用户意图模糊、指代不清时，如何识别和澄清需求？

核心回答

先把用户原话与当前对话、正在处理的对象和已知业务状态结合起来，形成候选意图与槽位；再判断缺口是否影响正确执行。能从可靠上下文或工具补齐的先补齐，存在多个合理对象或会改变结果的歧义再追问。不要把“相似问法”直接当成同一意图，也不要逢不确定就让用户重述全部需求。

澄清应只问当前最关键的信息，并保留已确认内容。低风险任务可以说明合理假设后继续，涉及对象不明的修改、购买或发送等操作，要先明确对象与内容。

识别时需要哪些证据

先做口语与错别字规范化，但保留原文；用业务词典、实体库和上下文核对候选。例如“帮我查预约”与“帮我预约”字面接近，一个是查询，一个是创建。上一轮讨论的订单、当前页面或用户明确选择的对象，可以帮助消解“这个”“上次那个”。

状态中保存当前意图、实体、已确认槽位、待问项和来源。用户切换话题时区分新任务与补充信息，不能把旧任务槽位无条件套到新请求。模型自报置信度只作线索，还要看候选差距、必填字段、业务规则与证据一致性。

怎样减少无效追问

假设用户说“想找个好吃的”，位置通常比餐具偏好更影响搜索结果。若当前城市已知，可以直接围绕区域或预算问一个简短问题；若有可靠历史偏好，可先给候选并允许修正。无需固定按品类、位置、预算、场景逐轮询问，更不应把某个面经中的三轮上限当成统一规则。

“按老样子订一下”则可以检索历史订单，展示具体候选、日期和价格变化，再补必需信息。低风险推荐可以用默认条件先给结果；无法确定交易对象时，不能因为用户没回答就自动下单。

如何验证识别与澄清

建立相同表述不同上下文、否定与纠错、指代、多意图、未知意图等测试切片。观察各意图准确率与召回、错误执行率、澄清后成功率、追问轮数和用户放弃情况。阈值根据任务代价校准，不能把模型输出的0.9直接理解为90%执行正确率。

常见追问

用户一直不补信息怎么办？ 返回当前能提供的部分结果或少量候选，并说明缺少什么；只暂停依赖该信息的动作，继续不受影响的工作。

对应教程

参考资料