第 9 章：意图识别与路由：可信的语义分派
9.1 工程问题的本质：语义分派的失败成本
路由解决"这条输入该由谁处理"。语义分派的失败成本并不均衡：把"查库存"路由到下单，会把一次查询变成一次业务操作；把"下单"路由到知识问答，则业务请求悬空。分派错误的代价远高于分派延迟的代价——这一不对称性决定了路由设计的优先级排序。
设计原理： 路由必须同时满足三个性质——可训练（分派规则随业务演化）、可降级（任何输入都有出口）、可审计（分派结果可追溯）。三者缺一，路由就会成为系统中"说不清为什么走这条路"的黑洞。
9.2 上下文隔离：分派的正确性基础
路由正确性的基础是上下文隔离：每个智能体只能看到它该看到的数据。深拷贝保证无共享可变状态；按目标智能体类型裁剪敏感字段（非财务智能体不看到财务明细、非内审智能体不看到内审数据），实现最小权限可见。
原理： 上下文隔离不是"防御性编程"，而是信任边界的实现。协作系统的信任不能建立在"每个智能体都很自觉"上，而必须建立在"结构上拿不到"上。隔离之后的显式注入（intent / slots / 流程实例）则是信任的授出——授出哪些、何时授出，由路由层统一决定。
9.3 路由表：可训练与可降级
路由决策分三层：DB 规则路由（intent_rules 表，target_agent 可训练）→ 内置映射（降级）→ 正则表（再降级）。
原理： 三层结构回答了两个问题。可训练：业务调整路由时改库即可，训练后 reload 生效，无需发版；可降级：数据库不可用时逐级回退，语义层永不因依赖缺失而失去出口。路由本身的治理（谁改、改什么）复用于规则审批链，与第 14 章的配置治理一致。
9.4 识别链路：规则优先、模型兜底
意图识别采用四阶段链路：
输入归一化 → DB 高优先级训练规则 → 确定性短语白名单 → LLM+训练样本 → 正则兜底原理： 四阶段是按"确定性递减、泛化性递增"排列的。规则层命中是零延迟、零成本、完全确定的事实；模型层命中是秒级、消耗 token、有随机性的推断。将规则层置于模型层之前，不是轻视模型，而是让确定的东西先说话——只有当确定的手段无法裁决时，才把不确定性引入。
这一顺序还保证了训练修正的即时性：DB 高优先级规则（priority<10）位于链路第一步，用户训练的正确意图永远优先于白名单与模型。学习的成果（第 14 章）因此能立刻改变行为。
9.5 槽位与参数：事实提取的确定性
意图之后的参数提取同样遵循"确定性优先"：槽位定义（正则、排除规则、单位换算、值映射）存于可训练配置，intent 层与智能体层共用同一提取链路，避免双份正则漂移。查询附加词（"库存大于 100""近 7 天"）由参数解析器提取为结构化条件，规则无法解析的模糊片段才交模型补全，且字段名与操作符均经白名单校验。
原理： 参数是业务事实，事实提取不容许"这次提取到、下次提取不到"的随机性。确定性提取 + 白名单校验，使"用户说什么"到"系统执行什么"的转换链条中，只有语义理解环节允许概率性——参数本身必须是确定的事实。
9.6 消歧：业务策略的编码
多规则命中时按语义优先级链裁决（质量动作优先于质量查询、动作意图优先于查询意图等）。消歧规则集的顺序本身就是业务策略的编码。
原理： 消歧不是技术细节，而是业务风险偏好的形式化。当两条规则冲突时，先满足谁，反映系统对两类错误（漏执行 vs 误执行）的不同容忍度。动作优先于查询，意味着"该执行的操作不能被查询词吞掉"比"查询被误判为操作"更值得避免。
9.7 识别质量度量与经典理论对照
9.7.1 识别质量的度量体系
识别器与路由的质量必须可度量，否则优化无从谈起。四类指标构成最小评估集：
| 指标 | 定义 | 优化手段 |
|---|---|---|
| 意图识别准确率 | 命中意图 / 总输入 | 规则补全、few-shot 增强、训练样本 |
| 路由正确率 | 到达正确 Agent / 总输入 | 消歧规则、DB 路由训练 |
| 规则命中率 | 规则层命中 / 总输入 | 高频句式规则化（零延迟收益） |
| 参数提取召回 | 正确提取槽位 / 应提取槽位 | 槽位定义、排除规则、单位换算 |
原理： 度量驱动的改进遵循"先度量、再归因、后优化"——一次误路由的归因链是：输入 → 识别（哪一层命中）→ 消歧（哪条规则优先）→ 路由（哪张表）→ 执行。任一环都可能出错，度量必须能区分"识别错了"与"路由错了"，否则优化会打在错误的环节上。
9.7.2 冲突消解策略：经典规则引擎理论的对照
多规则命中时的消歧，与经典规则引擎（如基于 RETE 算法的产生式系统）的冲突消解策略（conflict resolution strategy）是同构问题。经典策略有三类，本框架的消歧链可对照其中两类：
| 经典策略 | 语义 | 框架中的对应 |
|---|---|---|
| 特殊性优先（specificity） | 条件更具体的规则优先 | 训练规则 priority<10 高于内置规则 |
| 新鲜度优先（recency） | 最近更新的规则优先 | 训练数据动态白名单（新样本优先收录） |
| 显著性优先（salience） | 显式声明的优先级 | 消歧链规则 1~9 的显式顺序 |
对照价值： 这一对照给出一个设计检验：规则冲突的解决必须是确定性、可解释、可训练的。确定性（同样的输入永远同样的结果）靠固定优先级链；可解释性靠"命中哪条规则、为何优先"可追溯；可训练性靠优先级与分类集合存配置（DISAMBIG-CFG）。三者缺一，消歧就会退化为"说不清为什么"的黑盒。
9.7.3 few-shot 与结构化输出的机理
模型识别层以 few-shot + 函数调用（function calling）产出结构化意图。其可靠性来源有三层，缺一不可：
- schema 约束：模型被要求输出符合意图 schema 的结构化结果，格式错误即失败——结构化输出把"自由文本"的风险前移到解析层；
- 白名单校验：解析结果经已知意图白名单校验，意图名不在名单内一律降级 unknown——模型"发明意图"被拒绝；
- 参数合并：规则提取的参数优先，模型提取的补缺失字段——模型不覆盖确定性事实。
原理： 结构化输出的可靠性是"约束叠加"而非"模型自觉"：schema 约束格式、白名单约束内容、合并约束事实。每一层都是"模型可能错，但结构上错不出去"的实现。
9.8 失败模式与权衡
| 失败形态 | 根因 | 设计应对 |
|---|---|---|
| 查询被路由成操作 | 查询词触发动作意图 | 动作/查询分类集合可训练（DISAMBIG-CFG） |
| 主谓宾歧义误判 | 子串匹配（"查看下订单"含"下订单"） | 白名单整句精确匹配，歧义保留给模型 |
| 识别延迟拖垮会话 | 每轮都走强模型 | 规则预检 + 多轮补充信息零 LLM（见 17.3 节） |
| 跨智能体数据泄露 | 共享上下文 | 深拷贝 + 敏感字段按类型裁剪 |
权衡： 规则优先牺牲了泛化能力（新颖表达须走模型），换取延迟、成本与确定性；可训练的消歧集合在"稳定"与"灵活"之间给了业务方调节权——默认行为保守（规则优先），业务需要时训练放开。
9.9 本章小结
- 分派错误的代价远高于分派延迟，决定路由的优先级排序；
- 上下文隔离是信任边界的实现，而非防御性编程；
- 路由三层结构同时满足可训练、可降级、有出口；
- 识别链路按确定性递减排列，规则先说话、模型兜底；
- 参数提取保持确定性，只有语义理解环节允许概率性。