查询意图分类与生成策略

可视化演示

展示SGE三大核心：查询意图三分类（导航型直接返回链接信息型摘要+引用事务型操作指南LM分类器输出意图标签）、意图驱动差异化生成策略（nav->link卡片inf->summary+sources trn->step-by-step guide）、SGE完整流程（查询经意图分类器路由信息型走检索生成导航型走直达事务型走操作指南端到端2-3秒）,三模式切换理解生成式搜索全貌。

查询意图类型

设想你是一家餐厅的服务员。一位熟客推门而入，径直走向窗边的固定座位——你要做的，只是点头示意，压根不需要递菜单。一位新顾客站在门口，盯着墙上的手写菜单牌犹豫不决——你得走过去，把那道招牌菜从头到尾讲一遍。第三位顾客还没坐下就掏出手机扫桌上的点餐码——他要的是下单、支付一条龙服务。同一位服务员，面对三种完全不同的顾客，会本能地切换应答方式。

在生成式搜索（SGE/SearchGPT）中，用户输入的查询词就像顾客的一句话。有的查询带着明确目的地，例如“支付宝官网”；有的带着好奇心，例如“大模型和传统模型有什么区别”；有的带着任务，例如“订一张明早去北京的机票”。业界把这三类分别称为导航型查询、信息型查询和事务型查询。导航型查询（Navigational）意味着用户已确定目标站点，搜索只是“跳转的桥梁”；信息型查询（Informational）意味着用户渴望获取知识、比较选项；事务型查询（Transactional）则意味着用户希望完成购买、预订、下载等操作。

对这三类的判断，通常被建模为分类问题：系统计算查询 \(x\) 属于类别 \(y\) 的概率，并取概率最大者作为最终意图。意图判断准确，后续生成策略才能有的放矢；判断失误，再好的答案模板也会驴唇不对马嘴。

服务员心里其实也在做同样的计算：这位顾客是要指路、讲解，还是办事？只不过这种计算发生在潜意识里，而搜索系统需要模型明明白白地输出一个置信度最高的答案。判断准了，后面的应答自然顺畅；判断错了，再豪华的答案模板也救不回来。

意图识别方法

还是那家餐厅。老服务员王姐干了二十年，听到“靠窗”两个字就知道客人要坐哪；新来的小李经过三个月培训，学会从客人的神态、语速和动作推断需求；而领班老张更厉害，任何突发状况都能灵活处理。这三种能力，恰好对应意图识别的三种技术路线：规则匹配、分类模型、LLM识别。

最早的搜索系统靠规则打天下。工程师列出一张关键词清单：“官网”“登录”“首页”命中任一，就判为导航型；“什么是”“怎么样”命中，判为信息型；“购买”“预订”命中，判为事务型。这像王姐的死记硬背，简单直接，但碰到新词、口语化表达就失灵了。后来机器学习模型登场：系统收集大量“查询—意图”标注数据，训练一个分类器，常见的是朴素贝叶斯或逻辑回归。模型不再依赖固定清单，而是从海量样本中学习词语与意图的统计关联，比如“帮我”后面常跟操作类动词，于是“帮我订票”被自动归为事务型。

如今大语言模型把前两种方法卷进了同一个技能树：它既能像王姐一样一眼看穿语义，也能像小李一样快速归纳，更能像老张一样处理“帮我看看这个链接安不安全”这类复杂意图。三种方法并非互相替代，而是层层递进——规则兜底、模型主力、LLM赋能复杂场景。

回到餐厅：规则是“熟能生巧”，模型是“标准化培训”，LLM则是“见多识广的全能选手”。一家成熟的餐厅三者兼备，一个成熟的搜索系统同样如此——用规则处理高频简单场景，用模型覆盖长尾查询，用LLM解决疑难杂症。

差异化生成策略

服务员判断完顾客的类型，接下来就该“看菜下碟”了。导航型的客人只想要一条最短路径，你给他讲十分钟菜谱反而惹人烦；信息型的客人期待一场生动的讲解，你一句话打发了，他扭头就走；事务型的客人需要的是流程引导——在哪个窗口取号、扫码还是现金。餐厅把这种因人而异的服务称为差异化服务，搜索系统则叫它差异化生成策略。

生成式搜索拿到用户查询后，第一步做意图分类，第二步根据类别选择答案模板，第三步组织内容结构，第四步决定页面交互方式。这四步共同决定了最终答案的形态。以“苹果”为例：导航型查询“苹果官网”，模板是直达卡片加官网链接；信息型查询“苹果和安卓的区别”，模板是对比列表加维度说明；事务型查询“买一部iPhone 15”，模板是购买入口加价格对比加支付方式。

模板的差异本质上是条件生成：答案的每一个词，都是在给定查询和意图的条件下逐步产生的。意图类别决定了答案的骨架，查询内容决定了答案的血肉。

差异化策略不是“势利眼”，而是高效服务。搜索系统在资源有限的情况下，把最合适的算力与版式投给最合适的需求。意图识别准确率哪怕只提高几个百分点，用户的点击率和满意度都会有肉眼可见的改善。

导航型意图应答

熟客走进门，最好的服务就是什么都不多说，点一下头，或者抬手一指。导航型查询的应答逻辑正是如此：用户已经知道目标，系统只需要指路。这里的指路不是泛泛的百科介绍，而是精准的官网链接、官方电话、品牌地址。

导航型应答的核心特征是“短平快”。答案卡片通常包含目标名称、官方链接、核心标识。生成式搜索中常见的做法是直达结果卡——一段极简答案文本，加一个可点击的官网按钮，再加来源标注。文本往往只有一句话，比如“支付宝官方网站，提供转账、付款和理财服务”。这个设计刻意减少干扰：用户是来“过桥”的，不需要路边的风景。

评估导航型应答质量，最直接的指标是直出率（Direct Answer Rate），即查询结果中直接展示目标站点的比例。一个优秀的搜索系统，对导航型查询的直出率应当接近90%。如果用户搜“微信官网”却看到一篇公众号文章介绍，信任感会瞬间流失。

导航型应答就像服务员练就的“一眼指路”功夫：你说“洗手间在哪”，他绝不该端上一杯水。答非所问的导航结果，会让用户对搜索系统的信任感瞬间崩塌。

信息型意图应答

新顾客被菜单牌吸引，服务员接下来的工作就变成了“导览员”：从招牌菜讲到食材、做法，再推荐几道搭配。信息型查询需要的正是这种有深度、有结构的讲解。

信息型答案的组织方式通常有三种：综述式（围绕主题给出完整知识框架）、对比式（从多个维度比较两个或多个实体）、步骤式（教用户如何完成某件事）。内容上要求信息来源明确，最好附上参考文献或多方观点。生成式搜索在这里可以发挥最大优势——它像一个读过上千篇文档的讲解员，把散落的信息聚合成一份有条理的“导览手册”。例如查询“苹果和安卓的区别”，答案会从系统生态、隐私策略、价格区间、可定制性四个维度展开，每个维度都附来源。

评价信息型答案的一个重要指标是信息覆盖率：答案覆盖用户关心的核心知识点的比例。覆盖不全，用户就得反复追问，体验大打折扣。

信息型应答是服务员展现实力的舞台，也是搜索系统体现“智能感”的地方。做得好的系统，能让用户由衷感叹：“它懂我要什么，甚至比我更懂我要什么。”

事务型意图应答

掏出手机扫码点餐的顾客，心中只有一个念头：快点办完事。事务型查询的应答要义是“减少摩擦”——把用户从“知道怎么做”推向“已经完成操作”。

事务型答案模板通常设计为操作流程卡片：第一步做什么、第二步做什么，配上入口按钮。比如用户搜索“订一张明早去北京的机票”，理想答案是：一张卡片列出推荐航班、价格对比、“立即预订”按钮，以及支付方式的说明。交互设计上应尽量减少跳转次数，让用户三步之内完成核心动作——选择航班、确认信息、支付。相比传统搜索给十条蓝色链接让用户自己摸索，生成式搜索能把流程直接铺到用户面前。

衡量事务型应答的核心指标是任务完成率：成功完成操作的用户占发起请求用户的比例。它比点击率更能反映事务型搜索的真实价值——用户不是为了看看，而是为了办成。

事务型应答做得不好，就像服务员支支吾吾说不清怎么下单，顾客大概率转身去了隔壁餐厅。搜索系统也一样，事务型场景的体验落差最容易被用户感知和量化，也因此最值得投入优化。

意图错误与质量评估

设想你把导航型顾客当成了信息型顾客，给他讲了十分钟菜谱，他很可能会黑着脸离开。意图分类错误在搜索系统中同样代价高昂：把“戴尔官网”识别成信息型查询并输出一篇电脑评测，用户要么被迫重新搜索，要么直接转向竞品。在亿级流量面前，哪怕1%的意图错误也是一场灾难。

常见的意图错误有两类：类别混淆（比如把导航误判为信息）和置信度不足（系统判断不确定却仍然输出带偏向的答案）。低置信度场景下的“打肿脸充胖子”，比主动承认“我不确定”更难让用户接受。因此，现代系统常设兜底策略：当意图置信度低于某个阈值时，不再强行套用单一模板，而是展示混合结果页——既放可能的官网链接，也放相关文章和操作入口，让用户自己选择。这相当于服务员拿不准你是想吃饭还是想找人时，先递上菜单又问一句“您看需要点什么”。

整体评估上，综合满意度可以建模为准确性、完整性和交互体验的加权和。

一句话总结：意图识别是搜索系统的“方向盘”，方向错了，动力越强反而错得越离谱。做好分类、选对策略、预设兜底，才能让生成式搜索真正成为用户信赖的“万能服务员”。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""查询意图分类与生成策略演示：基于规则的轻量实现"""  class QueryHandler:    """面向查询的三要素：意图分类、生成策略、结果输出"""     def __init__(self):        self.nav_words = ['官网', '首页', '登录', '入口', '地址']        self.info_words = ['什么是', '怎么样', '区别', '比较', '原理', '介绍']        self.trans_words = ['购买', '预订', '下载', '注册', '开通', '支付', '订']        self.count = {'nav': 0, 'info': 0, 'trans': 0}     def classify(self, query):        """基于关键词计分的意图分类"""        scores = {            'nav': sum(1 for w in self.nav_words if w in query),            'info': sum(1 for w in self.info_words if w in query),            'trans': sum(1 for w in self.trans_words if w in query),        }        if sum(scores.values()) == 0:            return 'info'        intent = max(scores, key=scores.get)        self.count[intent] += 1        return intent     def generate(self, query):        """根据意图选择生成策略模板"""        intent = self.classify(query)        if intent == 'nav':            return "[导航型] " + query + ": 点击直达官方入口链接"        if intent == 'info':            return "[信息型] " + query + ": 为您整理多角度对比与详细介绍"        return "[事务型] " + query + ": 请按以下步骤操作，点击按钮立即办理"     def report(self):        """输出意图分布统计报告"""        total = sum(self.count.values())        percent = {k: round(v / total * 100) for k, v in self.count.items()}        return "意图分布: " + str(percent)  def main():    handler = QueryHandler()    queries = [        '支付宝官网',        '苹果和安卓的区别',        '帮我订一张去北京的机票',        '企业微信登录入口',        '什么是大语言模型',        '购买一台MacBook Pro',    ]    for q in queries:        print(handler.generate(q))    print(handler.report())  if __name__ == '__main__':    main()

1. self.nav_words = ['官网', '首页', '登录', '入口', '地址']定义导航型关键词表，是规则识别的“快捷键”
2. scores = {'nav': ..., 'info': ..., 'trans': ...}用字典记录三类意图的计分
3. intent = max(scores, key=scores.get)取最高分对应的意图类型，对应 \(\arg\max\) 决策
4. self.count[intent] += 1统计各意图出现次数，用于最终报告
5. if intent == 'nav':按意图分支选择生成策略模板
6. return "[导航型] " + query + ": 点击直达官方入口链接"导航型用“短平快”模板，直接给出入口指引
7. for q in queries:批量测试六条查询，覆盖三种意图
8. print(handler.report())输出意图分布统计，模拟效果评估环节

常见误区

面试题