想请问一下大家，在做智能体的时候，怎么进行意图识别优化的？ 实测发现，在单轮对话或者多轮对话用户输入意图明确的时候，意图识别非常准确 但是遇到 多轮对话，用户输入： 嗯 ok 这样吧 等一下模糊词语的时候，意图识别就不准了 我的尝试：
- 1 、把历史上下文信息都放到对话中 -- 会遇到 tokens 超过大模型上下文长度的情况
- 2 、用滑动窗口，只保留近几次对话 -- 会遇到信息丢失的情况，用户突然问第一次对话的信息就嗝屁了
- 3 、每次对话用大模型进行提炼总结，然后把总结信息放到对话中 -- 不是很准，在遇到有歧义的词语或者语境的时候还是会分错
- 想知道大家都是怎么做的，或者业界对于意图识别是怎么进行优化。
 |
1
shyr0ck 9 天前
能详细说一下你要怎么做意图识别吗？
是从对话上下文归纳到几个选项上吗？ |
 |
2
aaronlam 9 天前
最近也在做相关场景的应用，所想到的解决方法和楼主也很相似。。。
但是效果都差强人意，而且如果按第 1 种，对于大模型的 token 消耗也是很可观的量。 |
 |
3
rexyan 9 天前
23 结合起来，超过窗口的部分进行总结
|
 |
4
wyntalgeer 9 天前
embedding 模型对意图识别的能力非常有限，还是要从文档内容上下功夫，把意图判断这一块加到文档里
|
 |
5
ChristopherY 9 天前
memory bank 以及后续的一系列技术应该就是用来解决这类问题的
|
|
6
ChristopherY 9 天前
memory bank 以及后续的一系列技术应该就是用来解决这类问题的
|
 |
7
leehaoze98 9 天前  1
2 ，3 结合，其实不一定需要用大模型提炼总结，可以结合你具体的业务场景，将历史对话信息沉淀到一个结构化的数据结构里存储起来，每次调用大模型给他最近几轮对话，以及这个数据结构就可以。
举个例子，用户对话中提选择了某某方式，大模型输出时调用一个工具，将这个信息沉淀到你的数据结构里，后续对话大模型也记得这个选择。 |
 |
8
conn457567 9 天前 via Android
mem0 之类的组件就是用来处理长短期记忆的
|
|
9
conn457567 9 天前 via Android
基本就是 2 3 的思路，短期记忆只保留之后 3 轮，多余的都通过 AI 压缩到第一轮里面，然后如果要回忆更久之前的记忆就需要搜索长期记忆，长期记忆其实就是一个向量库
|
 |
12
hmxxmh OP @ChristopherY 谢谢，我学习一下
|
|
13
hmxxmh OP @conn457567 长期记忆和向量库怎么结合，是要把历史信息存到向量库里面，再进行检索召回吗
|
 |
14
VtoEXL 8 天前
我们也有个类似的需求，一步步引导用户完成一个最终操作，整个流程都是顺序过来的，用 dify 还没有很好的思路
|
Select Language