什么是“意图增强”？如何提升对模糊指令的处理能力
1️⃣ 考察意图
面试官想考察你对 Agent 系统“模糊指令”这一核心问题的理解深度，而非单纯背诵“意图识别”概念。这是典型的系统设计 + 工程取舍题。刁钻点在于：候选人常只答“用 LLM 推理”，却忽略“何时该推理、何时该反问”的决策机制，以及“意图增强”与“主动澄清”的边界。答好了能展示你对 Agent 交互完整流程（感知-推理-行动-反馈）的掌控力，以及处理真实用户歧义时的工程落地经验。
2️⃣ 标准答
意图增强（Intent Enhancement）不是简单地把用户说的“帮我查一下”映射到一个槽位，而是在模糊指令进入执行管道前，通过多源信息补全和主动交互，将其转化为可执行的、无歧义的意图表示。核心目标是提升首次解决率（FCR）和降低无效调用。
核心方法分三层：
- 第一层：被动增强（Contextual Enrichment）
- 历史会话注入：将当前轮次前 K 轮（K=3-5）的对话摘要拼接进 prompt，用
{system: "你是一个客服助手，用户历史提到过订单号 2024-001"} - 用户画像嵌入：从用户 profile 中提取高频意图（如“常查物流”），作为
user_context字段输入。坑：画像需实时更新，否则会误导。解法：用 Redis 缓存最近 10 次意图标签，过期自动失效。 - 多模态信号融合：若用户发语音，用 ASR 置信度分数（<0.7 的片段标记为“可能误识别”），在 prompt 中加
{note: "用户说'查一下'，但语音置信度低，请优先考虑常见意图"}。Trade-off：多模态增加延迟 200-500ms，只对置信度 <0.8 的指令启用。 - 第二层：主动澄清（Active Clarification）
- 置信度阈值机制：LLM 输出意图时，同时输出置信度分数（logit 归一化后）。若 <0.6，触发反问。具体实现：用
temperature=0采样 3 次，若意图不一致（熵 > 0.5），则判定为模糊。 - 反问模板设计：不直接问“你要查什么？”，而是给选项：“您是想查订单状态、物流轨迹，还是售后进度？” 这能降低用户认知负荷，提升澄清效率。坑：选项过多（>4 个）会导致用户放弃，保持 2-3 个。
- 渐进式追问：第一轮反问后若仍模糊，用更细粒度问题：“您说的‘查一下’是指查询订单号还是商品信息？” 每轮追问消耗 1 次 API 调用，所以设置最大追问轮次为 2，超时则 fallback 到默认意图（如“转人工”）。
- 第三层：多轮推理（Iterative Refinement）
- 意图图谱（Intent Graph）：预定义意图之间的关联（如“查物流” → “查订单” → “查售后”）。当用户说“查一下”，LLM 推理出最可能的路径，并主动问：“您是否想先查订单号？” 这比直接反问更高效。
- Few-shot 示例注入：在 prompt 中放 3-5 个模糊指令的解析案例，例如：
用户：“帮我看看” 解析：意图=查询订单，置信度=0.4，需澄清“查订单还是查商品” 这能提升 LLM 对歧义的敏感度，实验显示 FCR 提升 15%。
实际落地的坑 + 解法：
- 坑：用户说“查一下”，LLM 推理出“查订单”，但用户实际想“查物流”。解法：在澄清后，将用户最终确认的意图加入短期记忆（session-level），并更新置信度模型。下次类似指令直接命中。
- 坑：反问太频繁，用户流失。解法：对高频用户（>5 次/天）降低反问阈值（从 0.6 降到 0.4），因为其意图模式更稳定。
3️⃣ 答题模板（30 秒电梯版）
“这个问题我从三个层面回答：第一，被动增强，通过历史会话、用户画像和多模态信号补全上下文；第二，主动澄清，用置信度阈值和反问模板在模糊时引导用户；第三，多轮推理，利用意图图谱和 few-shot 示例逐步细化。总结一句：意图增强的核心不是让 LLM 猜得更准，而是设计一个‘何时推理、何时反问、何时放弃’的决策完整流程，平衡准确率和用户体验。”
4️⃣ 高频追问 & 应对
追问 1：如果用户连续 3 轮都回答“随便”，你怎么处理？
这是典型的“无意图”场景。策略是：第一轮，用意图图谱找最高频路径（如“推荐商品”），直接执行并反馈结果；第二轮，若用户仍说“随便”，用反问模板给 2 个选项（“推荐热门款还是按您历史偏好？”）；第三轮，若还模糊，直接 fallback 到“转人工”并记录日志。关键：不要无限追问，设置最大轮次为 2，否则用户会流失。同时，将“随便”作为特殊意图标签，用于训练一个 fallback 模型。
追问 2：你怎么评估意图增强模块的效果？给具体指标。
核心指标：① 首次解决率（FCR）：用户第一轮交互后问题是否解决，增强后目标提升 20% 以上；② 平均追问轮次：从 2.5 轮降到 1.2 轮；③ 用户放弃率：反问后用户离开的比例，应 <5%；④ 意图识别准确率：用人工标注的 1000 条模糊指令测试，增强后从 70% 提升到 85%。Trade-off：准确率提升会牺牲延迟，所以需监控 P95 响应时间，控制在 2s 内。
追问 3：如果 LLM 的置信度分数不可靠（比如 logit 归一化后分布扁平），你怎么改进？
这是常见坑。解法：① 集成置信度：用 3 个不同 prompt 模板（如零样本、few-shot、带历史）分别推理，若结果一致则置信度高；② 基于熵的阈值：计算输出 token 的熵，若 >0.7 则视为模糊；③ 规则兜底：对高频模糊词（“查一下”“看看”），硬编码一个意图候选列表，不依赖 LLM 置信度。工程取舍：集成方法增加 3 倍推理成本，只对置信度 <0.6 的指令启用。
5️⃣ 避坑 · 常见错误答法
- ❌ “意图增强就是让 LLM 理解用户意图，用更好的 prompt 就行。” → ✅ “意图增强是系统设计问题，包括上下文注入、置信度阈值、反问机制和 fallback 策略，prompt 只是其中一环。”
- ❌ “模糊指令直接反问用户，问清楚再执行。” → ✅ “反问要设计选项，避免开放式问题，且设置最大轮次，否则用户会流失。同时结合被动增强减少反问次数。”
- ❌ “用 RAG 检索相似历史指令来增强意图。” → ✅ “RAG 适合知识检索，但意图增强更依赖实时上下文和用户画像，RAG 会引入延迟和噪声，只适合低频场景。”
6️⃣ 简历呼应
- 如果你有 RAG 项目：从“意图增强与 RAG 的协同”切入，讲如何用意图增强优化检索 query（如将“查一下”改写为“查订单状态”），提升检索命中率 30%。
- 如果你只做过传统 NLP：用“意图分类 + 槽位填充”类比，讲如何从规则系统（正则匹配“查一下”）升级到 LLM 驱动的增强系统，强调工程迁移能力。
- 如果你是校招无项目：聚焦“主动澄清”的论文复现，引用《Ask Me Anything: A Strategy for Ambiguity Resolution》中的置信度阈值方法，并给出一个 demo（用 LangChain 实现 3 轮追问）。
- 《Ask Me Anything: A Strategy for Ambiguity Resolution in Conversational AI》（论文）
- 《Intent Detection and Slot Filling for Task-Oriented Dialogue Systems》（综述）
- 《Active Learning for Ambiguity Resolution in Chatbots》（博客，Google AI）
- 《LangChain Clarification Agent 实现》（GitHub 示例）
- 《Confidence Calibration in Large Language Models》（论文，ICLR 2023）