本文为您介绍如何在新建意图的时候编写好意图的名称和描述。意图是智能总控用于识别用户需求的核心配置单元，其名称和描述直接影响系统识别准确率。编写好意图的名称和描述可提升智能总控识别用户需求的准确率，减少误判和漏判。适用于新建意图时需明确需求边界、覆盖用户具体使用场景的情况。

意图描述是智能总控判定用户意图的核心依据，一份好的意图总控需要满足

• 边界清晰：​意图描述首要任务是 “划定范围”，防止模型将 “相似但不属于” 的内容误判纳入，或遗漏 “本该属于” 的内容。核心在于回答两个问题：“该意图具体涵盖哪些内容？”“绝对不涵盖哪些内容？”
  • 正向描述：采用 “主体 + 场景 + 内容类型” 三重限定方式。例如，定义 “公司内部管理制度” 时，不只是表述为 “内部制度”，而是明确 “主体（内部员工）+ 场景（日常工作）+ 内容类型（考勤、请假、绩效等）”。
  • 反向描述：明确列出 “排除项”。针对容易混淆的场景，直接说明 “不属于该意图的情况”。例如，“合规知识” 意图可补充：“排除客户层面的合规咨询（如客户询问‘买股票亏了能投诉吗’）”。
• 场景具象：​意图描述不应停留在 “宽泛空洞的类别”（如 “内部制度”），而应拆解为用户 “实际会遇到的具体场景”，以便总控能对应到真实提问。核心是 “将抽象的意图拆解为用户能够感知的具体需求场景”。
  • 按 “用户行为链路” 拆解子场景：例如，“内部办公平台操作” 可按 “系统类型” 进行拆解：OA 系统操作、人事系统操作；再按 “操作目的” 进一步细分：报销申请、客户新增、考勤查询。
  • 每个子场景补充 “问题方向”：例如，“OA 系统操作” 可补充：“发起审批、查询审批进度、处理报错（如登录失败）”。
• 泛化可控：“泛化” 指的是让总控识别 “同一需求的不同表达方式”（例如 “请假流程” 和 “怎么申请休假” 属于同一需求），而 “可控” 是指不将 “无关的表达” 纳入其中。核心是 “平衡覆盖度与精准度”。
  • 补充 “多风格示例”：每个子场景至少包含 3 类示例，例如围绕 ETF 费率咨询。
    • 口语化表达（如 “买 ETF 咋收费啊？会不会比买基金贵？”）
    • 书面化表达（如 “ETF 的交易费用包含哪些项目？不同券商的佣金费率通常在什么范围？”）
    • 间接性表达（如 “每次买 100 块的 ETF，手续费扣了 5 块，感觉有点贵，是不是哪里没弄对？”）
  • 用 “关键词 + 语义约束” 确定泛化边界：例如，“证券交易规则” 意图，可明确 “包含‘T + 1’‘涨停’‘委托时间’等关键词，且语义围绕‘规则咨询’，不包含‘行情分析’‘买卖建议’”。
• 模型可读：​意图描述最终是供 “大语言模型” 查看的，需避免使用 “人类能够理解但模型无法理解” 的模糊表述。涉及口语化缩写、专业术语、行业黑话等信息时，要维护好对应的术语库，使模型能够读懂意图描述。
  • 明确关键词：不使用 “跟钱相关的规则” 表述，而使用 “薪酬福利发放规则、报销审核规则”（关键词：薪酬福利、报销审核）。
  • 避免模糊词汇：不使用 “大概”“之类的”“相关的” 等表述（如不使用 “合规相关的问题”，而使用 “合规执业行为准则、合规处罚规则”）。
  • 专业术语库维护：例如，“科创板准入条件” 可补充 “即个人投资者开通科创板账户的资产、交易经验要求”，避免机器因术语理解偏差而出现漏判。