生鲜商城AI接待小助手，从意图识别到满意度（上）
社区生鲜商城要做的不是“AI客服”，而是自助路由型智能助手：意图识别只做路由、不回答问题，用关键词规则、向量分类器、大模型三级级联，把高频查询当场办掉，把客诉准确送到人工。
基本信息
- 来源类型：文章
- 作者：Totoro畅（人人都是产品经理，2026-10-07）
- 原文位置：
/home/steven/llm-wiki/ai-wiki/raw/articles/2026-10-07-111533-tg-ba669e.md - 原文 URL：https://www.woshipm.com/ai/6474119.html
- 消化日期：2026-10-07
- 篇幅：约 18 分钟。本文是上篇，只讲定位和意图识别；路由分层与效果数据在下篇。
核心观点
-
场景不是“AI客服”，是自助路由助手。 作者在社区生鲜连锁商城（单店客群 80–160 人）拉近半年客服记录后，发现四类咨询：查询型（“订单到哪了”“什么时候送”“能改地址吗”）占一半以上，因为生鲜对时效极敏感；商品咨询又散又专业（挑西瓜、贝柱保存、A 级和 B 级差别），发生在下单前，是转化环节而不是售后成本；优惠券量大且人工常答错，还分成政策类（规则固定）和个性化类（要查账户实时状态）；真客诉占比低但杀伤力大（菜不新鲜、缺斤少两）。据此判断：能机器办的当场办掉，办不了的准确送到位。产品命名为“订单助手”，不叫“智能客服”，避免用户预期里有人工接入。目标是把人工接通率打下来四到五成。
-
意图识别是路由层，不是处理层。 它不回答用户任何问题，只输出这句话属于哪个意图大类。线上控制在 20 个意图以内。它必须放在所有处理层前面：查询层先跑会把“帮我看看那单能不能改配送时间再退个券”里的退券诉求丢掉；客诉模块先跑会把带情绪的普通查询转人工，人工量爆炸。
-
六步链路用一句脏输入逼出来。 真实会话：“你妈这榴莲坏了cnm，单3792到底几点能送到啊”，同时含骂人、坏果投诉、订单号、物流追问。
- 预处理：全半角和大小写归一化；敏感词替换成占位符或标记情绪强度（不是删掉）；检出两个脏话词，情绪强度标高；正则抠出订单号 3792。产出干净文本、订单号槽位、情绪标记。内部决策是“线上只拦截不修改”：删脏话会丢掉情绪信号，客诉路由和话术降温就断供。
- 关键词规则粗筛：分词查字典，“坏了”命中坏果词典、“送到”命中物流词典，都是强信号。这一层不硬选，两个候选带着初步分数往下传。
- 向量分类器做主力裁决：坏果投诉 0.72、物流查询 0.21、商品咨询 0.04、其他 0.03。置信度 0.72 过阈值，主意图定为坏果投诉，物流 0.21 留作次意图。
- 查路由映射表：坏果投诉走售后多模态识别，叠加情绪高强度触发人工优先。分类器只贴标签，映射表才决定去向；表是运营可改的配置，活动改规则改表即可，不用动模型。
- 按意图取数：主意图走客诉路径（情绪确认、优先转人工、索要照片喂多模态初筛）；次意图做槽位预取——订单号 3792 已在槽位里，坐席接入前系统直接查好物流推到屏幕上。
- 异常兜底：置信度只有 0.4、两个意图咬得很紧时不硬分，给选项让用户点，或带着情绪标记保守转人工。铁律是情绪高的模糊输入一律从保守，宁可多转一次人工。
-
三级级联，而不是每条消息都过大模型。 日均 500–2000 条，每条都过大模型成本和延迟都扛不住，且“订单到哪了”一个关键词字典就能接住。第一级关键词字典带权重：“退款”是强信号权重 2.0，“榴莲”是弱信号权重 0.8（可能是问保存方法），加权命中才判意图。第二级向量分类器接口语化和同义改写，毫秒级返回。第三级大模型带意图清单和 few-shot，只处理前两级都低置信度的复合意图。原则：能规则不模型，能小模型不大模型。
-
向量分类器靠标注画领地。 从客服系统导出 3–6 个月历史对话，每个意图人工贴 200–500 条。句子用 embedding 钉进语义地图，分类器在地图上画边界。落在领地中心置信度 0.95，落在两块领地交界处置信度 0.5，触发降级交给大模型重判或转人工。样本少的意图领地小而模糊；bad case 集中在哪类意图，就补标注或调边界。
实操内容保留
代码/配置
（本文无实操代码/模板。路由映射表、关键词权重、置信度阈值都只给了设计原则和示例数值，没有可直接粘贴的配置文件。）
示例数值来自原文，不是可运行配置：
- 向量分类器对例句的概率分布：坏果投诉 0.72，物流查询 0.21，商品咨询 0.04，其他 0.03；0.72 过阈值定主意图，0.21 留作次意图。
- 低置信度示例：0.4，两个意图咬得很紧时不硬分。
- 领地中心置信度 0.95，交界处 0.5 触发降级。
- 关键词权重：强信号词“退款”2.0，弱信号词“榴莲”0.8。
- 意图规模上限：线上 20 个以内。每个意图训练集 200–500 条，来自 3–6 个月历史对话。
- 流量：日均 500–2000 条消息，绝大部分毫秒到秒级给出去向。
Prompt 模板
（本文无 Prompt 模板。第三级大模型“带意图清单和 few-shot 例子”，原文没有给出清单或样例。）
操作步骤
意图识别六步（原文顺序）：
- 预处理：全半角与大小写归一化；敏感词过滤（替换成占位符或标记情绪强度，不删除原句）；情绪打分；正则抽取订单号等实体。输出干净文本、槽位、情绪标记。原则是线上只拦截不修改。
- 关键词规则粗筛：分词后查带权重的词典。多个意图命中时不硬选，候选带着初步分数下传。
- 向量分类器做主力裁决：整句转向量，输出概率分布。过阈值的最高分为主意图，其余显著概率留作次意图。
- 查路由映射表：分类器只贴标签，配置表决定去向（售后多模态、人工优先等）。表由运营维护，活动改规则只改表。
- 按意图取数执行：主意图走对应路径；槽位里已有的次意图当场预取（例如接入前把物流状态推到坐席屏幕）。
- 异常兜底：置信度低且意图咬死时，给用户选项或带着情绪标记保守转人工。情绪高的模糊输入一律从保守。
向量分类器训练五步：捞 3–6 个月原始对话 → 人工贴标签（每意图 200–500 条）→ embedding 转向量 → 训练分类器在语义地图上画边界 → 上线后新问题转向量、落在哪块领地就是哪个意图，离边界远近即置信度。
关键概念
- 意图识别 — 本文把它定义为路由层：不回答问题，只把一句话分到不超过 20 个意图大类之一。
- 智能客服 — 作者明确拒绝的定位。AI 客服的潜台词是模拟坐席、什么都接；本文要的是更轻的自助路由。
- 自助路由型智能助手 — 能机器办的当场办掉，办不了的准确送到位。比客服轻，比 FAQ 重。产品名叫“订单助手”。
- 槽位预取 — 主次意图裁决之后，能机器办的次意图当场办掉，坐席开口就是解决方案。
- 三级级联 — 关键词规则打头、向量分类器做主力、大模型兜底。原则是能规则不模型，能小模型不大模型。
- 情绪标记 — 预处理检出脏话后打的强度标签，贯穿客诉路由和话术降温。删掉脏话等于断供。
- 路由映射表 — 运营可改的配置。分类器只贴标签，这张表才决定去向。
与其他素材的关联
- 与 2026-05-26-智能客服MVP三件事 同属客服产品设计，但本文不是从零列 MVP 清单，而是用半年咨询结构把“客服”改判成“自助路由”，并给出意图识别的六步链路和三级级联。
原文精彩摘录
看完这四种场景，我们做了一个后来被反复验证的关键判断：这个场景需要的不是“AI客服”，而是“自助路由型智能助手”。区别在哪？AI客服的潜台词是“AI模拟一个客服坐席”，什么问题都接、什么都聊两句。自助路由型助手的逻辑是：能机器办的当场办掉，办不了的准确送到位。它比客服轻，比 FAQ 重。
先说清楚意图识别的定位：它是路由层，不是处理层。它自己不回答用户任何问题，只输出一个判断——这句话属于哪个意图大类。我们线上控制在 20 个意图以内，再多就管不过来了。
“你妈这榴莲坏了cnm，单3792到底几点能送到啊。”这句话同时包含骂人、坏果投诉、订单号、物流追问——四件事搅在一起。
这里有个我们内部吵过一轮的决策点：“去敏感词”和“敏感词拦截”是两回事。前者是修改用户输入，把脏话删掉——后果是情绪强度信号丢了，后面客诉路由、话术降温全靠情绪标记，删了等于断供。后者是原句照传、加标记。我们的原则是：线上只拦截不修改，目的是安全和成本，不是替模型把话听懂。
这个设计我们叫槽位预取：意图裁决出主次之后，能机器办的次意图当场办掉。别小看它，它直接决定了坐席的接话效率——开口就是解决方案，而不是“您好请问有什么可以帮您”。
我们的铁律是：情绪高的模糊输入，一律从保守。宁可多转一次人工，不能对骂完街的用户再答错一次。
因为算账。我们的量级，每条消息都过一遍大模型，成本和延迟都扛不住，而且大模型在简单问题上毫无优势——“订单到哪了”这种话，一个关键词字典就能接住，何必动用千亿参数。所以我们用的是三级级联：关键词规则打头，向量分类器做主力，大模型兜底。三层工具的选择原则就一条：能规则不模型，能小模型不大模型。
落点离边界的远近，就是置信度：落在领地中心，置信度 0.95；落在两块领地交界处，置信度 0.5，触发降级交给大模型重判或转人工。所以标注的数量和质量直接决定边界画得准不准——样本少的意图，领地小而模糊；样本多的意图，领地清晰。这也是为什么每个意图要 200 到 500 条起步。