# 别再说“AI听不懂人话”：从0到1手把手搭一个意图识别 + 槽位提取系统

说句实话，我见过太多所谓“智能对话系统”，本质就是：

> 关键词匹配 + if-else 地狱

用户说一句：“帮我订明天去上海的机票”

系统回一句：“你是要查天气吗？”

——这不叫AI，这叫“人工智障”。

今天我们就来聊一个对话系统里最核心、也是最容易被低估的能力：

👉 **意图识别（Intent Recognition） + 槽位提取（Slot Filling）**

说白了就是：

* 你想干嘛？（意图）
* 你说了哪些关键信息？（槽位）

如果这两件事没做好，后面什么大模型、推荐系统，全是空中楼阁。

---

## 一、先把问题讲明白：什么是意图 + 槽位？

举个最简单的例子：

> “帮我订一张明天从北京到上海的机票”

我们要解析成：

```json
{
  "intent": "book_flight",
  "slots": {
    "date": "明天",
    "from_city": "北京",
    "to_city": "上海"
  }
}
```

你看，本质上就是一个“结构化理解”。

---

## 二、为什么这件事很难？

很多人一开始觉得：

👉 不就分类 + NER 吗？

但真正做起来你会发现：

### 1️⃣ 表达太多样

* 明天去上海
* 我要飞上海
* 帮我订张去魔都的票

👉 全是一个意图

---

### 2️⃣ 槽位不完整

* “帮我订票” → 缺日期
* “明天去上海” → 缺出发地

👉 系统必须能“追问”

---

### 3️⃣ 噪声极多

* “我想大概后天 maybe 去上海吧？”

👉 NLP 的现实就是 messy

---

## 三、先来一个最朴素版本（能跑最重要）

我们先不用大模型，直接用传统方法搞一版。

---

### Step 1：意图识别（文本分类）

```python
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression

texts = [
    "帮我订机票",
    "我要买机票",
    "查一下天气",
    "今天上海天气怎么样"
]

labels = [
    "book_flight",
    "book_flight",
    "check_weather",
    "check_weather"
]

vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(texts)

model = LogisticRegression()
model.fit(X, labels)

def predict_intent(text):
    x = vectorizer.transform([text])
    return model.predict(x)[0]

print(predict_intent("帮我订一张票"))
```

👉 这一步解决：

* 用户“想干嘛”

---

### Step 2：槽位提取（规则版）

```python
import re

def extract_slots(text):
    slots = {}

    # 简单城市识别
    if "北京" in text:
        slots["from_city"] = "北京"
    if "上海" in text:
        slots["to_city"] = "上海"

    # 日期识别
    if "明天" in text:
        slots["date"] = "明天"

    return slots

print(extract_slots("帮我订明天从北京到上海的机票"))
```

👉 很土，但有效

---

## 四、升级一下：用深度学习做联合建模

真正工业级的做法是：

> **Intent + Slot 一起建模（Joint Model）**

为什么？

👉 因为它们是强相关的。

---

### 一个简单的 BiLSTM + CRF 示例

```python
import torch
import torch.nn as nn

class JointModel(nn.Module):
    def __init__(self, vocab_size, hidden_dim, num_intents, num_slots):
        super().__init__()
        self.embedding = nn.Embedding(vocab_size, 128)
        self.lstm = nn.LSTM(128, hidden_dim, bidirectional=True, batch_first=True)
        
        self.intent_fc = nn.Linear(hidden_dim * 2, num_intents)
        self.slot_fc = nn.Linear(hidden_dim * 2, num_slots)

    def forward(self, x):
        emb = self.embedding(x)
        output, _ = self.lstm(emb)

        # intent 用最后一个 hidden
        intent_logits = self.intent_fc(output[:, -1, :])

        # slot 用每个 token
        slot_logits = self.slot_fc(output)

        return intent_logits, slot_logits
```

👉 核心思想：

* 一次输入
* 两个输出（intent + slot）

---

## 五、再往上走一步：用预训练模型（推荐）

现在还手写 LSTM 的人，说实话已经不多了。

直接上 BERT：

```python
from transformers import BertTokenizer, BertModel
import torch.nn as nn

class BertNLU(nn.Module):
    def __init__(self, num_intents, num_slots):
        super().__init__()
        self.bert = BertModel.from_pretrained("bert-base-chinese")
        
        self.intent_fc = nn.Linear(768, num_intents)
        self.slot_fc = nn.Linear(768, num_slots)

    def forward(self, input_ids, attention_mask):
        outputs = self.bert(input_ids=input_ids, attention_mask=attention_mask)
        
        sequence_output = outputs.last_hidden_state
        pooled_output = outputs.pooler_output

        intent_logits = self.intent_fc(pooled_output)
        slot_logits = self.slot_fc(sequence_output)

        return intent_logits, slot_logits
```

👉 优点：

* 少量数据也能起飞
* 表达能力强
* 更鲁棒

---

## 六、对话系统真正难的，其实不是模型

我讲点“踩坑经验”，这部分很多文章不会说。

---

### 1️⃣ 槽位标准化（巨坑）

用户说：

* “魔都” → 上海
* “帝都” → 北京

你要统一：

```python
city_map = {
    "魔都": "上海",
    "帝都": "北京"
}
```

👉 否则系统逻辑全乱

---

### 2️⃣ 多轮对话状态管理（核心）

```python
dialog_state = {
    "intent": "book_flight",
    "slots": {
        "from_city": "北京"
    }
}
```

用户下一句：

> “明天的”

👉 你必须补齐：

```python
dialog_state["slots"]["date"] = "明天"
```

---

### 3️⃣ 缺失槽位要追问

```python
required_slots = ["from_city", "to_city", "date"]

def check_missing(slots):
    return [s for s in required_slots if s not in slots]
```

👉 这才像“会聊天”

---

## 七、一个完整流程（工程视角）

我帮你总结一个落地架构：

```text
用户输入
   ↓
意图识别
   ↓
槽位提取
   ↓
状态管理（多轮）
   ↓
缺失补齐（追问）
   ↓
业务执行
```

---

## 八、说点真心话：大模型时代，这一套还重要吗？

很多人现在会问：

> 有大模型了，还需要意图识别吗？

我的答案是：

👉 **更需要了。**

原因很现实：

* 大模型不稳定
* 成本高
* 可控性差

而：

> **意图 + 槽位 = 可控的“确定性系统”**

最佳实践是：

👉 **小模型做结构化理解 + 大模型做补充理解**

---

## 九、我的一点感受

我做对话系统这么多年，有一个越来越深的体会：

> **对话系统不是“让机器更聪明”，而是“让系统更可控”。**

很多团队一味追求 fancy：

* 用最牛的模型
* 做最复杂的 pipeline

结果：

👉 一上线就崩

反而是那些：

* 意图清晰
* 槽位干净
* 流程简单

的系统，活得最长。

---

## 十、结尾：别做“听不懂人话”的系统

如果你现在的系统：

* 靠关键词匹配
* 经常理解错
* 无法处理多轮对话

那你真的该重构一遍了。

因为：

> **对话系统的本质，不是“说话”，而是“理解”。**

而“理解”的第一步，就是：

👉 **意图识别 + 槽位提取**



👉 意图识别（Intent Recognition） + 槽位提取（Slot Filling）

别再说“AI听不懂人话”：从0到1手把手搭一个意图识别 + 槽位提取系统

人工智能

前端

后端

本文详细讲解如何从0到1搭建意图识别和槽位提取系统，剖析传统方法与深度学习方案，分享工程实践中的关键技巧，帮助开发者构建真正理解用户需求的智能对话系统。

深度学习

2026新春采购季

fele

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

别再说“AI听不懂人话”：从0到1手把手搭一个意图识别 + 槽位提取系统-腾讯云开发者社区-腾讯云

别再说“AI听不懂人话”：从0到1手把手搭一个意图识别 + 槽位提取系统

别再说“AI听不懂人话”：从0到1手把手搭一个意图识别 + 槽位提取系统

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐