图解订票Agent必懂的20个意图识别核心概念

原文链接：https://mp.weixin.qq.com/s/zYZVXg_eMKXbrMLSyg8GJg 来源：产品经理老王霸 | 2026-05-03

摘要

用一句"帮我订一张明天从北京到上海的高铁，早上8点左右，二等座"贯穿全文，完整拆解订票 Agent 意图识别链路的 20 个核心概念。不讲公式，每个概念直接对到真实产品设计场景。核心判断：大多数初版订票 Agent 的主流程有 5-6 个环节是错的，端到端跑通的不超过一半。

---

链路全景（20个概念）

1. 意图（Intent）

系统给用户操作贴的标签，不是 AI 猜的，是你提前定好的。订票 Agent 五个意图：订票/查询车次/退票/改签/问政策。颗粒度是产品设计阶段最重要的决策——太粗追不到问题原因，太细训练样本不够。

2. 意图识别（Intent Recognition）

输入一句话，输出意图标签+置信度。三方案：关键词匹配（简单但说法变了就抓不到）→ 模型分类（需标注数据，隐式表达也能识别）→ 大模型判断（无需训练但慢且贵）。高频场景用模型分类做主力，关键词兜底，大模型处理长尾。

3. 置信度（Confidence）

模型对判断结果的把握程度，0-1。"明天去上海的高铁"可能是订票 0.55，查询 0.38。置信度阈值是产品决策，不是技术参数：订票 ≥ 0.85 才执行（出错代价高），查询 ≥ 0.60 即可（无副作用）。

4. 未知意图 / OOD（Out-of-Domain）

用户问了系统没有预定义意图的问题。三种来源：超出产品边界、新需求、模糊表达。处理：兜底回复 → 追问澄清 → 转人工 → 大模型兜底。OOD 数据是下一个版本的选题库，几百个用户问距离就该新增距离查询意图。

5. 实体（Entity）

从用户输入里提取的有用信息片段——意图是做什么，实体是用什么做。通用实体（时间/地点），领域实体（车型/席别）。绝大多数关键实体是领域实体，必须自定义词典或领域专项训练。

6. 命名实体识别（NER）

机器自动从文字里找实体并分类。本质是给每个字打标签，连续相同标签的字合并成一个完整实体。分两层：通用模型识别时间/地名 + 领域专项处理识别高铁/二等座。

7. BIO 标注体系

NER 模型内部的标注方案：B（实体首字）、I（实体后续字）、O（非实体）。产品侧不需要精通，但发现实体边界错误时，知道从这层日志查标签定位。

8. 实体边界识别

确定实体从哪个字开始到哪个字结束，是 NER 最容易出错的环节。"早上8点左右"必须整体识别为一个时间范围，不能切成"早上+8点"；"北京南站"是一个完整站点，不能拆成"北京+南站"。边界错了，后面全跑偏。

9. 嵌套实体

一个实体包含另一个实体。"从北京南站出发"，既需要城市（北京）又需要站点（北京南站），两个字同时属于两个实体。订票场景优先保留外层（北京南站），城市名只在没有外层时才用。

10. 实体歧义

同一段文字对应多种可能实体。三类：类型歧义（北京=城市 vs 北京站=站点）、边界歧义（北京南站怎么切）、指代歧义（"那班车"指 G1 还是 G3）。歧义不是错误，是语言的自然属性，系统要检测+消解+追问。

11. 实体消歧

发现歧义后，用上下文缩小候选到唯一。先查对话历史（信号最强），再看当前句子上下文，两个都推不出来才追问。能消歧不消歧直接追问，是懒设计。

12. 实体归一化

把用户自然语言转成系统能处理的标准格式：

用户表达	归一化后
明天	2026-04-28
早上8点左右	06:00 ~ 09:30
北京	北京南站（BJP2）
上海	上海虹桥（AOH）
高铁	G/D 字头
二等座	席别代码 M

归一化做差了，12306 返回空结果，用户看到"没有符合条件的车次"，实际是系统查的东西不对。

13. 实体链接

归档后的参数对应到数据库真实条目。参数包 → 调 12306 余票接口 → 匹配到 G1/G3/G7 三个车次。链接失败两种情况：没找到（走 OOD/追问）、多条未选（展示列表，不能随机选一个下单）。余票是几秒前数据，下单时要再查一次实时余票。

14. 槽位（Slot）

意图执行所需的参数容器。订票意图 8 个槽位（出发日期/出发站/到达站/席别/乘客姓名/身份证号/出发时间偏好/车型偏好），每个定义三件事：必填还是选填、缺失时怎么处理、接受什么类型的实体。

15. 槽位填充（Slot Filling）

识别出来的实体按规则填入对应槽位。"帮我订一张明天从北京到上海的高铁" → 6 个槽位填上，2 个必填缺失（姓名、身份证号），触发追问。要保证类型匹配和位置唯一。

16. 槽位验证

两层：格式校验（本地，身份证 18 位、日期合法、出发≠到达）+ 业务校验（调后端，实名认证、余票确认、一人一座）。格式失败提示重输，业务失败区分原因告诉用户怎么办。

17. 槽位触发追问

必填槽位缺失时的追问机制，直接影响完成率。三原则：说清楚要什么（"请提供乘车人姓名"不说"请补充信息"）、一次只问一个、有记忆不重复问。追问超过三轮，完成率断崖下跌。

18. 多轮槽位积累

跨多轮对话逐步填满槽位，每轮新信息累积到同一订单。核心：保存会话槽位状态、新输入先匹配未填槽位、意图不变不重置。意图切换时判断保留还是清空（订票→查询保留出发地/到达地/日期，订票→退票全部清空）。

19. 槽位冲突

用户给出前后矛盾的槽位值。低风险槽位（席别二等→一等座）直接用新值+明确告知；高风险槽位（改日期触发新一轮查询+价格变化）先确认再执行。

20. 冷启动意图

系统零历史数据时让意图识别链跑起来。四步走：

• Step 1 规则先行：关键词词典+站点词典（12306 约 3000 站）+ 席别枚举
• Step 2 种子数据：每意图手写 20-30 条典型话术 → 同义词扩充到 100+
• Step 3 借力预训练模型：在 BERT 等中文模型上微调，数据需求少一个数量级
• Step 4 大模型零样本兜底：处理前三步覆盖不到的长尾说法

第一天不需要 90% 准确率，先把订票主流程跑通，有真实流量再迭代。先活着，再变好。

---

核心判断

整条链路里任何一环掉链子，订票就完不成：

• 意图识别错了 → 下游全是无效计算
• 实体边界识别错了 → 归一化结果不能用
• 槽位定义不全 → 开发不知道要追问什么
• 冷启动卡住 → 连第一天都上不了线