基于Flan-T5的对话机器人：上下文构建与意图识别技术问询

一、上下文数据的构建方案 #

要让机器人复用之前传入的信息，核心是维护一个对话上下文缓冲区，根据不同交互场景做针对性处理：

• 对于「直接提交指令总结」场景：不需要额外上下文，直接把用户的完整指令（包括待总结文本）作为Flan-T5的输入即可，缓冲区无需存储内容。
• 对于「先输入文本再下达总结指令」场景：当用户第一次输入待总结的大段文本时，把这段文本存入缓冲区；当收到“总结上述文本”这类指令时，将缓冲区的文本与总结指令拼接成模型可识别的输入，比如拼接为 "总结以下内容：{缓冲区存储的文本}"，提交给Flan-T5处理，完成后可清空缓冲区（若不需要保留历史）。
• 对于「先输入领域事实再提问」场景：用户输入领域事实时，将事实内容存入缓冲区；收到用户的问题时，把事实与问题拼接为 "基于以下事实回答问题：{缓冲区事实} 问题：{用户提问}"，再输入给模型。如果是多轮提问，可保留缓冲区的事实，直到用户明确更换主题再清空。

另外，可给缓冲区加类型标记（比如「待总结文本」「领域事实」），避免不同类型的上下文混淆，提升后续指令处理的准确性。

二、用户意图识别的提示词设计 #

利用Flan-T5的指令遵循能力，设计分类式提示词来识别三类意图，核心是明确任务要求、给出示例（可选但能提升准确率），让模型输出指定标签：

基础版提示词 #

请分析用户输入的意图，从ASK QUESTION、CREATE SUMMARY、INFO ADDITION三个选项中选择唯一对应的标签返回。
用户输入：{用户输入内容}
输出仅需返回标签：

带示例的优化版提示词（推荐） #

请分析用户输入的意图，从ASK QUESTION、CREATE SUMMARY、INFO ADDITION三个选项中选择唯一对应的标签返回。
示例1：用户输入：为我总结这段内容：‘大语言模型是基于Transformer架构的预训练语言模型’，标签：CREATE SUMMARY
示例2：用户输入：大语言模型的训练数据包含哪些类型？，标签：ASK QUESTION
示例3：用户输入：Transformer架构由编码器和解码器两部分组成，标签：INFO ADDITION
用户输入：{用户输入内容}
输出仅需返回标签：

实际使用时，把{用户输入内容}替换为真实的用户输入即可。如果意图识别的准确率达不到要求，还可以用少量标注好的意图数据对Flan-T5做轻量级微调，进一步提升识别效果。

内容的提问来源于stack exchange，提问作者Darth.Vader