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，见表 9-1：
表 9-1 识别质量的度量指标
| 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，见表 9-2：
表 9-2 经典冲突消解策略与框架对应
| 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
表 9-3 意图识别的失败模式与权衡
| 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 实现剖析：上下文隔离、指代消解与参数确定性
本节从 runtime/coordinator.py（4,262 行）与 runtime/intent_recognition.py（3,861 行）摘取三段，印证 9.2 节的上下文隔离、9.2 节的指代消解与 9.5 节的参数提取确定性。
9.9.1 上下文隔离：深拷贝 + 按 Agent 类型裁剪
def _isolate_context(self, user_context):
"""为目标 Agent 构造隔离的上下文副本（深拷贝并裁剪敏感字段）"""
import copy
isolated = copy.deepcopy(user_context) if user_context else {} # ★ 无共享可变状态
isolated.setdefault("user", {})
isolated.setdefault("history", [])
isolated.setdefault("slots", {})
isolated.setdefault("data", {})
agent_type = isolated.get("agent_type", "")
if agent_type != "audit": # 非内审 Agent 不应看到内审数据
isolated.pop("audit_data", None)
if agent_type != "finance": # 非财务 Agent 不应看到财务明细
isolated.pop("financial_data", None)
return isolated这段代码印证 9.2 节：隔离靠"结构上拿不到"，而非"自觉不去看"。
copy.deepcopy 切断共享可变状态，杜绝"A 智能体改了上下文、B 智能体看到脏数据"；按 agent_type 裁剪则是最小权限可见的实现——audit_data 只对 audit 可见、financial_data 只对 finance 可见。裁剪发生在分发之前，因此下游智能体即使被提示注入诱导，也拿不到无权字段。
9.9.2 指代消解：把"它/那个"还原成上一轮的实体
def _resolve_pronouns(self, user_input, session_context):
"""多轮指代消解：检测代词并用会话上下文中的实体替换"""
if not session_context or not isinstance(session_context, dict):
return user_input
pronouns = ["它", "那个", "这个", "上面的", "刚才的", "之前那个", "该"]
if not any(p in user_input for p in pronouns):
return user_input # 无代词，原样返回
slots = session_context.get("slots", {})
if not slots: # 回退：从历史轮次里取最近实体
for turn in reversed(session_context.get("history", [])):
if isinstance(turn, dict) and turn.get("slots"):
slots = turn["slots"]
break
if not slots:
return user_input
replacements = []
for key in ("product_code", "order_id", "work_order_id", "po_id",
"customer_name", "supplier"): # ★ 实体优先级固定
if slots.get(key):
replacements.append((key, str(slots[key])))
if not replacements:
return user_input
resolved = user_input
for pronoun in pronouns:
if pronoun in resolved:
resolved = resolved.replace(pronoun, replacements[0][1], 1)
break # 只替换第一个匹配的代词
return resolved这段代码印证 9.2 节与第 10 章的交界：指代消解是"上下文隔离"之后的一次显式授出。隔离保证智能体拿不到多余数据；消解则把上一轮槽位中的实体，按固定优先级（产品 > 订单 > 工单 > 采购单 > 客户 > 供应商）注入本轮输入。优先级的固定是关键——否则"它"指向哪个实体将随会话状态漂移，路由结果不可复现。代词表与优先级都是确定性规则，不含概率成分。
9.9.3 参数确定性：合并优先级 + exclude_regexes 后过滤
@staticmethod
def _merge_params(base, extra):
"""合并参数槽位：base 优先，extra 仅补充 base 缺失的键"""
merged = dict(base or {})
for k, v in (extra or {}).items():
if v is not None and merged.get(k) is None: # None 不覆盖已有值
merged[k] = v
return merged
@staticmethod
def _filter_by_exclude_regexes(params):
"""用 SLOT-DEFS.exclude_regexes 过滤合并后的槽位值"""
defs = get_slot_defs(use_cache=True) # 槽位定义存 DB，可训练热生效
filtered = {}
for k, v in params.items():
if v is None:
continue
excludes = (defs.get(k) or {}).get("exclude_regexes") or []
if not excludes:
filtered[k] = v
continue
if not any(re.search(pat, str(v)) for pat in excludes):
filtered[k] = v # ★ 命中排除规则的槽位被丢弃
return filtered这段代码印证 9.5 节：参数提取的确定性由"明确的合并优先级 + 可训练的排除规则"共同保证。_merge_params 定义"谁覆盖谁"——调用约定为 LLM 结构化输出优先、正则提取补缺，且 None 不覆盖已有值（避免 LLM 显式 null 抹掉正则结果）。
_filter_by_exclude_regexes 则解决"属性定语被误当实体名"的问题（如"状态为待发布"被当作 product_name）：无论值来自 LLM 还是正则，只要命中该槽位的 exclude_regexes 即丢弃。
关键是 exclude_regexes 存于 SLOT-DEFS（数据库、可训练），因此口径修正不需要改代码，与第 14 章的配置治理一脉相承。
9.10 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。