意图和FAQ最明显的区别是什么

意图和 FAQ 训练是两种不同的概念。 意图训练主要侧重于理解用户的核心意图或目的。例如，在一个客服场景中，用户的意图可能是查询产品信息、寻求技术支持或进行投诉等。通过对大量的用户交互数据进行分析和学习，模型能够识别出这些不同的意图类别。 FAQ 训练则侧重于常见问题及其对应的标准答案。比如常见的“产品如何退换货”“售后服务的联系方式是什么”等问题，以及相应的准确回答。 总的来说，意图训练更注重对用户目的的分类和理解，而 FAQ 训练更侧重于对特定常见问题的准确回答。

意图识别是根据输入的内容决定后续环节的流程，有点像 if/else 。从输出看，其 reason 通常为英文。可以简单理解为是一个简化版的大语言模型节点，为更精准识别，可优化选项使其更精准凝练，不行的话可换用大语言模型节点。 在自然语言处理领域，意图识别已被广泛讨论。随着大型模型兴起，尤其是用作智能体的 Brain 模块时，承担了主要工作任务。当用户输入指令，通过感知模块传递到 Brain 模块，Brain 模块需做出反应，本质上是一种分类任务，区分用户具体意图，在单一或多智能体系统中都至关重要。通过如 Siri、小爱同学等常见智能助手的例子可更直观理解。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，可通过微调适应特定领域需求。 在 Manus 多智能体通用任务系统中，意图识别从用户输入中提取关键词和任务类型，引导用户补充信息以明确需求。

产品经理在设计 AI 产品功能时，需要设计意图识别。以下是关于意图识别的相关内容： 意图识别的定义：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。 意图识别的实现方式： 1. 通过准备特定于任务的数据集，然后利用这些数据对模型进行 Finetuning，以提升其在特定意图识别任务上的表现。这个过程涉及到在预训练模型的基础上进一步训练，以调整模型参数，使其更适应特定的任务需求。 2. Prompttuning，这种方法不需要对模型的参数进行大规模调整。而是通过精心设计的提示词来引导模型，使其能够识别和响应用户的意图。这种方法的优势在于其灵活性和快速适应性，能够在不改变模型参数的情况下，迅速适应新的任务或领域。 这两种方法各有优缺点：微调能够提供更高的准确性，但需要较多的训练数据和计算资源；而提示词调优则在创造性和灵活性方面表现更为突出。 在使用大型模型进行意图识别时，需要注意一些潜在的问题： 1. 由于意图识别在智能系统中扮演着守门人的角色，如果其准确性不足，整个系统的后续环节，包括记忆、规划和反思等，都可能受到影响，无法正常发挥作用。 2. 在落地设计时，意图识别通常与特定的业务场景紧密相关，如果脱离了具体的业务需求，意图识别将失去其实际意义。因此，在设计意图识别系统时，必须将其与业务需求紧密结合，确保其能够准确地理解和响应用户的需求。如果意图识别脱离了业务背景，那么可能不如利用模型的泛化能力去执行更基本的意图识别任务。 以下是一个使用 prompt 来设计意图识别的例子：在上述使用提示词进行意图识别的例子中，提示词对用户的指令进行了分类，以识别不同的意图。然后，根据这些识别出的意图，系统执行相应的动作。最终，系统会输出一个 JSON 格式的结果，这通常包含了对用户指令的解析和响应。 在未来的 AI 学习产品中，除了拥有大模型之外，还需要拥有其他的基础设施，包括但不仅限于具备学习任务规划能力的小参数规模模型、意图识别模型、多模态交互模型、搜索引擎、既有的知识库等等。

以下是一些生成示意图的好工具： 1. Creately： 简介：在线绘图和协作平台，利用 AI 功能简化图表创建过程，适合绘制流程图、组织图、思维导图等。 功能：智能绘图功能，可自动连接和排列图形；丰富的模板库和预定义形状；实时协作功能，适合团队使用。 官网：https://creately.com/ 2. Whimsical： 简介：专注于用户体验和快速绘图的工具，适合创建线框图、流程图、思维导图等。 功能：直观的用户界面，易于上手；支持拖放操作，快速绘制和修改图表；提供多种协作功能，适合团队工作。 官网：https://whimsical.com/ 3. Miro： 简介：在线白板平台，结合 AI 功能，适用于团队协作和各种示意图绘制，如思维导图、用户流程图等。 功能：无缝协作，支持远程团队实时编辑；丰富的图表模板和工具；支持与其他项目管理工具（如 Jira、Trello）集成。 官网：https://miro.com/ 4. Lucidchart： 简介：强大的在线图表制作工具，集成了 AI 功能，可以自动化绘制流程图、思维导图、网络拓扑图等多种示意图。 功能：拖放界面，易于使用；支持团队协作和实时编辑；丰富的模板库和自动布局功能。 官网：https://www.lucidchart.com/ 5. Microsoft Visio： 简介：专业的图表绘制工具，适用于复杂的流程图、组织结构图和网络图。其 AI 功能可以帮助自动化布局和优化图表设计。 功能：集成 Office 365，方便与其他 Office 应用程序协同工作；丰富的图表类型和模板；支持自动化和数据驱动的图表更新。 官网：https://www.microsoft.com/enus/microsoft365/visio/flowchartsoftware 6. Diagrams.net： 简介：免费且开源的在线图表绘制工具，适用于各种类型的示意图绘制。 功能：支持本地和云存储（如 Google Drive、Dropbox）；多种图形和模板，易于创建和分享图表；可与多种第三方工具集成。 官网：https://www.diagrams.net/ 使用 AI 绘制示意图的步骤： 1. 选择工具：根据具体需求选择合适的 AI 绘图工具。 2. 创建账户：注册并登录该平台。 3. 选择模板：利用平台提供的模板库，选择适合需求的模板。 4. 添加内容：根据需求，添加并编辑图形和文字。利用 AI 自动布局功能优化图表布局。 5. 协作和分享：如果需要团队协作，可以邀请团队成员一起编辑。完成后导出并分享图表。 示例：假设需要创建一个项目管理流程图，可以按照以下步骤使用 Lucidchart： 1. 注册并登录：https://www.lucidchart.com/ 2. 选择模板：在模板库中搜索“项目管理流程图”。 3. 编辑图表：根据项目需求添加和编辑图形和流程步骤。 4. 优化布局：利用 AI 自动布局功能，优化图表的外观。 5. 保存和分享：保存图表并与团队成员分享，或导出为 PDF、PNG 等格式。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

通过提示词实现意图识别通常有以下几种方式： 1. 准备特定于任务的数据集，对模型进行 Finetuning，以提升其在特定意图识别任务上的表现。但此过程需要较多训练数据和计算资源。 2. 使用 Prompttuning 方法，通过精心设计的提示词来引导模型识别和响应用户意图。这种方法具有灵活性和快速适应性。 3. 对用户的指令通过提示词进行分类，以识别不同的意图，然后根据识别出的意图执行相应动作，最终输出 JSON 格式的结果。 4. 对用户提问进行分类，如分为导航类、信息查询类、交易类、本地信息类等，匹配更准的信息源和更好的回复提示词。例如搜索“笔记本电脑”，提取出“shopping”意图，挂载相关电商平台信息源进行更小范围搜索，并加载匹配的提示词模板控制大模型回答内容。 5. 利用大模型提供的 Function Calling 能力进行意图识别。 但目前主流的实现方案，不管是成熟的大模型还是微调的小模型，准确度都不够高。

意图识别是根据输入的内容决定后续环节的一种方式，类似于 if/else 。从输出看，其 reason 通常为英文。它可以被理解为简化版的大语言模型节点，为更精准识别，可优化选项，若不行可换大语言模型节点。 在自然语言处理领域，意图识别虽已被广泛讨论，但随着大型模型兴起，尤其在用作智能体的 Brain 模块时，承担了主要工作任务。其本质是对用户输入指令的分类任务，在单一或多智能体系统中都至关重要。通过如 Siri、小爱同学等常见智能助手的例子可更直观理解。大型模型执行意图识别任务主要基于大量数据训练得到的模型，可通过微调适应特定领域需求。 在 AI 搜索中，意图识别的关键作用是对用户提问进行分类，如分为导航类、信息查询类、交易类、本地信息类等，还包括多级子分类，但面临枚举无法穷尽的问题。对搜索意图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，保证搜索结果个性化。目前主流实现方案主要通过提示词请求大模型完成识别，但准确度不够高，大模型的 Function Calling 能力也可理解为一种意图识别。

在 AI 任务中，常见的衡量指标包括准确率和召回率。准确率（Accuracy）衡量的是模型预测正确的比例。而召回率主要用于信息检索等任务，衡量的是模型能够正确检索出相关内容的比例。 在摘要任务中，一般用 ROUGE 指标，其中 ROUGE2 是把两个 sequence 按 2gram 的方式做切分做频次统计，然后计算 pred 和 gt 之间的召回率。 对于不同的 AI 任务，还有其他多种指标，如在 NLP 中： 信息检索任务常用 NDCG@K 指标，核心衡量最相关文档是否排序足够靠前。 文本生成任务可用 BitsperByte 指标。 针对二分类任务，一般用 ECE 指标（Expected Calibration Error）来度量模型输出概率 p 时，最终正确率真的为 p 的一致性。 此外，还有一些其他方面的评估指标，如不确定性（Calibration and Uncertainty）、鲁棒性（Robustness，包括 invariance 和 equivariance）、公平性（Fairness）、偏见程度（Bias and stereotypes）、有毒性（Toxicity）等。 传统的 RAG 解决方案在检索效率和准确性上存在问题，Anthropic 通过“上下文嵌入”解决了部分问题，但 RAG 的评估仍待解决，研究人员正在探索新的方法，如 Ragnarök。 在提示词设计方面，Claude 官方手册提出“链式提示”的方法理念，将复杂任务拆解为多个步骤，具有准确率高、清晰性好、可追溯性强等好处。ChatGPT 官方手册也有类似理念，同时还有相关论文如在 ICLR 2023 上发表的提出 LeasttoMost Prompting 提示词策略的论文，在文本理解和生成场景中表现优秀。

工作流和智能体的区别主要体现在以下几个方面： 定义： 工作流是通过预定义代码路径来编排 LLM 和工具的系统。 智能体则是由 LLM 动态指导自身流程和工具使用的系统，能够自主控制任务完成方式。 功能： 智能体是一个自动化的“助手”，用来执行特定任务，擅长做一些具体的、重复性的任务，比如客服聊天、推荐商品、处理订单等，但只能按照预先设定的规则和任务来做事，如果遇到超出范围的情况，就不知道怎么办了。 工作流是一系列任务的流程，决定了每个步骤应该做什么，可以处理一个完整的过程，比如从客户下单、付款到发货和售后服务，涵盖了所有步骤和环节，更灵活，能够适应变化，可以调整步骤和规则来应对不同的情况，不需要一开始就固定下来。 范围： 智能体是特定任务的“助手”，用于局部执行任务。 工作流是一个“计划”或“路线图”，指导整个任务的流程。简单说，工作流是全局的，智能体是局部的。 在业务中，通常需要的是工作流而非单个智能体，因为整个业务流程设计至关重要。例如，在烹饪中，关键不在于使用多贵的锅，而是按步骤完成每道工序。因此，工作流才是解决问题的关键，它帮助优化思路、提升效率。设计好工作流才能大幅提升整体业务效率。

在 AI 领域中，Token 和 Word 有以下区别： 定义和范围：Token 通常是大语言模型处理文本数据时的一个单元，在不同语境下，可能代表一个字、一个词、一个句子、标点、词根、前缀等，更加灵活。而 Word 一般指能够表达一定意义的独立单位，如单词。 语言处理：在英文中，一个 Word 通常是一个词或标点符号。在一些汉语处理系统中，一个 Word 可能是一个字或一个词。而 Token 在不同的语言模型和处理系统中，对应的范围和形式有所不同。 作用和意义：Token 不仅是文本数据的单位，还可能携带丰富的语义、句法等信息，在模型中有着对应的向量表示。Word 主要用于传达相对明确和完整的意义。 计算和收费：大模型的收费计算方法以及对输入输出长度的限制，通常是以 Token 为单位计量的。 例如，在处理“ I’m happy ”这句话时，“I”、“’m”、“happy”可能被视为 Token，而“I’m happy”整体可看作一个 Word 。

AI chatbot、agent、copilot 主要有以下区别： 1. 定义和角色： Copilot：翻译成副驾驶、助手，在帮助用户解决问题时起辅助作用。 Agent：更像主驾驶、智能体，可根据任务目标自主思考和行动，具有更强的独立性和执行复杂任务的能力。 Chatbot：具备基本对话能力，主要依赖预设脚本和关键词匹配，用于客户服务和简单查询响应。 2. 核心功能： Copilot：更多地依赖于人类的指导和提示来完成任务，功能很大程度上局限于在给定框架内工作。 Agent：具有更高的自主性和决策能力，能够根据目标自主规划整个处理流程，并根据外部反馈进行自我迭代和调整。 3. 流程决策： Copilot：处理流程往往依赖于人类确定的静态流程，参与更多是在局部环节。 Agent：解决问题的流程由 AI 自主确定，是动态的，不仅可以自行规划任务步骤，还能根据执行过程中的反馈动态调整流程。 4. 应用范围： Copilot：主要用于处理简单、特定的任务，更多是作为工具或助手存在，需要人类引导和监督。 Agent：能够处理复杂、大型的任务，并在 LLM 薄弱的阶段使用工具或 API 等进行增强。 5. 开发重点： Copilot：主要依赖于 LLM 的性能，开发重点在于 Prompt Engineering。 Agent：同样依赖于 LLM 的性能，但开发重点在于 Flow Engineering，即在假定 LLM 足够强大的基础上，把外围的流程和框架系统化。 以下是一些 Agent 构建平台： 1. Coze：新一代一站式 AI Bot 开发平台，适用于构建基于 AI 模型的各类问答 Bot，集成丰富插件工具。 2. Mircosoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及部署 Copilot 到各种渠道。 3. 文心智能体：百度推出的基于文心大模型的智能体平台，支持开发者根据需求打造产品能力。 4. MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识，以及访问第三方数据和服务或执行工作流。 5. 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于多种场景，提供多种成熟模板。 6. 钉钉 AI 超级助理：依托钉钉强大的场景和数据优势，在处理高频工作场景方面表现出色。 以上信息由 AI 大模型生成，请仔细甄别。

人工智能搜索与百度搜索存在以下区别： 1. 底层技术：人工智能搜索的底层技术常包括“RAG”，即“检索增强生成”，包括检索、增强和生成三个步骤。而百度搜索的技术构成相对复杂，不断融合新的技术和功能。 2. 发展路径：在中国市场，相较欧美，百度作为搜索巨头已将文心一言大模型融入搜索，提供对话式回答和创作功能。同时，市场上还涌现出如秘塔 AI 搜索等创新型产品，主打“无广告，直接答案”，提供结构化结果和引用来源等特色功能。 3. 产品更新与竞争态势：Google 仍在战斗前线密集释放技能，与其他公司竞争激烈。而百度在新模型发布方面相对较少。此外，Google 推出新功能曾引发大量用户不满，而百度的相关新功能在页面布局和使用体验上更靠近某些特定产品，并聚合了多种创作能力和智能体快捷调用窗口。百度文库也上线了“AI 全网搜”功能，打通了特定工作流，产品功能较为完整，但受限于模型能力，生成内容尚有提升空间。

用 AI 建立知识库和直接使用 AI 主要有以下区别： 直接使用 AI 时，AI 生成的内容可能较为笼统模糊，就像遇到只会说“很急，今天就要”却不提供具体指导的领导。若想让 AI 成为得力助手，需对复杂任务进行拆解，提供方法论和定义输出格式。 建立知识库就如同为 AI 准备了“教科书”。知识库灵活，但偶尔会出现查不到内容而“猜题”的情况。例如，将《梦想与颠覆》卡牌等相关内容导入作为 AI 可调用的知识库，后续在创作中激活知识库，AI 会根据场景自动匹配库内素材，使输出更具针对性。 相比之下，微调类似于让 AI“自己真的学会了整本书”，答题更快更准，但训练成本高。微调适合高精度、长期任务，而知识库更适合临时查找、快速问答。