Agent架构秘籍：意图识别与查询分发系统设计，非常详细收藏我这一篇就够了!

Agent架构中的意图识别与查询重写
原创 于 2025-11-24 20:13:16 发布 · 284 阅读 · 19 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#AI大模型 #人工智能 #Agent #大模型 #程序员 #大模型教程 #大模型学习

在构建智能体或 RAG 系统时，我们经常面临一个核心挑战：用户的自然语言输入与系统的执行逻辑之间存在巨大的鸿沟。

用户说：“我电脑连不上网了。”

系统如果直接检索：“电脑连不上网”，可能会匹配到一堆无关的维修广告。

但一个成熟的 IT 支持 Agent 应该做的是：

  1. 识别意图：这是一个“故障排查”请求，不是“购买咨询”，也不是“闲聊”。

  2. 重写查询：将口语化的描述转化为技术检索词，如“网络连接失败 故障排查 步骤 Windows/Mac”。

  3. 路由分发：调用“IT 知识库检索”工具，而不是去查“员工手册”。

这就是 意图路由（Routing） 和 查询重写（Rewriting） 的价值。它们构成了 Agent 的推理层，决定了系统是“智能”还是“智障”。

本文将深入探讨这两个模块的通用设计模式、prompt 工程最佳实践，以及它们在 dify/coze 等平台中的复用逻辑。

01 意图路由

意图路由的本质是一个分类任务（Classification Task）。它的目标是根据用户的输入，将控制权分发给最合适的下游工作流或工具。

在企业级应用中，这通常对应着不同的业务部门或数据孤岛。

一个典型的企业级 agent 路由逻辑简单示例如下：

图片

 

通用路由 Prompt 模板

实现高准确率路由的关键，在于 Prompt 的设计必须遵循 “定义明确、边界清晰、输出结构化” 的原则。

以下是一个通用路由 prompt 模板示例：# Role
你是一个智能系统的意图分类器。你的任务是接收用户输入，并将其精准分类到预定义的意图类别中。

# Intent Definitions (意图定义)
请基于以下标准进行判断：

1.  **[Knowledge_Retrieval]**: 
    - 定义：用户询问关于产品功能、公司政策、操作手册等客观事实。
    - 示例："如何重置密码？"、"年假有多少天？"
    
2.  **[Data_Analysis]**: 
    - 定义：用户需要查询具体的业务数据、报表或进行统计分析。通常包含时间、指标和聚合需求。
    - 示例："上个月销售额是多少？"、"统计各部门人数。"
    
3.  **[System_Action]**: 
    - 定义：用户请求执行某个具体操作或变更系统状态。
    - 示例："帮我提交这个请假条"、"预订明天的会议室。"
    
4.  **[General_Chat]**: 
    - 定义：问候、闲聊或不属于上述任何类别的通用问题。

# Constraints (约束)
- 不要尝试回答用户的问题。
- 仅输出分类标签，不要包含任何解释。
- 输出格式必须为 JSON: {"category": "分类标签"}

# User Input
{{user_query}}

这种路由逻辑是通用的，比如：

  • 在 python 代码中：这是 RouterChain 或 LLMChain 的核心逻辑。

  • 在 dify 中：对应 “问题分类器” 节点。你只需在界面上填入上述分类定义，系统会自动生成分支。

02 查询重写

用户的提问往往是模糊的、缺失上下文的，甚至是带有误导性的。查询重写（Query Rewriting）的目标，是将用户的“原始需求”转化为机器可理解的“精准指令”。

1. 常见重写策略

根据不同的业务场景，重写策略可以分为以下三类：

  • 同义扩展：解决专有名词匹配问题。

    • 输入：“我想买个本子。”

    • 重写：“笔记本电脑 Laptop 办公电脑 价格 型号”

  • 指代消解：解决多轮对话中的上下文缺失。

    • 输入：“它多少钱？”（上文聊的是 iPhone 15）

    • 重写：“iPhone 15 的价格是多少？”

  • 后退提示：解决问题过于具体导致检索失败的问题，将其抽象化。

    • 输入：“为什么我的 Python 代码报了 KeyError？”

    • 重写：“Python 中 KeyError 的常见原因及解决方法。”

2. 高级策略：HyDE (假设性文档嵌入)

在一些复杂的知识检索场景中，单纯的关键词重写不够用。我们可以使用 HyDE (Hypothetical Document Embeddings) 技术。

逻辑：让 LLM 先生成一个“假设的答案”，然后用这个“假设答案”去检索“真实文档”。因为“答案”和“答案”在向量空间中比“问题”和“答案”更接近。

图片

 

通用重写 Prompt 模板

以下是一个集成了“多角度分解”和“关键词优化”的prompt：# Role
你是一个搜索查询优化专家。你的目标是将用户的原始问题转化为搜索引擎或向量数据库更容易理解的查询版本。

# Instructions1.  
1.  **分析意图**：理解用户问题的核心需求。
2.  **消除歧义**：如果问题包含模糊代词（如“它”、“那个”），请结合常识进行补全。
3.  **关键词提取**：提取核心实体、动作和约束条件。
4.  **多维度扩展**：生成 3 个不同角度的搜索查询，以提高召回率。

# Output Format
请直接输出一个 JSON 列表，包含优化后的查询字符串：
["查询版本1", "查询版本2", "查询版本3"]

# Examples
User: "最近那个很火的 AI 视频工具叫什么？"
Output: ["OpenAI Sora2 介绍", "AI 视频生成工具 推荐 2025", "热门 文本转视频 AI 模型"]

User: "怎么配置那个环境变量？"
Output: ["配置系统环境变量 教程", "Windows/Linux 设置环境变量 步骤", "Python PATH 环境变量配置方法"]

# User Input
{{user_query}}

03 意图识别与元数据过滤的联动

在结构化数据查询（如商品检索、简历筛选）中，意图识别不仅仅是分类，还需要提取实体（Entity Extraction），用于构建结构化的过滤条件（Pre-filtering）。

这是连接自然语言与数据库查询（SQL/NoSQL）的关键桥梁。

场景示例： 用户输入：“帮我找几个北京的、三年经验以上的 Java 工程师。”

处理流程：

  1. LLM提取：

    1. location: "北京"

    2. years_of_experience: { "$gte": 3 }

    3. skill: "Java"

    4. role: "Engineer"

  2. 系统动作：

    1. 生成数据库查询语句（或向量库 Filter）。

    2. 执行精确检索。

图片

 

无论是手写代码，还是使用dify/coze等平台，“意图路由” 和 “查询重写” 都是构建高质量 Agent 的必修课。

  • 意图路由 解决了 “去哪里” 的问题，防止了通用大模型在垂直领域胡乱回答。

  • 查询重写 解决了 “怎么查” 的问题，弥补了人类表达与机器索引之间的差异。

在 Agent 开发中，我们将不再直接把用户输入扔给 LLM，而是会构建一个由 Router（路由）、Rewriter（重写）、Extractor（提取） 组成的推理前处理层。

这层“认知中间件”，才是区分一个简单的 Chatbot 和一个真正的智能业务助理的分水岭。

 最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

  • ✅AI大模型学习路线图
  • ✅Agent行业报告
  • ✅100集大模型视频教程
  • ✅大模型书籍PDF
  • ✅DeepSeek教程
  • ✅AI产品经理入门资料

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇
​​
在这里插入图片描述

为什么我要说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

img
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

在这里插入图片描述

​​
在这里插入图片描述

资料包有什么？

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点
在这里插入图片描述

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

在这里插入图片描述

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

在这里插入图片描述

④各大厂大模型面试题目详解

在这里插入图片描述
⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

在这里插入图片描述
在这里插入图片描述

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​在这里插入图片描述
在这里插入图片描述

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

在这里插入图片描述

Agent × RAG 联动系统实战：从推理决策到知识增强的动态协同架构设计
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
05-03 1283
随着智能 Agent 在问答、决策、调度等场景中的深度落地，其推理边界逐渐受限于模型本体知识的陈旧与封闭。而基于 Retrieval-Augmented Generation（RAG）结构的动态知识增强能力，恰好为 Agent 推理系统提供了关键“第二认知通道”。本文系统性解析 Agent × RAG 联动体系的工程实现路径，覆盖知识检索调度、语义路由控制、Agent-RAG交互接口设计、推理链中的知识嵌入机制以及动态记忆更新与行为决策协同闭环。通过多个生产级案例展开分析，本文提供一套完整可执行的 RAG
企业级 Agent 协作系统安全机制与权限控制实战：认证、授权与行为审计体系构建
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
05-04 1570
在企业级多智能体协作系统中，多个 Agent 组件在复杂任务流中协同运行，涉及多租户环境下的任务分发、策略执行与资源共享，系统安全问题不容忽视。如何构建完善的身份认证机制、精细化的权限控制体系与可追踪的行为审计链，成为保障 Agent 系统运行合规性、控制边界风险与实现权限最小化原则的关键。本文围绕“认证机制、权限控制模型、行为审计系统、安全联动策略”四大核心模块，系统梳理企业级 Agent 协作系统的安全落地路径，并结合生产实践场景提供可直接部署的架构与策略方案。
AI Agent路由模块设计指南：4种模式，打造高效智能体！非常详细收藏我这一篇就够了
2401_84204207的博客
11-09 463
导读 本篇来聊聊智能体系统里常见的模块：路由。内容包含路由的作用、实现路由的4种常见模式及其对比。 路由模块的作用 企业都在拥抱AI，要么想把现有系统AI化，要么想用智能体重构。在建设智能体的过程中，大概率要引入路由模块。
企业级多智能体AI系统构建实战，非常详细收藏这一篇就够了！
Trb201013的博客
08-03 738
《企业级多智能体AI系统开发指南》摘要 本文档详细阐述了基于LangGraph和LangSmith构建企业级多智能体AI系统的完整技术方案。内容涵盖： 理论落地：严格遵循BDI认知架构理论，实现信念-欲望-意图循环的企业级转化，包括智能体管理器、通信总线等核心组件设计。 技术实现：提供专业化智能体开发框架，集成LangGraph工作流引擎和LangSmith全链路追踪，支持高并发异步通信和分布式状态管理。 工程实践：包含智能客服系统等应用案例，以及Docker/K8s部署方案，强调企业级高可用、安全和性能优
AI智能体架构设计完全指南：从LLM Agent到Muti Agent，收藏这篇就够了！
2401_85154887的博客
09-21 958
文章详细介绍了AI智能体的三阶段架构设计演进：从LLM Agent到AI Agent再到Muti Agent，以及三大关键技术Function Calling、MCP和A2A的对比分析。阐述了AI智能体如何从简单的聊天机器人发展为具备规划、记忆和工具使用能力的复杂系统，再到多智能体协作网络，剖析了不同技术的特点、适用场景和优缺点，为开发者提供了构建AI智能体的技术路线参考。
AI Agent部署策略：从架构选择到落地实践的全景指南，非常详细收藏我这一篇就够了！
2401_84204207的博客
10-14 1015
本文深入探讨了AIAgent的四种核心部署策略：批处理、流处理、实时和边缘部署，为技术决策者提供实用指南。批处理适用于金融风控等大规模数据处理；流处理实现工业物联网等实时分析；实时部署支撑智能客服等交互场景；边缘部署则保障医疗诊断等隐私敏感应用。文章通过具体案例、技术架构和实施细节，展示了不同部署模式的业务适配性、性能指标和优化技巧，并提供了混合部署建议。随着Serverless、联邦学习等新技术发展，部署策略将持续演进，成为企业数字化转型的核心竞争力。
从单Agent到多Agent：面向领域场景的React框架设计与演进，收藏这一篇就够了！！
bugyinyin的博客
08-08 797
基于大模型的领域场景开发，说到底无非是借助基座模型对语义的理解推理能力，将通用AI变为专有AI工具的过程。但仅仅只做模型调用，来实现复杂类需求，对生产力的提升并没有太大帮助。因此在围绕提升研发生产力的过程，从大模型问世到现在，卷出了各种大模型工程规范。从最早的提示词工程到RAG，再到流程编排模式，每个阶段无疑都是对研发生产力的不断提升。
【AI大模型】Agentic AI全解析：从LLM局限到智能代理架构的演进与实战指南，收藏这一篇就够了！！
2401_85325557的博客
09-16 1026
本文详细介绍了Agentic AI的概念、发展历程、核心技术原理及产品形态。从LLM的局限性出发，阐述了Agentic AI如何通过自主感知、目标导向、规划决策等能力实现从"内容生成"到"任务执行"的转变。文章系统梳理了从Prompt Engineering到Multi-Agent范式的技术演进，分析了各类AI Agent的特点与应用场景，并探讨了当前面临的关键挑战与解决思路，为读者提供了构建智能代理系统的全面视角。
什么是 AI Agent？简要介绍与构建指南，零基础小白看这一篇就够了！！
2401_85325557的博客
04-27 602
下一件大事？ Gartner 认为 AI Agent 将引领未来。OpenAI、Nvidia 和 Microsoft 都在下注，就连在 AI 领域一直比较低调的 Salesforce 也开始布局。 这一趋势确实正在快速起飞。
RAG 架构图解：从基础到高级的7种模式，收藏这一篇就够了！！
2401_85325397的博客
03-08 1018
「RAG 技术通过在 AI 生成过程中引入外部知识检索，从基础的文档查询发展到多模态、Multi-Agent 体协同的智能架构，让 AI 回答更准确、更全面」
深入解析Agentic RAG：从架构到实践，一篇文章全掌握，非常详细非常详细收藏这一篇就够了！
2401_84204207的博客
10-27 814
【AI大模型技术演进：从RAG到智能体式RAG的跨越】本文系统梳理了检索增强生成（RAG）技术的演进历程，重点探讨了新兴的智能体式RAG架构。文章首先对比传统RAG与智能体式RAG的差异，指出后者通过引入AI智能体实现自主决策和动态编排。随后详细分析了7种智能体式RAG分类（单智能体、多智能体、纠正型等）及其应用场景，并提供了构建智能体式RAG系统的完整教程。研究显示，智能体式RAG能有效解决传统系统在上下文整合、多步推理等方面的局限，为金融分析、医疗诊断等复杂场景提供更优解决方案。最后强调该技术仍需在协调
AI Agent（5）：多Agent协作系统
分享一些感兴趣的技术方面
05-07 1463
多Agent系统(Multi-Agent System, MAS)是由多个智能Agent组成的网络，这些Agent相互交互、协作或竞争，共同解决单一Agent难以处理的复杂问题。在这个系统中，每个Agent都是一个独立的智能体，具有自己的知识、能力和目标，但通过协作可以实现整体能力的提升。多Agent协作系统代表了AI Agent技术的重要发展方向，通过组合多个专业化Agent的能力，可以解决单一Agent难以应对的复杂问题。
AI大模型应用架构演进：从LLM基础到Agent协作的范式转移
fudaihb的博客
07-15 1228
人工智能领域正经历一场深刻的架构变革。从早期单一的大语言模型（LLM）到如今的智能体（Agent）协作网络，AI应用架构的演进不仅代表着技术能力的提升，更标志着设计范式的根本转变。随着2025年全球AI算力突破1000 EFLOPS（百亿亿次浮点计算/秒）大关，这一演进正在加速重构各行业智能化解决方案的技术底座。
AI Agent（3）：Agent分类与类型
分享一些感兴趣的技术方面
05-05 1009
本文从功能复杂度、自主程度、交互方式和应用领域四个维度对AI Agent进行了分类，并探讨了不同类型Agent的特点、优势和应用场景。这些分类维度不是孤立的，而是相互交织、相互影响的。理解AI Agent的分类与类型，有助于我们更好地选择、设计和应用适合特定场景的Agent解决方案。随着技术的不断进步，AI Agent的类型将更加多样化，分类边界也将更加模糊，但这种多样性恰恰体现了AI Agent技术的丰富性和适应性。
黄仁勋GTC开场：「AI-XR Scientist」来了！
2501_94005722的博客
11-20 1307
丛乐 (Le Cong)，斯坦福大学医学院病理学系和遗传学系教授。他被公认为是 CRISPR 基因编辑领域的奠基人之一。早在哈佛大学攻读博士学位期间，丛乐在导师张锋（Feng Zhang）和乔治・丘奇（George Church）的指导下，作为第一作者在 Science, Cell, Nature 杂志上发表了数篇标志性论文，首次证实 CRISPR/Cas9 系统可以在哺乳动物和人类细胞中实现基因编辑，为这一革命性技术的后续应用奠定了基石。
传统NLP算法
记录成长‌，知识沉淀，连接同行‌
11-19 726
传统NLP算法与当前大模型的对比分析 传统NLP算法主要基于规则和统计模型（如HMM、CRF、SVM），依赖人工特征工程和领域知识，适合特定任务但泛化能力有限。其优势在于可解释性强、计算资源需求低。典型应用包括分词、命名实体识别和文本分类等。 现代大模型（如Transformer架构LLM）采用预训练-微调范式，通过海量数据自动学习语言表示，具备强大的生成能力和跨任务迁移性。它们能处理复杂任务如对话生成和多语言翻译，但需巨额计算资源。 二者存在技术演进关系：大模型继承了传统NLP的核心思想，但通过深度学习实
基于华为开发者空间实现花卉识别
优快云高校俱乐部官方博客
11-21 1447
基于华为开发者空间实现花卉识别
人工智能在医疗行业的革命性应用：从诊断到个性化治疗
2501_94114442的博客
11-21 459
人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。
【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake
最新发布
人生不是轨道，是旷野。希望每天都有好心情。
11-23 129
由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值