后才考虑换模型。
意图之外还要看情绪
同一个「退款」意图，平静询问和愤怒投诉的处理方式完全不同。把情绪分级和意图识别放在一起，转人工的决策才会准确。
情绪识别不用很复杂：负面词、重复追问、感叹号密度，加上模型判断，已经足够触发大多数升级场景。
意图数据反哺产品
每周汇总意图分布：哪些意图在增长、哪些问题反复出现、哪些场景让用户困惑。意图数据是产品需求的免费金矿。
把意图数据同步给产品和运营团队，让「新增 FAQ」「改进流程」「调整话术」这些决策有数据支撑。
意图识别做得越久，团队对用户的理解越深，产品就越接近真实需求。
意图识别的冷启动
没有历史会话数据时，先用业务团队的经验建一份意图清单，再结合客服坐席访谈补充；上线两周后，用真实会话验证清单是否覆盖主要问题。
冷启动阶段允许「未知意图」比例偏高，关键是每周都在补充示例，让未知比例逐步下降。
意图体系的成熟度，取决于持续喂入真实数据，而不是一开始就追求完美。