为了使用AI，让大部分人学着写Prompt，然后被快速迭代
同样很多人拿到AI结果超出预期，然后对一款AI应用一个模型就赞叹不已
但反过来说，超出预期不也是没有击中你的意图嘛？
那它的意图揣测，还是否合格呢？文章内，没有答案，只是我的实验思索，做个垂类场景下的意图拆解。而且这只是中间态，等待明年这时候，独立AI就可能覆盖这些信息（甚至现在的LLM已经如此处理了）
文章很碎，想到哪儿写到哪儿。虽然设计结构可套用在很多当场景，但本文只停留在意图揣测，
这几个月，无论是在公司项目，还自己实验性研究项目。面向消费场景下的AI，意图揣测是绕不过去的坎。
我线上线下收集数据，试图将意图定义的更准确，利用RAG来协助矫正。但结果就是RAG越来难以维护，某一场景下的意图越来越泛泛。
用户输入一定包含了多层意图，而不是纸面信息。从浅层意图的“直接动作”，到中层意图的“任务目标”，最后深层意图的“隐性动机”，AI往往在任务目标的理解时已经失真。
在一个黑盒AI上，所有做过Agent工程的同学，都会拆解到下面几个层级：
Raw Input ➡️ Abstraction Layer ➡️ Modeling Layer ➡️ Output Layer
我精炼了一下每个层级风险
Abstraction Layer：有忽略上下文的风险
Modeling Layer：存在过度简化细节风险
Output Layer：存在收敛失真风险
AI的 节点碎片化与结构化
这有点像在写游戏角色控制器，如同状态机，设计合理debug轻松，设计不合理，一样黏连成网就像是走迷宫
基于上面三个层级这么几个设计思维：
- 保持每个节点只有一到两个信息片输入，关键节点则最多三个输入
- 每个层级之间的节点相互独立，互不干扰
- 每个节点用于处理信息片的System Prompt干练简洁描述，定义简洁输出
- 每层串联节点之间，做好合理的动态权重（若有必要则需要做几个条件平均节点，做信息收敛）
- 最后输出层，一定要加入扰动节点（看业务状态，目标是增加输出的鲁棒性，给用户一定的二次编辑权）
- 建立独立于流程中的过载信息收集节点，一般在输出前做校验，用于打动态信息补丁或者重跑Modeling layer层的节点做信息建模
- 建立额外一条全AI自主的workflow（非人工接入，时情况兜底）
- 节点信息不回流，节点只跑一次，节点不人为设定“身份”，节点只做“螺丝左拧15度”的任务
穷举与建模
缺少数据，RAG索引不完善，在垂类场景下时最合适的应用
第一部分的核心思想为：
咬文嚼字
咬文嚼字，故名思义，每个节点只读上下文中的一个信息片，做好“模糊 ➡️ 结构化的转译”。所以需要一个独立Agent做字词图上下文任务的穷举拆分，同时通过构造函数创建几个接受独立信息片的Agent。
由于这部分的节点创建输入输出都是名词未知的，所以我称这些节点为无量纲节点。而且每次任务都会节点销毁，再创建。
这些节点目的是，解析单个词在上下文和有限语境中的可能穷举
第二部分的核心思想：
多层次意图建模
意图是分层的：
1. 显性意图- 关键词
2. 隐性意图- 用户历史偏好/上下问词缀联动
3. 深层意图：情绪/表达目标（孤独、力量、童趣、深邃）
该层级下，最基础需要建立3三个节点（如果上级节点超过9个（一般来说也就3～5个），则需动态扩建，否则AI内部失真严重），分别承接处理，输出结果为硬信号、软信号、弱信号：
Hard Signals ➡️ 必须满足
Soft Signals ➡️ 可以参考
Weak Signals ➡️ 尝试性灵感
最后就是条件加权的节点介入，做到硬信号要锁死，软信号可平衡，弱信号保持弹性
第三部分的核心思想：
验证偏差
这块就会依赖过载信息节点的输出，与最终output做偏离矫正。
用户输入的信息越少，而信息离散较为集中，则说明用户没有非常深度的信息，可以直接输出
用户输入的信息越大，信息离散过多，则需要执行多条输出，甚至重新做硬/软/弱信号的解析
至于偏差值则由业务而定，创作类的可以较大，效能类的则需要收窄。
有人会吐槽：这token不是很浪费嘛？
但是实际上精炼的输入输出和长篇输入输出差距不大，缺点就是和三方服务的交互时长。导致工程中常常多个任务并排跑
写在最后——输出常见坑点
- 过度揣测，AI替用户做主，生成了“地狱风火焰怪物”，而用户只是想要一个“温柔火焰小精灵”。
扰动节点，避免锁死单一解读。
-
模糊与执行性的冲突，创作者的模糊表述有价值，但AI需要结构化结果。
这个很难解决，如同“意境”与“描述”，也是最大卡点
-
偏好漂移，过度依赖历史偏好会误导结果。
这个问题虽然没在实验中出现过，但仍需引入短期/长期权重，允许偏好切换。
-
黑箱感，AI揣测的结果用户“不知道为什么是这样”
也就是所谓的抽奖，LLM的thinking模式会把思考过程告知给用户，纯文字过程也可以这样去做预期管理。
-
模型幻觉/乱加戏，AI可能胡乱补充，在扰动中常见问题
保持可解释性，并让用户快速修正。
这个是真·商业实战的意图揣测设计落地，超级厚码保护！
