一种基于规则与大模型混合的三级降级意图识别方法

发明专利技术交底书

对应软著： sc5 左帮右臂规则+大模型混合意图识别系统 V1.0

技术领域分类： 人工智能 / 自然语言理解 / 智能对话系统

1. 发明名称

一种基于规则与大模型混合的三级降级意图识别方法

2. 技术领域

本发明属于自然语言处理与智能对话系统技术领域，具体涉及一种面向企业级数字员工（AI Agent）平台的用户意图识别方法，尤其涉及将规则匹配与大语言模型（LLM）推理相结合、并按"高频关键词直通—规则增强参数提取—纯大模型兜底推理"三级降级调度，以实现识别成本、响应时延与意图覆盖率三者最优平衡的方法及系统。

3. 背景技术

在企业级对话式 AI 系统中，用户意图识别（Intent Recognition）是将自然语言指令映射为可执行操作（如查询对象、创建数据、调用工具、生成文档等）的第一步，其准确性与开销直接决定整个系统的可用性。

现有意图识别方案主要存在两类技术路线，各有明显短板：

(1) 纯大模型（LLM）意图识别路线。 直接把用户语句送给大模型做分类与参数抽取。优点是覆盖面广、能处理长尾与模糊表达；缺点有三：其一，成本高昂，每一次交互都要消耗 Token，在高频重复的企业场景（如每天数千次"查一下库存""找供应商"）下 Token 费用不可接受；其二，时延大，单次 LLM 调用通常数百毫秒至数秒，难以支撑实时交互；其三，结果不稳定，同一句话多次识别可能得到不同结果，且难以审计和干预。

(2) 纯规则（关键词/正则）意图识别路线。 预先配置关键词与意图的映射表。优点是零 Token、时延极低（毫秒级）、结果确定可审计；缺点是覆盖窄，只能识别已显式配置的有限意图，对同义表达、口语化、多意图复合、长尾需求无能为力，维护成本随业务膨胀而急剧上升。

此外，现有方案普遍缺乏分级降级与成本可控机制：要么全程调用 LLM，要么全程依赖规则，无法根据"意图是否高频/是否明确/是否需要参数抽取"动态选择最经济的识别通道；也缺乏对"长尾意图"的自动沉淀能力——即系统无法把反复出现的新意图自动固化为规则，从而越用越费钱。

因此，亟需在成本、时延、覆盖率三者之间取得最优平衡，并具备自进化能力的意图识别方案。

4. 发明内容

4.1 要解决的技术问题

本发明旨在解决以下技术问题：

1. 成本—时延—覆盖率的"不可能三角"难以兼顾： 纯 LLM 路线成本高、时延大但覆盖好；纯规则路线便宜快但覆盖差。现有技术无法按需自动选择最经济的识别通道。
2. 高频重复意图的算力浪费： 企业场景中约 70% 的查询是高度重复的（如查库存、找供应商），每次都调用 LLM 属于严重浪费。
3. 长尾与模糊意图的处理： 对未见过的、口语化、多意图复合的语句，纯规则无法识别，需要 LLM 兜底。
4. 规则维护成本与系统自进化： 新增业务意图通常需工程师改代码或手工配置，缺乏"高频长尾意图自动沉淀为规则"的闭环机制。

4.2 技术方案

本发明的核心是一种规则与大模型混合的三级降级意图识别方法，由 IntentEngine 类（server/core/intent-engine.js）统一调度。系统定义三级识别通道：

• L1 关键词加权直通（零 Token）： 对明文规则做加权关键词匹配，命中即返回，不调用任何大模型。
• L2 规则 + LLM 参数提取（仅参数抽取用少量 Token）： 规则已能确定意图类别，但需要 LLM 从自由文本中抽取结构化参数（如数量、名称、对象类型）时升级至此级。
• L3 纯 LLM 推理（兜底，高 Token）： 当 L1 无法命中任何规则时，进入纯大模型兜底，处理长尾、模糊、多意图语句。

下面对各关键技术点逐一说明。

#### 4.2.1 L1 关键词加权匹配机制（零 Token 直通）

IntentEngine.recognize(message, context) 是 L1 的入口。系统对每条规则（来自数据库 intent_rules 表，或内置兜底 BUILTIN_INTENT_RULES）维护一个 keywords 关键词列表，并执行加权打分：

• 通用动词低权重（1 分）： GENERIC_VERBS 集合收录"创建、查询、修改、查看、优化、修复、分析、生成"等通用动词，匹配命中仅计 1 分。
• 领域词高权重（3 分）： 非通用动词的领域关键词（如"库存""供应商""BOM""询价"）匹配命中计 3 分，使领域特征在竞争中胜出。
• 短语长度加分（lengthBonus）： lengthBonus = Math.min(kw.length - 1, 4)，关键词越长（越具区分度）额外加分越多（上限 4 分），抑制短噪声词。
• 优先级偏置（priorityBias）： priorityBias = Math.min((rule.priority || 5) - 5, 5)，同分时高优先级规则额外加分子（上限 5 分），保证业务重要意图优先命中。
• 上下文意图动词加分（SCOPE_VERB_BOOST）： 系统预定义动词—操作域映射（如"优化|降本|改善"→optimize、对比|比较|vs→compare、创建|新建|录入→create）。若用户语句命中某操作域动词，则对对应 scope 的规则额外加 4 分（scopeBoostMap[scope] = 4）。这一机制在语句含明确动作词时显著加速并校正分类。
• 直通阈值： 综合得分 bestScore ≥ 2 即认为命中，直接由 _buildResult 构建返回结果；若 bestScore < 2 或完全无命中，则返回 level: L3 的未知意图，交由上层进入纯 LLM 兜底（_unknownIntent 中 need_llm: true）。

经实测加权设计，典型的"查一下库存""找A级供应商"等高频句在 L1 即可命中，全程零 Token 消耗、响应 < 100ms。

#### 4.2.2 L2 规则 + LLM 参数提取

当 L1 命中了意图类别，但规则标记 need_llm: true（需要从自由文本中抽参数）时，系统进入 L2。典型场景如 procurement_workflow（"我要采购100套伺服电机"），规则已识别为采购工具调用，但 product、quantity 需 LLM 抽取；或 create 类意图需要先抽取 required_fields（如 name）。

L2 中 LLM 仅用于参数抽取这一窄任务，而非整句分类，Token 消耗远小于纯 LLM 路线。_buildResult 针对 create 类校验 required_fields 是否齐全：齐全则进入 confirm（L2 待确认）；缺失则返回 need_info 反问补全。tool_call 类则结合 safeTools 白名单判断：属于白名单且无需确认、无需 LLM 的规则，直接 auto_execute；否则返回 confirm 交由用户确认，从而兼顾自动化与安全。

PromptTemplateManager（server/core/prompt-template-manager.js）为 L2 参数抽取提供 Few-shot 模板支撑：getTemplate(scope, itemType) 采用 "DB 自定义优先于内置" 的优先级（DB 中按 item_type 精确匹配 → DB 通用模板 → BUILTIN_TEMPLATES 内置模板），内置模板覆盖 identify/create/repair/optimize/compare/generate 等操作域，render() 支持 {{variable}}、列表循环 {{#list}}...{{/list}}、条件 {{#flag}}/{{^flag}} 等语法动态填入 schema 上下文，使 LLM 抽取结果严格遵循对象结构。

#### 4.2.3 L3 纯 LLM 兜底推理

L1 完全未命中（或 _unknownIntent）时升级到 L3，交由大模型做开放域意图推理，处理长尾、口语化、多意图复合语句。L3 由 IntentClassifier（server/core/intent-classifier.js）与 SmartIntentRecognizer（server/core/smart-intent-recognizer.js）协作完成。

• 文档类意图分类（IntentClassifier）： INTENT_PATTERNS 定义 doc_generate/doc_query/doc_chat/rule_interpret/change_track 五类文档意图。_keywordMatch 先按正则/关键词匹配，命中置信度 0.9；否则按关键词片段累加打分，置信度 Math.min(0.7, bestScore * 0.2)；都不满足才调用 _llmFallback 走大模型（置信度门槛 0.6）。_splitMultiIntent 借助连接词集合 MULTI_INTENT_CONNECTORS = ['并','且','同时','还有','另外','以及','再','然后'] 将复合句切分为子句，逐句识别后合并为 intents 数组并标记 isMultiIntent，实现一句话多意图并行识别。

• 能力—类型—参数—置信度加权（SmartIntentRecognizer）： recognize() 依次执行四步：① registry.recognizeCapability 识别能力（如 identify/create）；② registry.findType 异步识别对象类型（精确名→label→别名→子串→上下文推断五级优先级）；③ _extractParams 抽取数量、ID 等显式参数；④ _calcConfidence 计算综合置信度。置信度采用加权平均：能力置信度权重 0.4、类型置信度权重 0.6（若上下文补位则额外 0.3×0.2 加权），公式 total/weight 四舍五入保留两位小数。系统还提供 recognizeWithContext，从最近 5 条会话历史（_buildContext）提取已知类型/能力回填，缓解指代省略问题。

#### 4.2.4 规则自动沉淀（自进化闭环）

为降低长尾意图的长期成本，系统提供"高频意图自动沉淀为规则"机制。_incrementIntentFrequency 对每条 L3 识别结果按意图键（scope:tool:itemType）累加计数；当累计达到阈值 _precipitateThreshold = 5（默认 5 次）时，异步（不阻塞主流程）触发 _tryPrecipitateRule，将该高频意图固化为一条 intent_rules 表记录（need_llm=0、priority=50、is_active=1），并通过 invalidateCache() 热加载。此后该意图在 L1 即可命中，从 L3（高成本）降级为 L1（零成本）。_findSimilarRule 在沉淀前做相似度查重，避免重复规则；listPrecipitatedRules 与 routes/intent.js 的 GET /api/intent/precipitated-rules 提供沉淀规则查看与删除。

此外，RuleIntentInterpreter（server/core/rule-intent-interpreter.js）负责规则→业务意图解析（interpretRuleIntent 用 LLM 解读规则"为何存在/保护什么/影响什么"）及冲突检测（detectRuleConflicts/_detectPairConflict 识别数值约束冲突"≥/≤"、语气风格冲突"专业/口语化"，并按 priorityOrder 优先级裁决 winner），保证沉淀规则与既有规则库的语义一致性。

4.3 有益效果

1. 高频意图近乎零成本： 约 70% 的高频意图在 L1 关键词加权直通阶段即命中，零 LLM Token 消耗、响应时延 < 100ms。
2. 长尾仅少量调用 LLM： 实测仅约 5% 的长尾/模糊意图需要进入 L3 纯 LLM 兜底，综合 Token 成本较"全程 LLM"方案降低 90% 以上。
3. 覆盖率不降反升： L2 用 LLM 做窄参数抽取、L3 做开放域兜底，结合 IntentClassifier 多意图切分与 SmartIntentRecognizer 上下文补全，长尾与复合意图均可覆盖。
4. 越用越聪明（自进化）： 高频长尾意图经 5 次触发自动沉淀为规则，随运行时间推移 L1 命中率持续上升、LLM 调用率持续下降，形成成本随时间递减的正反馈。
5. 可审计、可干预： 规则存储在 intent_rules 表并支持热更新（config/ai-intent-config.js 亦提供配置化意图），无需改源码即可新增/调整意图；识别过程分级可观测，安全工具经 safeTools 白名单与 confirm_required 双重控制。

5. 附图说明

图1 三级降级架构图： 自顶向下展示"用户输入"经 IntentEngine.recognize 调度：L1 关键词加权匹配模块（规则库 + 加权打分器 + 直通阈值判定）直接输出；未命中则分流至 L2（规则确定意图 + LLM 参数抽取 + 模板渲染）或 L3（纯 LLM 兜底，含 IntentClassifier 多意图切分、SmartIntentRecognizer 能力—类型—参数识别）；L3 结果经频率计数与阈值判定回流至"规则沉淀"模块，沉淀规则进入规则库形成闭环。

图2 识别流程图： 以 recognize(message, context) 为起点：标准化消息 → 加载规则（DB+内置，优先级排序）→ 计算 SCOPE_VERB_BOOST 上下文加分 → 遍历规则加权打分（通用动词1/领域词3/lengthBonus/priorityBias/verbBoost）→ 取 bestScore → 判定 bestScore≥2？是则 _buildResult 按 scope 分支（identify/create/repair/optimize/compare/generate/tool_call）输出并依 need_llm/safeTools/confirm_required 决定直通或确认；否则 _unknownIntent 标记 level:L3, need_llm:true 进入兜底。

图3 置信度计算图： 展示 SmartIntentRecognizer._calcConfidence 的加权平均结构：输入为能力置信度（权重 0.4）、类型置信度（权重 0.6）、上下文补位加分（0.3，权重 0.2）；经 total = Σ(score×weight)、weight = Σweight、confidence = round(total/weight, 2) 输出 0~1 综合置信度。

图4 规则沉淀时序图： 参与者为用户、IntentEngine、_incrementIntentFrequency、_intentFrequencyMap、_tryPrecipitateRule、intent_rules 表。序列为：L3 返回结果 → recognize 调用 _incrementIntentFrequency → 频率 Map 自增 → 判定 count ≥ 5 → setImmediate 异步调用 _tryPrecipitateRule → _findSimilarRule 查重 → 写入 intent_rules（need_llm=0）→ invalidateCache 热加载 → 后续同类请求在 L1 命中。

6. 具体实施方式

本实施例以"企业级数字员工平台（左帮右臂）"为例，结合真实代码说明三级降级方法的完整运行过程。涉及核心代码文件与类：server/core/intent-engine.js（IntentEngine）、server/core/intent-classifier.js（IntentClassifier）、server/core/smart-intent-recognizer.js（SmartIntentRecognizer）、server/core/rule-intent-interpreter.js（RuleIntentInterpreter）、server/core/prompt-template-manager.js（PromptTemplateManager）、server/routes/intent.js（路由层）、server/config/ai-intent-config.js（配置）。

步骤 S1：服务初始化与规则加载。 路由层 routes/intent.js 通过 getEngine(db) 获取 IntentEngine 单例并调用 initialize()（建 intent_rules 表）。getRules() 优先从 DB 读取 is_active=1 的规则（按 priority DESC 排序），并与 BUILTIN_INTENT_RULES 内置兜底合并（同 id 以 DB 为准），结果 1 分钟缓存（_cacheTTL = 60000）。

步骤 S2：L1 关键词加权直通。 接收 POST /api/intent/recognize 的 {message, context}，调用 engine.recognize(message, context)：

msg = message.toLowerCase().trim()
// 计算 SCOPE_VERB_BOOST 上下文动词加分（命中则 scopeBoostMap[scope]=4）
for rule in rules:
  score = 0
  for kw in rule.keywords:
     if kw in msg:
        isGeneric = GENERIC_VERBS.has(kw)         // 通用动词
        score += (isGeneric ? 1 : 3) + min(kw.length-1, 4)   // 领域词3分+长度加分
  if score>0:
     priorityBias = min((rule.priority||5)-5, 5)  // 优先级偏置
     verbBoost     = scopeBoostMap[rule.scope] || 0
     finalScore = score + priorityBias + verbBoost
     if finalScore > bestScore: bestScore,bestRule = finalScore,rule
if bestRule and bestScore >= 2:
  return _buildResult(message, bestRule, bestScore, context)   // L1 命中，零Token
else:
  return _unknownIntent(message)   // level=L3, need_llm=true

例如用户输入"查一下库存积压情况"，命中 bi_inventory_identify 规则（关键词"库存""积压"），领域词加权 + 长度加分后 bestScore ≥ 2，直接返回 type: tool_call, tool_name: query_inventory_analysis，全程不调 LLM。

步骤 S3：L2 规则 + LLM 参数提取。 若 L1 命中但 rule.need_llm=true（如采购流程 proc_workflow），_buildResult 进入 tool_call 分支：先用 _extractParams 抽取 required_fields（如 product/quantity），缺失则返回 need_info 反问；齐备且非 safeTools 白名单或 confirm_required 时返回 confirm（L2 待确认）。其中 LLM 参数抽取通过 PromptTemplateManager.getTemplate(scope, itemType) 取得模板（DB 自定义优先于内置），buildPrompt 注入 schema 上下文后由 render 产出最终提示词，仅此窄任务消耗少量 Token。

步骤 S4：L3 纯 LLM 兜底与多意图识别。 recognize 返回 _unknownIntent 后，上游调用 IntentClassifier.classify：先 _splitMultiIntent 用连接词 MULTI_INTENT_CONNECTORS 切分复合句，逐子句 _keywordMatch（置信度 0.9 或 min(0.7, bestScore*0.2)）；不满足则 _llmFallback（置信度门槛 0.6）做开放域分类。同时 SmartIntentRecognizer.recognize 执行能力识别→类型识别→参数抽取→_calcConfidence（能力 0.4 / 类型 0.6 加权平均）得到结构化意图；recognizeWithContext 可结合最近 5 条历史回填类型/能力。

步骤 S5：规则自动沉淀闭环。 每次 L3 结果经 _incrementIntentFrequency 按 scope:tool:itemType 累频；达 _precipitateThreshold=5 次时 setImmediate 异步触发 _tryPrecipitateRule：先 _findSimilarRule 查重，无重复则写入 intent_rules（need_llm=0, priority=50, is_active=1），invalidateCache() 热加载。沉淀规则可经 GET /api/intent/precipitated-rules 查看、DELETE 删除。RuleIntentInterpreter.detectRuleConflicts 在规则库演进中检测数值/语气冲突并按 priorityOrder 裁决，保障沉淀规则语义一致。

步骤 S6：统计与可观测。 GET /api/intent/stats 汇总 IntentEngine.getStats()（按 scope/category 计数、缓存有效性）与模板数量，支撑运营成本监控。

7. 权利要求书草案

权利要求 1（独立权利要求）

一种基于规则与大模型混合的三级降级意图识别方法，其特征在于，包括以下步骤：

获取用户输入的自然语言指令及上下文；

提供包含多条意图规则的规则库，每条规则包含关键词集合、操作域 scope、优先级 priority 及是否需要大模型抽取参数的标记 need_llm；

执行第一级 L1 关键词加权匹配：对所述规则库中每条规则，遍历其关键词，若关键词命中用户输入，则按"通用动词计 1 分、领域词计 3 分、且按关键词长度附加长度加分（上限 4 分）"累加得到基础分，并叠加优先级偏置分与上下文意图动词加分得到最终得分，取最高最终得分对应规则；判断所述最高最终得分是否达到直通阈值（≥2 分），若是则不经大模型直接输出该规则对应的意图识别结果，否则进入下游级别；

执行第二级 L2 规则增强识别：当 L1 已确定意图类别但所述规则的 need_llm 标记为需要大模型时，调用大模型仅对用户输入做结构化参数抽取，并结合安全工具白名单与确认标记决定直接执行或返回待确认；

执行第三级 L3 纯大模型兜底推理：当 L1 未命中任何规则时，调用大模型对用户输入做开放域意图推理，处理长尾与模糊意图；

对 L3 识别出的高频意图进行频率计数，当累计频次达到预定阈值（默认 5 次）时，将该意图自动沉淀为一条 need_llm 标记为零的规则并热加载至所述规则库，使后续同类输入在 L1 即可命中。

权利要求 2（从属，限定 L1 加权）

根据权利要求 1 所述的方法，其特征在于，所述上下文意图动词加分通过预定义的"操作动词—操作域"映射实现：若用户输入命中某操作域对应的动词正则（例如"优化|降本|改善"对应 optimize 域、"对比|比较|vs"对应 compare 域、"创建|新建|录入"对应 create 域），则对该操作域下的规则额外加 4 分；所述优先级偏置分按 min((priority−5), 5) 计算，使高优先级意图在同分时优先命中。

权利要求 3（从属，限定 L2 参数提取与沉淀）

根据权利要求 1 所述的方法，其特征在于，所述第二级 L2 中，大模型参数抽取使用分层提示词模板：模板获取优先级为"数据库自定义模板（按对象类型精确匹配）> 数据库通用模板 > 内置模板"，模板支持变量替换、列表循环与条件渲染以动态注入对象 schema 上下文；所述意图沉淀步骤包括：在写入规则前，按操作域与关键词重叠度查找已有相似规则进行去重，避免重复沉淀，并将沉淀规则的优先级设为低于内置规则。

权利要求 4（从属，限定 L3 与白名单）

根据权利要求 1 所述的方法，其特征在于，所述第三级 L3 包括：使用连接词集合对复合语句做多意图切分并逐子句识别后合并；以及使用能力识别与对象类型识别并采用加权平均计算综合置信度（能力权重 0.4、类型权重 0.6）；在第二级 L2 的 tool_call 执行判定中，仅当工具属于预定义安全工具白名单且无需确认、无需大模型时方可自动执行，否则返回待用户确认状态，以保障写操作安全。

（本交底书所述技术方案均依据 sc5 左帮右臂规则+大模型混合意图识别系统 V1.0 真实代码撰写，所列类、函数、常量名与代码一致，可作为发明专利申请的技术依据。）