本文详细介绍了大模型应用中意图识别的方法与技巧，包括基础方法（规则、深度学习、大模型）和进阶方法（Prompt优化、增加召回、向量检索等），并强调提升准确率的关键在于构建清晰正交的分类体系、确保每个子分类有足够样本，以及利用高质量样本对模型进行微调。
定义：Agent或者大模型应用中，意图识别经常是一个关键的问题。意图识别往往是一个分类任务。在智能汽车的智能助手中，就是对用户在驾驶中意图的分类，比如关闭空调，换一首歌，导航等。在电商客服任务中，意图识别往往是用户意图的分类，比如咨询属性，售后退款等。
一）基础方法：
基于规则：通过规则，如包含某个字符串，或符合某个正则表达式，规则方法比较直接，但召回率和准确率比较难提升；
基于深度学习：基于bert做一个分类器，这个优势是模型比较小，延时低，劣势是需要调模型，比较复杂；
基于大模型：基于大模型，写一个prompt直接分类，参考下面的例子；
例子：“你是一个电商任务下的意图分类器，你需要基于用户的query做出合理的分类。分类的种类有：类型1；类型2；类型3…
二）进阶方法：
大模型的方法：由于LLM具有强大的语义表征能力，在多个NLP任务中已经比传统的NLP方法提升了很多，基本上颠覆了传统NLP任务的方法。由此到了今天，大部分NLP任务可以优先选择大模型作为基础的解决工具。
Prompt优化：通过常用的prompt优化方法，比如语句简单清晰等，可以让模型指标有一定的提升；
增加召回：
如果分类数量少，比如10个以内，那么直接让LLM分类，准确率会比较高。如果分类有500个以上，参考上面的prompt例子，这个时候prompt会比较长，大模型对着500个分类的感知可能会比较弱。
TOP N召回：先基于用户意图，通过上面提到的深度模型或者向量检索，召回TOP N个最相关的（比如50个），然后让大模型对50个分类进行排序，这个时候效果会有比较大的提升。
向量检索模型：可以用开源的模型，比如BGE，GTE等；
向量模型微调：如果效果不好，还可以基于领域内的样本，对模型进行微调，往往也会有很好的提升；
三）提升准确率关键点：
分类关键问题：任何分类问题，如果要做到准确率95%以上，其实有两个关键问题：1）分类体系足够清晰；2）每个子分类有足够的样本；
分类体系：分类体系关键是要符合独立正交的原则，也就是各个子分类之间不要有交叉；比如一个分类体系是“工程师/男人/理发师”，这里“男人”这个分类和“工程师/理发师”都会有交叉。好的分类是“工程师/理发师/公交司机”这样。这部分是很多算法同学特别容易忽略的，非常影响效果。
足够样本：如果分类体系足够正交，每个子分类下有足够的样本就是第二个关键点。通过LLM自动化标注或者人工标注得到足够高质量样本。
模型微调：用上述样本对LLM进行微调，再结合前面的召回思路，整体上肯定可以实现分类达到一个非常高的准确率。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
