智能销售助手架构 -V2

目录

• 意图识别
  • 详解
  • 一句话区分（建议写进枚举注释）
  • 一、核心差异维度对照表（定锚）
  • 二、典型问题对比（非常直观）
    • FACT_QUERY（“给我一个值”）
    • KNOWLEDGE_QUERY（“给我一个解释”）
  • 三、为什么一定要分（工程原因）
    • 1️⃣ 路由成本不同
    • 2️⃣ 回答稳定性要求不同
  • 四、一个非常实用的判断问题（Coordinator 用）
  • 五、最容易混淆的边界案例（重点）
    • Case 1
    • Case 2
    • Case 3
    • Case 4
  • 六、在你架构里的正确使用方式
  • 一、核心差异维度对照表（定锚用）
  • 二、逐类深拆（避免混淆）
    • 1️⃣ DECISION_SUPPORT（决策支持）
    • 2️⃣ OBJECTION_EXPRESSION（犹豫 / 反对）
    • 3️⃣ FLOW_ADVANCE（流程推进）
  • 三、最容易混的几个边界案例（重点）
    • Case 1
    • Case 2
    • Case 3
    • Case 4

意图识别

INTENT_CLASS =
- FACT_QUERY            // 事实即可闭环
- KNOWLEDGE_QUERY       // 知识问答
- DECISION_SUPPORT      // 决策支持，我还没想清楚
- FLOW_ADVANCE          // 流程推进，我已经不太想了
- OBJECTION_EXPRESSION  // 犹豫 / 反对，我想好了，现在怎么做

详解

这是一个看似简单、但如果不分清会直接影响路由成本和系统复杂度的点。
我直接给你一个工程可用、可判定、可标注的区分方式。

---

一句话区分（建议写进枚举注释）

FACT_QUERY
= 询问一个“确定的、可枚举的、业务事实值”

KNOWLEDGE_QUERY
= 询问一个“需要解释、归纳或背景说明的知识点”

---

一、核心差异维度对照表（定锚）

维度	FACT_QUERY	KNOWLEDGE_QUERY
答案形态	单一值 / 列表 / 枚举	段落 / 结构化解释
是否依赖上下文	很弱	较强
是否需要推理	否或极少	是
是否有“标准答案”	有	相对
数据来源	结构化数据 / API	文档 / 说明 / FAQ
是否状态相关	否	否（通常）

---

二、典型问题对比（非常直观）

FACT_QUERY（“给我一个值”）

• “这款耳机多少钱？”
• “库存还有吗？”
• “支持 7 天退货吗？”
• “续航多久？”
• “客服电话是多少？”

👉 本质：填空题

---

KNOWLEDGE_QUERY（“给我一个解释”）

• “什么是主动降噪？”
• “ANC 和 ENC 有什么区别？”
• “为什么这款耳机适合通勤？”
• “蓝牙 5.3 有什么好处？”
• “保修政策是怎么回事？”

👉 本质：简答 / 论述题

---

三、为什么一定要分（工程原因）

1️⃣ 路由成本不同

• FACT_QUERY

  • 直接查 API / DB
  • 低延迟、低成本
  • 适合 ReactAgent

• KNOWLEDGE_QUERY

  • 需要语义检索 + 组织语言
  • 成本高
  • 适合 RAGAgent

---

2️⃣ 回答稳定性要求不同

• FACT_QUERY

  • 错一个字就是错
  • 强一致性

• KNOWLEDGE_QUERY

  • 可接受表述差异
  • 强可读性

---

四、一个非常实用的判断问题（Coordinator 用）

这个问题的答案，能不能放进一个字段里？

• 能 → FACT_QUERY
• 不能 → KNOWLEDGE_QUERY

---

五、最容易混淆的边界案例（重点）

Case 1

“这款耳机续航怎么样？”

• ❌ FACT_QUERY（不是在要一个值）
• ✅ KNOWLEDGE_QUERY（需要解释使用场景、条件）

---

Case 2

“续航多久？”

• ✅ FACT_QUERY
  （例如：单次 8 小时，总 30 小时）

---

Case 3

“支持主动降噪吗？”

• ✅ FACT_QUERY（Yes / No）

---

Case 4

“主动降噪效果好吗？”

• ✅ KNOWLEDGE_QUERY（主观 + 场景）

---

六、在你架构里的正确使用方式

Coordinator 粗分

FACT_QUERY / KNOWLEDGE_QUERY
    → 不走 UserStateAgent
    → 不做 Funnel
    → 直接工具返回

Agent 映射

意图	Agent
FACT_QUERY	ReactAgent
KNOWLEDGE_QUERY	RAGAgent

---

DECISION_SUPPORT
= 用户在主动寻求“判断依据”，还没形成明确倾向

OBJECTION_EXPRESSION
= 用户已经形成负向判断或担忧，并明确表达出来

FLOW_ADVANCE
= 用户判断基本完成，开始询问“下一步怎么做”

---

一、核心差异维度对照表（定锚用）

维度	DECISION_SUPPORT	OBJECTION_EXPRESSION	FLOW_ADVANCE
判断是否完成	未完成	已形成（负向）	已完成（正向）
情绪方向	中性 / 不确定	消极 / 防御	中性 / 行动导向
用户在问	“该不该？”	“我不太行 / 不放心”	“怎么做？”
系统首要任务	提供判断依据	化解阻碍	降低操作摩擦
Funnel 阶段	Consideration	Consideration / Intent	Intent → Purchase

---

二、逐类深拆（避免混淆）

1️⃣ DECISION_SUPPORT（决策支持）

本质：
用户尚未站队，在寻找“做决定的理由”。

典型表达

• “这个值不值？”
• “我这种需求适合吗？”
• “和 XX 比哪个好？”
• “买这个会不会后悔？”

识别要点

• 没有明显情绪
• 没有否定
• 问的是 判断标准 / 对比 / 影响

UserState 特征

{
  "decision_confidence": "low",
  "objection": null,
  "intent": "exploring"
}

---

2️⃣ OBJECTION_EXPRESSION（犹豫 / 反对）

本质：
用户已经形成一个“负向结论或担忧”，并且说出来了。

这是 Funnel 里最危险、也是最有价值的信号。

典型表达

• “有点贵”
• “我担心质量”
• “售后靠谱吗？”
• “感觉不太适合我”

识别要点

• 明确的否定或担忧词
• 情绪或风险感
• 判断已经偏向“不买”

UserState 特征

{
  "decision_confidence": "medium",
  "objection": "price",
  "sentiment": "negative"
}

---

3️⃣ FLOW_ADVANCE（流程推进）

本质：
用户已经心理通过，现在被“流程或操作”卡住。

典型表达

• “怎么下单？”
• “多久能到？”
• “可以分期吗？”
• “下单后能退吗？”

识别要点

• 没有价值判断
• 直接问动作、时间、步骤
• 默认“我会买”

UserState 特征

{
  "decision_confidence": "high",
  "objection": null,
  "intent": "execute"
}

---

三、最容易混的几个边界案例（重点）

Case 1

“我想买，但有点贵。”

• ❌ DECISION_SUPPORT
• ❌ FLOW_ADVANCE
• ✅ OBJECTION_EXPRESSION

原因：

判断已偏负向（贵），只是没完全放弃。

---

Case 2

“这个价位值吗？”

• ❌ OBJECTION_EXPRESSION（还没说贵）
• ❌ FLOW_ADVANCE
• ✅ DECISION_SUPPORT

原因：

在找判断依据，而不是反对。

---

Case 3

“现在买合适吗？”

• 表面像流程
• 实际是 时机判断

✅ DECISION_SUPPORT

---

Case 4

“现在可以下单了吗？”

• 没有犹豫
• 问的是操作

✅ FLOW_ADVANCE

---