AI 意图识别是指当用户输入指令时，这些指令通过感知模块传递到 Brain 模块，Brain 模块对其做出反应的过程，本质上是一种分类任务，用于识别并区分用户的具体意图。在单一智能体架构或复杂的多智能体系统中都至关重要。
通过一些常见的智能助手如 Siri、小爱同学等的例子可以更直观地理解，大型模型执行意图识别任务主要基于前期大量数据训练得到的模型，可通过专门训练或在特定任务中微调来优化，以适应特定领域需求。
在 AI 搜索引擎中，提升准确度的关键因素之一是意图识别。在联网检索前先对用户的 query 进行意图识别，目的是对用户的搜索意图进行分类，路由到合适的信息源，召回更精准的参考信息。
搜索意图有多种分类，如交易类（如搜索“笔记本电脑”以进行购买）、本地信息类（如搜索“附近的烤肉店”）等，对搜索意图进行分类可匹配更准的信息源和更好的回复提示词，很大程度提升检索召回率，保证搜索结果的个性化。目前主流的实现方案主要是通过提示词请求大模型完成识别，但准确度不够高，大模型提供的 Function Calling 能力也可理解为一种意图识别。
那么，什么是意图识别呢？当用户输入指令，这些指令通过感知模块传递到Brain模块，Brain模块需要对这些指令做出反应。这个过程在本质上是一种分类任务，即识别并区分用户的具体意图。无论是在单一智能体架构还是复杂的多智能体系统中，意图识别都扮演着至关重要的角色。让我们通过一些具体的例子来更直观地理解意图识别。比如我们常用的Siri、小爱同学，以及其他手机品牌搭载的智能助手。当我们向它们发出指令时，它们能够做出相应的反应。在这个过程中，意图识别起到了关键作用。具体来说，大型模型在执行意图识别任务时，主要是基于前期通过大量数据训练得到的模型。这可以是专门针对意图识别任务训练的大型模型，也可以是通过在特定任务中进行微调来优化的模型。通过微调，可以使模型更好地适应特定领域的任务需求。
上面讲到了，AI搜索的第一要义是准确度。影响搜索准确度的两个关键因素是：挂载的上下文信息密度+基座模型的智能程度。对于一个AI应用层产品，项目前期不太需要关心模型层面的事情，我们也没有太多精力去从模型层面进行突破。在基座模型的选择上，如果不考虑成本的问题，优先使用gpt-4-turbo / claude-3-opus等模型，暴力传输所有的检索内容，也能有比较好的效果。然而，有时候也会有比较大的幻觉问题。如果支持追问，对话轮数多了之后，会面临context长度的瓶颈问题。提升AI搜索引擎的准确度，另一个方向是优化检索得到的上下文信息密度。主要包括以下几个措施：1.意图识别Intent Detection在联网检索之前，先对用户的query进行意图识别（Intent Detection）。意图识别的目的是对用户的搜索意图进行分类，路由到合适的信息源，召回更精准的参考信息。首先，可以判断用户query，是否需要联网。
交易类：用户希望进行某种交易。例如：搜索“笔记本电脑”是为了找到电脑相关的产品信息和价格信息，并进入推荐的电商网站购买。本地信息类：用户希望根据特定地理位置查找本地信息。例如：搜索“附近的烤肉店”是为了找到附近的餐馆。还有其他一些分类，包括多级子分类。照样面临枚举无法穷尽的问题。对搜索意图进行分类，可以匹配更准的信息源和更好的回复提示词。比如搜索“笔记本电脑”，如果能提取出一个“shopping”意图，就可以挂载亚马逊/淘宝/京东等电商平台的信息源进行更小范围内的搜索，召回的信息会更加精准。同时也可以加载跟此类搜索意图匹配的提示词模板，来控制搜索后的大模型回答内容。意图分类是搜索前一个非常关键的步骤，可以很大程度提升检索召回率，通过不同的提示词模板总结输出，保证了搜索结果的个性化。目前主流的实现方案，主要是通过提示词，请求大模型完成识别。不管是成熟的大模型，还是微调的小模型，准确度都不够高。大模型提供的Function Calling能力也可以理解为一种意图识别。1.问题改写Query Rewrite