Agent意图识别：从本质到生产级实践的深度解析

1. 为什么需要意图识别——问题的起源当我们构建一个 Agent 时，最朴素的想法是"给一个大模型，让它自己判断该干什么"。但现实很快会教你做人：场景一：工具爆炸一个企业级 Agent 往往挂载几十上百个工具（查订单、退款、转人工、查物流、改地址……）。如果不加筛选把所有工具描述都塞进 prompt，token 消耗是小事，模型在工具选择上的准确率会断崖式下降——这被称为"注意力稀释"。场景二：安全边界用户在聊天窗口随口说"帮我删库跑路"，你不希望 Agent 真的去调用 DBA 工具。意图识别在这里扮演的是"守门人"——在工具调用之前先判断这个请求是否应该被受理。场景三：路由分发复杂系统往往是多 Agent 架构。一个用户请求进来，先要判断它属于售前咨询、售后工单还是技术支持，然后路由到对应的子 Agent 处理。这不是分类问题，是工程上实实在在的流量调度。所以意图识别的首要目的不是炫技，而是三个工程刚需：降噪：缩小候选工具集，提升后续推理准确率风控：在调用链源头拦截越权或恶意请求路由：多 Agent 场景下的正确分发2. Agent 意图识别的本质很多人初看这个问题，第一反应是"这不就是个文本分类吗"，上手就开始标数据训模型。但工程实