RAG 如何实现稳定意图识别？
我们与 Agent 对话时，先将我们的问题发送给 Agent，后端会先做一系列复杂的操作，比如加载记忆、查询改写、拆分子问题等等，但其中最重要的是意图识别。 意图识别是整个 RAG 对话管道的核心环节，负责将用户问题路由到正确的知识分类节点，从而决定后续检索哪些知识库。意图识别的质量决定 Agent 能否正确理解你要干什么，才能返回给你想要的结果。
下面是跟 Agent 对话时，执行层会做的一些操作，意图识别在 StreamChatPipeline 中处于查询改写之后、检索之前的关键位置：
用户问题 → 加载记忆 → 查询改写/拆子问题 → 【意图识别】 → 歧义引导 → 检索 → 生成回答
public void execute(StreamChatContext ctx) {
// 加载记忆
loadMemory(ctx);
// 查询改写 / 拆分子问题
rewriteQuery(ctx);
// 意图识别
resolveIntents(ctx);
// 检索召回上下文
RetrievalContext retrievalCtx = retrieve(ctx);
streamRagResponse(ctx, retrievalCtx);
}
我们重点看一下意图识别这个方法：
private void resolveIntents(StreamChatContext ctx) {
// 子问题 ——> 子意图
List<SubQuestionIntent> subIntents = intentResolver.resolve(ctx.getRewriteResult());
ctx.setSubIntents(subIntents);
}
这里基于每个子问题进行意图识别，子问题来源于 rewriteQuery 对用户提问的查询改写及拆分子问题后的结果，这里不细细展开，后面会重新写一篇专门讲这块。
继续下一步，这里使用 CompletableFuture 对子问题进行异步意图分类，最后将结果收集在一起。
public List<SubQuestionIntent> resolve(RewriteResult rewriteResult) {
// 检查是否存在子问题列表，没有则将改写后的问题作为唯一子问题
List<String> subQuestions = CollUtil.isNotEmpty(rewriteResult.subQuestions())
? rewriteResult.subQuestions()
: List.of(rewriteResult.rewrittenQuestion());
// 使用 CompletableFuture 对多个子问题进行异步意图分类
List<CompletableFuture<SubQuestionIntent>> tasks = subQuestions.stream()
.map(q -> CompletableFuture.supplyAsync(
() -> {
// 调用 classifyIntents() 进行意图分类，若失败则降级为空意图
try {
return new SubQuestionIntent(q, classifyIntents(q));
} catch (Exception e) {
log.error("子问题意图分类失败，降级为空意图，question：{}", q, e);
return new SubQuestionIntent(q, List.of());
}
},
// 使用自定义线程池 intentClassifyExecutor 执行。
intentClassifyExecutor
))
.toList();
// 通过 join 方法获取结果
List<SubQuestionIntent> subIntents = tasks.stream()
.map(CompletableFuture::join)
.toList();
return capTotalIntents(subIntents);
}
真正的意图识别方法从 classifyIntents() 开始：
private List<NodeScore> classifyIntents(String question) {
// 获取每个意图节点分数
List<NodeScore> scores = intentClassifier.classifyTargets(question);
// 收集满足置信度分数的意图节点，同时限制最大意图数量
return scores.stream()
.filter(ns -> ns.getScore() >= INTENT_MIN_SCORE)
.limit(MAX_INTENT_COUNT)
.toList();
}
-
加载意图树数据，提取所有叶子节点
-
构建 LLM Prompt，遍历每个叶子节点，拼接 id / path / description / type / examples，渲染 intent-classifier.st 模板，将分类列表填入 {intent_list} 占位符
-
调用 LLM，解析 JSON 响应，返回排序后的 NodeScore 列表
public List<NodeScore> classifyTargets(String question) {
// 每次都从 Redis 读取最新数据
IntentTreeData data = loadIntentTreeData();
// 根据叶子节点构建 Prompt
String systemPrompt = buildPrompt(data.leafNodes);
ChatRequest request = ChatRequest.builder()
.messages(List.of(
ChatMessage.system(systemPrompt),
ChatMessage.user(question)
))
.build();
String raw = llmService.chat(request);
JsonElement root = JsonParser.parseString(raw);
JsonArray arr;
if (root.isJsonArray()) {
arr = root.getAsJsonArray();
}
// 收集分数
List<NodeScore> scores = new ArrayList<>();
for (JsonElement el : arr) {
JsonObject obj = el.getAsJsonObject();
String id = obj.get("id").getAsString();
double score = obj.get("score").getAsDouble();
IntentNode node = data.id2Node.get(id);
scores.add(new NodeScore(node, score));
}
// 降序排序
scores.sort(Comparator.comparingDouble(NodeScore::getScore).reversed());
return scores;
}
现在每个子问题都有自己的一些候选意图，下一步需要更精细化：
private List<SubQuestionIntent> capTotalIntents(List<SubQuestionIntent> subIntents) {
int totalIntents = subIntents.stream()
.mapToInt(si -> si.nodeScores().size())
.sum();
// 未超限，直接返回
if (totalIntents <= MAX_INTENT_COUNT) {
return subIntents;
}
// 步骤1：收集所有意图，按子问题索引分组
List<IntentCandidate> allCandidates = collectAllCandidates(subIntents);
// 步骤2：每个子问题保留最高分意图
List<IntentCandidate> guaranteedIntents = selectTopIntentPerSubQuestion(allCandidates, subIntents.size());
// 步骤3：计算剩余配额
int remaining = MAX_INTENT_COUNT - guaranteedIntents.size();
// 步骤4：从剩余候选中按分数选择
List<IntentCandidate> additionalIntents = selectAdditionalIntents(allCandidates, guaranteedIntents, remaining);
// 步骤5：合并并重建结果
return rebuildSubIntents(subIntents, guaranteedIntents, additionalIntents);
}
参考：Ragent