你有没有注意过，大多数AI客服都像那种特别健忘的销售。
你说"我想买个手机"，它回你一堆链接。你说"不是，我想看耳机"，它继续推手机。第三轮你说"算了"，它还在那儿推充电宝。
不是你表达能力有问题。是对话流程设计得太蠢。
单轮对话的时候，AI只需要回答一个问题。多轮对话，它得记住你说过什么、猜你想改什么、判断你是补充信息还是换了话题。
这三件事里，最关键的一个叫意图识别。
意图识别：多轮对话里最容易被忽视的"第一道门"
先搞清楚一件事——意图识别不是"听懂用户在说什么"。
是"听懂用户此刻真正想干什么"。
这两个差远了。
用户说"这个活动什么时候结束？"表面看是问时间。深层意图可能是"值不值得等"。用户说"能便宜点吗？"表面看是讲价。深层意图可能是"给我个理由现在下单"。
AI如果只回答表面问题，对话就结束了。回答不了深层意图，用户就流失了。
美洽科技做的一个实测发现：某个头部AI客服系统上线后，意图识别准确率提升到93%，客户满意度同步提升了25%以上（来源：美洽博客2026年横评报告）。
25%。
这个数字说明什么？意图识别不是锦上添花，是生死线。
但偏偏大多数企业在这件事上花的时间最少。
多轮对话的三个致命陷阱
很多人觉得，大模型这么强了，多轮对话不就是多记几轮历史吗？
不是。多轮比单轮难的地方，不在"记忆力"，在"理解力"。
陷阱一：意图漂移
用户第一轮说"我想买手机"。第二轮"苹果的好像不错"。第三轮"不过预算有点紧"。第四轮"算了还是看安卓吧"。
从手机→苹果→预算→安卓。每一轮意图都在微调。
如果你的系统只在第一轮识别一次意图，后面全部按"买手机"处理——那从第三轮开始，你就完全理解错他了。
陷阱二：意图跳变
用户第一轮"帮我查查订单"。第二轮"对了，你们那个会员怎么退订？"。
两句话，两个完全不同的意图。中间没有过渡，没有铺垫。
这就是意图跳变。系统必须识别到"话题换了"，清空上一轮的槽位和上下文，重新开始。
但很多系统做不到。它会把"退订会员"和"查订单"混在一起，最后给用户一个谁也看不懂的回复。
陷阱三：追问失控
用户说"我想订个酒店"。AI问"什么城市？"用户说"杭州"。AI问"几号？"用户说"下周六"。AI问"几个人？"用户说"两个"。
到这里，AI应该知道用户要什么了。但有些系统还在问——"要不要早餐？""对房型有要求吗？""预算多少？"
追问没有判定机制，用户就被问烦了。
好的流程节点是怎么设计的
我研究了几家做得不错的AI客服系统，发现它们在流程节点设计上有几个共同点。
第一：意图识别不是一次性的，是每轮都做
每一轮用户输入进来，先过一个意图识别模块。但这个模块不只是"分类"——它还得判断：
当前意图和上一轮是同一个吗？
如果相同，继续追问缺失的槽位信息。如果不同，判定为意图跳变，清空旧上下文，按新意图重新开始。
有些系统做得更细——给意图识别加一个置信度阈值。
置信度大于0.9，直接执行。0.8到0.9之间，需要澄清："您是想XX对吗？"低于0.8，追问："请问您具体需要什么帮助？"
这个阈值不是随便设的。是实际业务里跑出来的。
第二：槽位管理要有"增删改"逻辑
多轮对话的本质是一个信息收集过程。用户第一轮给了城市，第二轮补了日期，第三轮改主意了——"不对，下周五，不是下周六"。
这时候系统要把"下周六"覆盖成"下周五"，而不是保留两个日期然后搞混。
槽位值的管理规则很简单：同一意图下，最新轮的值覆盖旧值。不同意图跳变后，旧槽位全部清空。
但就是这种"简单"的规则，很多系统没做好。
第三：追问要有"停止条件"
追问不是一直问。是问到你需要的信息齐了就停。
系统在每一轮都要检查：当前意图对应的预设槽位，哪些填了，哪些没填。全部填满→停止追问，进入下一步。没填满→选一个最关键的槽位追问。
这个"最关键的槽位"选择也有讲究。不能问用户已经说过的信息，不能问上一轮已经追问过的槽位。
追问的本质不是"获取更多信息"，是"用最少的问题获取必要的信息"。
大模型在这件事上的优势和挑战
大模型做意图识别，和传统ICM（意图分类模型）比，有一个根本性的不同。
传统ICM需要先定义好所有意图类别，然后训练分类器。用户说的话如果不在预定义范围内，就识别不了。
大模型不需要预定义。它能理解用户用各种方式表达的同一个意图——"我想订房""帮我找个住的地方""今晚杭州有酒店吗"——这些在ICM里可能是三个不同的意图，大模型能识别成同一个。
但大模型也有自己的问题。
一个是过度泛化。用户说"随便看看"，大模型可能识别出一个很具体的意图，然后开始疯狂推荐。用户只是闲逛，你却把他当潜在客户对待。
另一个是上下文污染。多轮对话里，AI生成的长回复会混入历史消息。下一轮意图识别的时候，这些AI生成的内容会干扰判断。有团队做了一个简单但有效的方案——对AI生成的历史回复做mask处理，只保留用户说的话做意图识别输入。
还有一个更隐蔽的问题——延迟。
意图识别是每轮对话的第一个节点。它慢了，后面所有节点都慢。在客服场景里，用户等待超过3秒就想关窗口了。
所以有些团队做了"大小模型搭配"——用一个小模型做快速意图预判，只有置信度低的时候才调用大模型做精细识别。延迟从135ms降到61ms，准确率从76%提到93%。
这个数据来自掘金上的一篇技术实战文章——用Qwen3-0.6B做全参微调，4000条训练数据、8类意图，在4k上下文窗口、3轮对话的场景下跑的（来源：掘金技术社区）。
我的一点实操心得
我自己搭过几套多轮对话系统。踩过坑，也总结出几个有用的原则。
第一，意图识别的Prompt不能偷懒。
不能只写"你是一个意图识别助手"。要写清楚候选意图有哪些、每个意图的含义是什么、用户可能怎么说、容易混淆的情况是什么。
最好加上few-shot示例。给模型看3-5个正确的识别案例，比写十段描述管用。
第二，规则和大模型要搭配用。
纯靠大模型识别意图，容易飘。纯靠规则，又太死板。
最好的方案是大模型做主体识别，规则做兜底校验。比如用户明确说了"我要退订"，不管大模型识别成什么，规则层直接拦截，走退订流程。
第三，别忽视"意图矫正"机制。
用户说了半天，系统识别错了。这时候最好的做法不是硬撑，是主动确认——"根据您提供的信息，我猜您是想XX，对吗？"
用户说对，就修正意图。用户说不对，就追问澄清。
承认自己可能判断错，比假装什么都懂强得多。
爽点总结
• 意图识别准确率达到93%，客户满意度同步提升25% — 美洽2026年AI客服实测
• 多轮对话三大陷阱：意图漂移（用户微调需求）、意图跳变（用户换话题）、追问失控（问到用户烦）
• 好的流程节点三要素：每轮都做意图识别 / 槽位增删改逻辑 / 追问有停止条件
• 大小模型搭配：小模型预判+大模型精细识别，延迟135ms→61ms，准确率76%→93%
• 上下文污染解法：对AI生成的历史回复做mask，只保留用户输入做识别
• 核心原则：意图识别不是一次性的，是每轮都在做
