通过提示词实现意图识别通常有以下几种方式：
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。
实现的整体思路如下：1.首先通过意图识别节点来识别用户他的意图1.1.春联1.2.祝福语1.3.运势1.4.闲聊2.如果是春联，则需要两个大模型节点和一个图像申城2.1.大模型节点1：生成藏头的对联2.2.大模型节点2：根据对象生成图像提示词2.3.调用一个代码节点使用文生图的能力3.如果是祝福语3.1.大模型节点1：生成祝福语3.2.大模型节点2：生成生图提示词3.3.调用代码节点使用文生图的能力4.如果是新年运势4.1.则直接通过一个大模型节点生成，要结合人的生肖、生日、出生地和性别这个智能体最关键的部分是提示词+生图的代码节点[heading1]视频教程[content][20250119213041_rec_.mp4](https://bytedance.feishu.cn/space/api/box/stream/download/all/C7aAbBbtDo69nNxtSgHcjY3Tnke?allow_redirect=1)[heading1]附录提示词[heading2]配合意图识别的大模型提示词[heading2]祝福语提示词[heading2]祝福语生图提示词[heading2]运势提示词[heading2]对联生成提示词[heading2]根据对联生图提示词[heading2]接入即梦API代码节点
在当前使用大型模型进行意图识别的实践中，通常有两种主要方法。第一种方法是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Fine-tuning，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。第二种方法是Prompt-tuning，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。这两种方法各有千秋：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。然而，在使用大型模型进行意图识别时，我们需要注意一些潜在的问题。例如，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。此外，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。以下给大家提供一个使用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，我们可以观察到几个关键点。首先，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。
第一种方案会有枚举无法穷尽的问题，第二种方案主要问题在于大模型的识别准确度不够高。意图识别另一个关键作用，是对用户提问进行分类，比如可以把用户的搜索意图分为：导航类：用户希望找到特定的网站或网页。例如：搜索“ThinkAny”，是为了打开ThinkAny官网；信息查询类：用户希望找到某个问题的答案或关于某个事物的详细信息。例如：搜索“什么是AI搜索引擎”，是为了了解这类产品或这个行业；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