LLM 意图分类：实战教程（2026）

意图分类将用户消息路由到正确的处理程序——"账单问题" vs "错误报告" vs "功能请求"——是大多数聊天机器人和 Agent 的入口。LLM 使得构建快速且对措辞鲁棒，但关键在于可靠且低成本地实现。本指南展示了实用模式。

模式：受限分类

给一个小型/廉价模型提供固定的意图列表，并强制它以结构化输出返回其中之一——不要让它自由发挥。

python
from openai import OpenAI
from pydantic import BaseModel
from typing import Literal
client = OpenAI()
class Intent(BaseModel):
    intent: Literal["billing", "bug_report", "feature_request", "other"]
    confidence: float
def classify(text: str) -> Intent:
    r = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role":"system","content":"将用户消息分类为一种意图。"},
            {"role":"user","content":text}],
        response_format={"type":"json_object"},
    )
    import json
    return Intent(**json.loads(r.choices[0].message.content))

使用严格的模式，使输出始终是您的意图之一——参见结构化输出 / Pydantic AI vs Instructor。强制选择背后的机制是函数/工具调用。

使其可靠且廉价

使用小模型（gpt-4o-mini / Haiku）——分类很少需要前沿模型。参见GPT-4o mini vs Claude Haiku。

约束标签集，使用枚举/Literal；添加显式的 "other" 用于未知类别。

在系统提示中为模糊情况提供少量示例。

返回置信度，并将低置信度消息路由到后备或人工处理。

考虑嵌入用于极高并发：通过最近邻分类到标记示例（比 LLM 调用更便宜）——参见语义搜索。

何时微调

如果并发量巨大且意图稳定，微调的小模型或嵌入分类器可以进一步降低成本和延迟。从提示分类开始；只有当并发量证明合理时才升级到微调。

常见问题

使用哪个模型？ 小型模型——分类很简单；将前沿模型留给任务本身。 如何保证有效标签？ 枚举/Literal + 结构化输出，加上 "other" 兜底。 嵌入还是 LLM？ LLM 用于灵活性；嵌入用于高并发、成本敏感的路由。 如何处理不确定性？ 返回置信度，并将低置信度情况路由到后备/人工处理。

总结

LLM 意图分类 = 廉价模型 + 受限标签集 + 结构化输出，加上基于置信度的后备。使用 Literal/枚举保证有效标签，为棘手情况提供少量示例，并在并发量要求时转向嵌入或微调模型。它是聊天机器人和 Agent 的可靠入口。

---

*最后更新：2026 年 6 月。请根据 OpenAI 文档验证 API。*