意图分类体系

背景

外卖客服的问题看起来零散，实际上高度集中。客户会用不同说法表达同一个需求：「几点关门」「夜宵还送吗」「现在还能点吗」都指向营业时间；「我的订单在哪」「骑手怎么还没到」「还要多久」都指向订单状态；「少送了」「送错了」「虾不新鲜」「我要退款」属于售后与投诉。如果没有意图分类，AI 只能把每句话当作开放问答处理，回答容易发散，工具调用也没有稳定触发条件。

意图分类是对话系统的第一层产品规则，而不是工程里的一个小函数。它决定知识库怎么组织、转人工怎么触发、工单怎么分类、看板怎么聚合、质检怎么抽样。

设计原则

颗粒度服务运营。一级类太多会让看板难读，太少又无法指导运营动作。系统采用 6 个一级类：菜品咨询、订单查询、售后投诉、价格活动、营业信息、其他。它们分别对应不同处理方式：菜品咨询走知识库，订单走工具，投诉走工单和转人工，活动走规则说明，营业信息走商家固定信息，其他与骚扰走短回复或拒答。

二级类必须能落到具体动作。比如售后投诉不只叫「投诉」，而是拆成漏餐、错餐、质量问题、撒漏、配送慢、骑手问题、退款请求。漏餐需要核对订单和补发，错餐需要拍照或描述，质量问题需要高优先级工单，退款请求涉及金额边界。分类如果不能影响动作，就只是报表标签。

支持多意图。客户常常一句话问两个问题：「你们几点关门，有什么招牌菜」「订单还没到，我能不能退款」。多意图不处理会导致 AI 只回答其中一半，客户继续追问，系统误判为未解决。系统设置主意图和次意图：主意图决定优先动作，次意图用于补充回答或记录。若其中一个意图触发安全或售后高风险，则高风险意图优先。

分类结构（6 大类 28 二级类）

其中过敏咨询和食品安全质量问题为最高优先级，无论用户语气多轻松都会触发转人工。

规则与 LLM 的组合

分类实现采用「关键词规则优先，LLM 兜底」的混合方式。外卖场景存在大量稳定关键词：订单号、退款、少送、送错、过敏、老板、人工、几点、关门、优惠——这些词可以低成本、高可解释地触发意图。规则命中时系统几乎没有延迟，也方便在运营文档中解释为什么触发某条规则。

但规则不能覆盖所有自然语言变化。例如客户说「孩子吃虾会起疹子吗」没有直接出现「过敏」，却是健康风险；「这个味道不太对，我有点担心」没有强烈投诉词，但可能是质量问题。LLM 兜底用来补足规则边界，而不是替代规则。

具体策略：规则命中且唯一时直接采用，置信度 0.95；多规则命中且权重差距 ≥ 0.12 时取最高优先级；多规则命中且权重接近时返回主意图加次意图；规则全不命中时调用 LLM 分类，模型选用低成本档位（如 doubao-seed）。

数据支撑

参考实施店铺 30 天基线数据中，咨询类和营业配送类合计占比较高，是 AI 自动解决的主要空间；订单类需要工具调用，能展示系统不是纯文本生成；售后投诉类数量少但风险高，是转人工规则的核心。看板把 top_intents 聚合到每日指标里，能观察某类问题是否异常：夜宵高峰配送慢上升说明欢迎语或配送说明需要前置提示；退款请求上升说明包装、出餐或菜品质量可能存在问题。

分类还服务质检抽样。低风险 FAQ 抽样质检即可，高风险售后要重点质检，转人工会话要检查 AI 是否在交接前正确安抚和收集信息。

上线校准口径

意图体系上线前不直接追求一次性完美，而是先用一组可解释样本校准边界。样本要覆盖正常咨询、订单工具调用、售后投诉、主动找人工、过敏风险、骚扰拒答和多意图组合；每条样本都记录期望一级类、二级类、是否需要工具、是否必须转人工。这样面试或演示时可以清楚说明：分类不是凭感觉调关键词，而是用业务动作反推标签。

上线后重点看三类偏差。第一类是漏转人工，例如过敏、变质、强烈投诉被判成普通咨询，这是最高优先级问题；第二类是误转人工，例如普通退款流程咨询被过度升级，会压低有效解决率；第三类是多意图漏答，客户一句话同时问营业和推荐菜，系统只回答其中一项，会造成重复追问。每周复盘这些偏差，再决定是补关键词、补知识库同义词，还是调整 Prompt 中的优先级说明。

配置与扩展

后续可为每个意图记录置信度、命中来源和后续结果，形成分类质量报表：规则命中但质检低分说明规则过宽；LLM 兜底频繁命中某类问题说明需要新增关键词或知识库同义词；客户同一会话内重复改写问题说明分类或回答没有解决真实需求。

意图体系按商家品类模板化是更长期的扩展方向。海鲜店、奶茶店、烧烤店、快餐店各有不同高风险意图，可以基于通用 6 大类拆分行业模板加商家自定义规则。