客户说“还没到”，可能是在催物流，也可能在问退款期限；“扣了两次”既可能是重复扣款，也可能是两笔不同订单；“换一下”如果没有上下文，甚至无法判断客户想换地址、商品还是套餐。
AI客服意图识别的任务不是从一句话里找到某个关键词，而是结合对话上下文，判断客户此刻想完成什么，并决定下一步动作：直接回答、继续追问、查询系统、转人工，还是停止猜测。
意图识别做得不好，后面的知识库、自动化和Agent能力都会被带到错误方向。系统可能从正确的知识库中找到一段完全不相关的答案，也可能把高风险投诉当作普通物流咨询。
什么是AI客服意图识别？
“意图”可以理解为客户希望企业完成的目标。例如：
- 查询订单状态；
- 修改收货地址；
- 申请退款；
- 了解套餐价格；
- 报告技术故障；
- 寻找人工客服。
意图识别则是把客户的自然语言表达映射到这些业务目标。客户不需要使用企业规定的标准词，系统也应尽量识别“我的货到哪了”“物流怎么不动”“包裹十天没更新”都与物流查询有关。
Google Dialogflow CX的官方文档将这个过程称为intent matching。系统会为候选意图计算匹配置信度；最高得分达到分类阈值时返回相应意图，没有意图达到阈值时触发No-match事件。
这说明意图识别至少包含三个结果，而不是只有“识别成功”和“识别失败”：
- 有足够依据匹配一个意图；
- 信息不足，需要澄清；
- 无法可靠匹配，进入No-match或人工处理。
意图分类应该从业务动作开始
很多团队先整理关键词，再创建意图。结果是“价格”“多少钱”“收费”分别成为三个意图，但它们实际都指向同一套价格咨询流程。
更实用的方法是先问：识别这个意图以后，系统要执行什么不同动作？
| 客户表达 | 业务意图 | 下一步动作 |
|---|---|---|
| “这个套餐多少钱？” | 售前价格咨询 | 返回当前价格来源或引导定价页 |
| “已经扣款了，为什么还不能用？” | 付款后未开通 | 查询订单和账户状态 |
| “我要取消并退款。” | 退款申请 | 收集必要信息并按权限转人工 |
| “物流一直不更新。” | 物流异常 | 查询物流；失败时转售后 |
| “找真人客服。” | 明确要求人工 | 进入人工接管流程 |
如果两个标签对应完全相同的知识、字段和动作，就没有必要为了报表好看而拆成多个意图。相反，如果“咨询退款政策”和“正式申请退款”会进入不同权限流程，就应该分开。
用三层结构整理意图
第一层：客户旅程
先按售前、购买中、履约、售后、账户和技术支持划分大类。大类用于分析和路由，不一定直接作为模型输出。
第二层：可执行意图
例如在售后中继续拆分为退货政策、退款申请、退款进度、商品破损和物流异常。每个意图都应有明确动作或负责人。
第三层：必要参数
识别意图不等于能够执行。物流查询还需要订单号，修改地址可能需要身份核验和订单状态，价格咨询可能需要团队规模和目标渠道。
| 意图 | 必要参数 | 缺失时怎么问 |
|---|---|---|
| 物流查询 | 订单号 | “请提供订单号，我来查询当前物流状态。” |
| 修改地址 | 订单号、新地址、身份确认 | 先确认订单是否仍允许修改 |
| 套餐推荐 | 团队人数、渠道、月咨询量 | 一次只问影响选择的关键问题 |
| 故障排查 | 产品、错误提示、发生时间 | 引导客户提供截图或错误文字 |
参数应服务于下一步动作，不要为了收集数据而连续询问与解决问题无关的信息。
训练样本应该怎么写？
覆盖真实表达，不是改写同一句话
下面这组样本看似有五条，实际信息非常接近：
- 我要查物流；
- 我想查物流；
- 请帮我查物流；
- 可以查一下物流吗；
- 麻烦查询物流。
更有价值的样本应覆盖不同表达方式：
- “包裹现在到哪了？”
- “十天了还没收到。”
- “tracking一直没更新。”
- “订单显示发货，但快递查不到。”
- “能看一下什么时候送到吗？”
Google的Agent设计建议指出，只增加由填充词变化形成的训练短语没有必要；生产中的No-match记录则可以帮助发现缺失表达。但也不能把每条No-match都机械加入某个意图，否则容易造成意图偏置。
加入容易混淆的反例
“退款政策”和“退款进度”都包含退款，“账户无法登录”和“订单无法查询”都可能出现“进不去”。团队应保存容易混淆的表达，并明确它们不属于哪个意图。
| 正向样本 | 目标意图 | 容易误判的相邻意图 |
|---|---|---|
| “超过七天还能退吗？” | 退款政策咨询 | 退款申请 |
| “上周退的钱什么时候到账？” | 退款进度 | 退款政策咨询 |
| “我想换收货地址。” | 修改订单地址 | 修改账户地址 |
| “验证码一直收不到。” | 登录验证问题 | 修改联系方式 |
保留语言和渠道差异
WhatsApp上的客户可能使用缩写、语音转文字和混合语言；网站客服可能包含复制的错误代码；LINE客户的表达习惯又可能不同。不要只用内部人员编写的标准中文训练多语言客服。
置信度阈值应该设多少？
没有适用于所有企业和所有意图的统一数字。
Google Dialogflow CX允许为不同流程及语言设置分类阈值。当最高意图匹配分数未达到阈值时，会触发No-match；官方也建议在调整阈值前先检查负面样本。
阈值调整本质上是在两类错误之间取舍：
- 阈值过低：系统更愿意猜，错误匹配增加；
- 阈值过高：系统更谨慎，No-match和澄清次数增加。
高风险意图更应重视误判成本。例如，把普通价格咨询误判为退款申请可能只是流程绕远；把退款申请误判为普通政策问答，可能导致客户无法及时进入有权限的处理流程。
建议按照“语言×意图风险×渠道”测试，而不是只设置一个全局数值。阈值应来源于真实测试集表现，并在模型、样本或业务政策变化后重新验证。
信息不足时，先澄清还是直接转人工？
澄清问题应当缩小范围，而不是把客户推入新一轮菜单。
客户说：“我要改一下。”
有效澄清可以是：
“你是要修改订单的收货地址，还是修改账户资料？”
无效澄清则是：
“请详细描述你的问题。”
前者给出了两个基于上下文的候选方向，后者把识别工作重新交给客户。
可以用下面的决策方式：
| 状态 | 建议动作 |
|---|---|
| 一个意图明显领先且风险低 | 进入对应流程 |
| 两个相邻意图难以区分 | 提一个封闭式澄清问题 |
| 多轮仍无法识别 | 停止猜测，转人工或留资 |
| 涉及退款、权限、投诉等高风险 | 优先核实并按规则转人工 |
| 客户明确要求人工 | 不用意图识别继续阻拦 |
人工接管应传递客户原话、候选意图、已问问题和缺失参数，具体可以参考AI客服什么时候应该转人工。
No-match不能只回复“我没听懂”
No-match是改进意图体系的重要数据。一次No-match可能来自：
- 当前流程没有包含应该生效的意图；
- 训练样本没有覆盖真实表达；
- 两个意图边界重叠；
- 当前语言或渠道表现不同；
- 客户输入的是新业务问题；
- 语音转文字、拼写或系统预处理改变了原句。
建议给No-match设置分级处理：
- 第一次：结合上下文提出一个澄清问题；
- 第二次：给出少量明确选项，或询问是否需要人工；
- 持续失败：转人工、留资或创建待办，并保存原始表达；
- 运营复盘：按出现次数、风险和业务价值整理未匹配问题。
不要让客户在相同提示里无限循环，也不要把所有未匹配表达自动写入知识库。意图错误和知识缺失是两类问题：前者不知道客户要什么，后者知道问题却没有可靠答案。
一句话包含多个意图怎么办？
客户经常说：“包裹还没到，我明天搬家，能不能改地址？不行就退款。”这句话同时包含物流异常、修改地址和退款条件。
系统不应只按最后一个词进入退款流程。可以先识别主目标和约束：
- 查询订单是否已发货及当前位置；
- 判断当前状态是否允许修改地址；
- 如果无法修改，再解释适用的退款或拦截流程；
- 涉及权限或例外时转人工。
这类问题更适合按任务依赖顺序处理，而不是强行压缩成一个标签。对于可执行Agent，还需要明确每一步失败后的兜底。关于Agent与固定流程机器人的区别，可以阅读AI客服Agent与传统聊天机器人有什么区别。
上线前如何测试意图识别？
建立独立测试集
测试问题不能与训练样本完全重复。应从历史会话中脱敏抽取，并保留口语、错别字、混合语言、情绪表达和多意图问题。
建立混淆矩阵
记录“真实意图”和“系统预测意图”，重点看哪些意图互相误判。
| 真实意图 | 预测为物流查询 | 预测为退款申请 | 预测为No-match |
|---|---|---|---|
| 物流查询 | 正确数 | 误判数 | 漏识别数 |
| 退款申请 | 误判数 | 正确数 | 漏识别数 |
实际表格应填写企业自己的测试数据，本文不提供虚构准确率。
分开观察三类结果
- 正确匹配；
- 错误匹配；
- No-match或澄清。
只看“匹配率”会掩盖错误匹配。系统把所有问题都分到某个意图，匹配率可以很高，但客户体验可能更差。
每次只修改一个主要变量
先修正意图边界或训练样本，再调整阈值。样本、阈值和流程同时变化时，很难判断是哪项修改造成结果变化。
意图识别上线后应该复盘什么？
每周或每个运营周期至少查看：
- 出现次数最多的No-match表达；
- 最常互相混淆的意图；
- 转人工率异常高的意图；
- 应转人工但未转的高风险问题；
- 缺少必要参数导致流程中断的问题；
- 不同语言和渠道的差异；
- 新商品、新政策和新活动产生的新意图。
如果发现系统已经正确识别“退款进度”，但知识库仍返回过期政策，就应该修知识而不是继续加训练样本。知识结构和版本管理可以参考客服知识库怎么搭建。
用WuwenAI测试意图、知识与人工流程
WuwenAI官网公开说明其AI客服具备自动回复和意图识别能力，同时提供自动化流程、团队协作和客户资料管理。实际使用时，可以从一类高频问题开始，测试客户表达如何进入回答、澄清、自动化或人工接管流程。
准备一批脱敏历史问题，并提前写好真实意图和期望动作。测试重点不是AI能否给每句话贴上标签，而是识别结果能否把客户带到正确的知识、人员和下一步。
👉 免费试用WuwenAI，免费测试全球AI客服工具，为您降本增效。
常见问题
AI客服意图识别是什么？
它是把客户自然语言映射到业务目标和下一步动作的过程，例如将“包裹十天没更新”识别为物流异常，并进入查询或人工处理流程。
意图识别置信度越高越好吗？
不能只追求高数值。阈值过低容易错误匹配，过高会增加No-match。应使用独立测试集，按语言、意图风险和渠道验证误判与漏识别。
No-match应该怎么处理？
第一次可以提出有方向的澄清问题，持续失败时应提供人工或留资入口，并保存原始表达供运营复盘，不能无限重复“没有听懂”。
训练样本是不是越多越好？
不是。大量重复、边界模糊的对话样本可能造成意图偏置。对话样本应覆盖真实表达、相邻意图和渠道语言差异，并保持每个意图边界清楚。
一句话有多个意图怎么办？
应识别主目标、约束和任务依赖，按业务顺序处理。例如先查询物流，再判断能否改地址，最后处理退款条件，而不是只取最后一个关键词。