如果你想把这篇文章和源码对着看可以先留意文中出现的几个文件名。这个系列会继续按源码往后拆如果这种拆解方式对你有帮助.这一篇看TEXTserver/src/services/intentService.js它解决的问题是TEXT用户发来一句话系统怎么判断他是要查订单、问商品、退款、投诉还是普通问答在 AI 客服里意图识别是后续所有动作的入口。如果意图识别错了后面可能就会该查订单却去查知识库该退款却只生成安慰话术该追问订单号却直接说处理成功用户情绪激动却没有触发人工升级所以这个项目没有把用户消息直接丢给大模型回复而是先走intentService.process()。5.1 意图识别要解决什么问题先看项目支持的意图JSconst VALID_INTENTS new Set([ QUERY_ORDER, CANCEL_ORDER, REFUND, COMPLAINT, PRODUCT_INQUIRY, GENERAL_QA, UNKNOWN,]);这些意图对应客服场景意图用户可能怎么说QUERY_ORDER我的订单到哪了CANCEL_ORDER帮我取消订单REFUND我要退款COMPLAINT我要投诉太差了PRODUCT_INQUIRY这款耳机还有货吗GENERAL_QA你们几点上班UNKNOWN模型和规则都不确定意图识别不只是给消息打标签。它还要提取实体JSON{ order_id: 1001, product_name: 南屿 AirBuds 2 主动降噪耳机, reason: 不想要了, content: 投诉内容}并判断置信度高不高情绪是什么是否需要澄清是否引用上一轮检索知识库时用什么 query5.2 process 的整体步骤核心入口是JSasync function process(message, session) { // ...}整个流程可以画成Mermaid 流程图静态示意用户消息 session↓并发读取历史、设置、意图上下文B↓deepseekService.recognize() / 大模型初步识别C↓规则修正 / 商品名、关键词、指代D↓实体合并和规范化E↓情绪历史更新 / 判断是否安抚/升级F↓是否需要澄清G↓是| H[“返回 clarification”]G↓否| I[“更新 intent_context”]I↓返回完整 intentResult这个流程体现了项目的一个设计TEXT大模型先判断代码再兜底修正。5.3 为什么第一步要并发读取三类数据process()一开始并发读取JSconst [history, settings, intentContext] await Promise.all([ contextService.getPlainContext(session.id), actionService.getSettings(), contextService.getIntentContext(session.id),]);这三类数据分别是数据用途history最近聊天记录帮助理解上下文settings店铺名、营业时间、系统提示词等intentContext多轮意图状态和已收集实体为什么要并发因为这三件事互不依赖。顺序读取会浪费时间TEXT读历史 - 读设置 - 读上下文并发读取更快TEXT同时读历史、设置、上下文聊天接口对响应速度很敏感所以这里用Promise.all()。5.4 DeepSeek 初步识别读完上下文后项目调用JSconst recognized await deepseekService.recognize(message, history, settings);deepseekService.recognize()会走 LangChain 的意图识别链。大模型返回类似JSON{ intent: PRODUCT_INQUIRY, entities: { product_name: 南屿 AirBuds 2, order_id: null, reason: null, content: null }, confidence: 0.82, emotion: neutral, emotion_score: 0.1, needs_clarification: false, reference_to_previous: false}这一步很重要但项目没有完全相信它。5.5 为什么还要自己写规则不完全相信大模型项目里写了很多正则规则JSconst PRODUCT_QUESTION_RE /(商品|产品|多少钱|价格|库存|有货|还有|介绍|怎么样|参数|规格|续航|颜色|尺寸|卖点)/;const ORDER_RE /(订单|物流|发货|快递|购买记录|买的|我的订单)/;const REFUND_RE /(退款|退货|退钱|售后)/;const CANCEL_RE /(取消订单|取消|不想要)/;const COMPLAINT_RE /(投诉|生气|差评|不满意|人工|客服|解决不了)/;这些规则用于修正模型结果JSfunction inferIntent(message, entities, recognizedIntent) { if (entities.product_name || PRODUCT_QUESTION_RE.test(message)) return PRODUCT_INQUIRY; if (REFUND_RE.test(message)) return REFUND; if (CANCEL_RE.test(message)) return CANCEL_ORDER; if (ORDER_RE.test(message)) return QUERY_ORDER; if (COMPLAINT_RE.test(message)) return COMPLAINT; return VALID_INTENTS.has(recognizedIntent) ? recognizedIntent : UNKNOWN;}为什么要这样因为客服系统不能完全靠模型“感觉”。比如用户说TEXT我要退款无论模型怎么犹豫规则都能明确把它识别为TEXTREFUND再比如用户说TEXT订单什么时候发货关键词“订单、发货”强烈指向TEXTQUERY_ORDER规则不是为了替代大模型而是为了给关键业务场景加保险。5.6 实体规范化项目会把模型返回的实体做规范化JSfunction normalizeEntities(raw {}) { const entities { order_id: raw.order_id || null, product_name: raw.product_name || null, reason: raw.reason || null, content: raw.content || null, }; if (entities.product_name) { entities.product_name String(entities.product_name).trim() || null; } if (entities.order_id) { const match String(entities.order_id).match(/\d/); entities.order_id match ? match[0] : null; } return entities;}这一步的作用是去掉空字符串商品名 trim订单号只保留数字部分确保字段结构稳定例如模型返回JSON{ order_id: 订单号1001}规范化后变成JSON{ order_id: 1001}这样后面actionService.cancelOrder()才能直接查数据库。商品名还会用数据库做确定性匹配项目里还有一个inferProductName()JSasync function inferProductName(message) { const [rows] await pool.execute( SELECT name FROM products WHERE status active ORDER BY CHAR_LENGTH(name) DESC LIMIT 200 ); let best null; let bestScore 0; for (const row of rows) { const score scoreProductName(message, row.name); if (score bestScore) { best row.name; bestScore score; } } return bestScore 2 ? best : null;}也就是说项目会从 MySQL 商品表里拿商品名和用户消息做匹配。比如种子数据里有TEXT南屿 AirBuds 2 主动降噪耳机南屿 Watch S3 运动健康手表南屿 PowerCell 20000mAh 快充电源用户问TEXTAirBuds 2 还有货吗即使模型没有准确抽取商品名规则也可能从数据库商品名里补回来。5.7 多轮上下文怎么处理用户经常不会每轮都说完整。例如TEXT用户南屿 AirBuds 2 多少钱客服价格是 399 元。用户那它还有货吗第二句里的“它”需要继承上一轮商品名。项目用正则识别这种指代JSconst PREVIOUS_REFERENCE_RE /(它|这个|那个|这款|那款|刚才|上面|前面|刚刚|还有吗|多少钱|价格|库存|有货)/;如果判断是引用上一轮JSif (referenceToPrevious) { collectedEntities mergeEntities( intentContext.collected_entities || {}, collectedEntities );}intentContext保存在sessions.intent_context字段里。更新时JSconst updatedIntentContext { active_intent: activeIntent, collected_entities: collectedEntities, turn_count: turnCount, pending_slots: intentContext.pending_slots || [], last_user_message: message, updated_at: new Date().toISOString(),};await contextService.updateIntentContext(session.id, updatedIntentContext);这就是项目实现多轮意图跟踪的方式。5.8 澄清逻辑有些意图必须要关键信息。比如退款和取消订单需要订单号JSfunction missingRequiredSlot(intent, entities, message) { if ([CANCEL_ORDER, REFUND].includes(intent)) { return !entities.order_id; } if (intent PRODUCT_INQUIRY PRODUCT_QUESTION_RE.test(message)) { if (PRODUCT_LIST_RE.test(message)) return false; return !entities.product_name; } return false;}如果缺少必要信息就返回澄清JSif (shouldClarify) { return { type: clarification, intent: activeIntent, entities: collectedEntities, confidence, lowConfidence, message: recognized.clarification_question || clarificationMessage(activeIntent), };}例如用户说TEXT我要退款系统会问TEXT请告诉我需要处理的订单号我来继续帮您查询。而不是直接申请退款。5.9 情绪升级逻辑意图识别还会识别情绪TEXTemotionemotion_score项目会记录情绪历史JSconst { shouldEscalate } await contextService.updateEmotionHistory( session.id, emotion_score);如果用户连续两轮情绪分数都大于0.9就触发人工升级。同时如果情绪分数大于0.75JSconst sootheMode emotion_score 0.75;后面生成回复时会加入安抚语气。这说明意图识别不只是“分类”还会影响客服的语气和人工介入。用一个完整例子串起来用户说TEXT这个耳机还有货吗假设上一轮聊的是TEXT南屿 AirBuds 2 主动降噪耳机流程是TEXT读取历史、设置、intent_context- DeepSeek 初步识别 PRODUCT_INQUIRY- 规则识别“这个/还有货”是上一轮指代- 从 intent_context 继承 product_name- 判断不需要澄清- 更新 intent_context- 返回 retrievalQuery最终intentResult可能是JSON{ intent: PRODUCT_INQUIRY, entities: { product_name: 南屿 AirBuds 2 主动降噪耳机 }, emotion: neutral, sootheMode: false, retrievalQuery: 南屿 AirBuds 2 主动降噪耳机\n这个耳机还有货吗}后面的 Agent 才能继续TEXT查商品库存- 检索商品知识- 生成客服回复最后用一句话记住在这个项目里意图识别不是简单调用一次大模型。它是一个组合流程TEXT历史上下文 店铺设置 大模型识别 规则修正 实体规范化 多轮状态 情绪记录 澄清判断。看懂intentService.process()就看懂了 AI 客服为什么能从一句自然语言里决定下一步业务动作。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】