DevFlow/docs/02-架构设计/构想审查/意图识别层论证-2026-06-19.md

意图识别层(通用前置)多角度论证

来源:intent-analysis 子代理 8 维度论证 + WebSearch 10 业界佐证 + devflow 源码核验。 纯架构论证,不改代码。供架构决策。

核心结论

1. 方向正确:意图识别作为通用前置层(每消息),服务四下游(工具预选/模型路由/上下文策略/审批预估)——业界共识(TianPan/NVIDIA/LangChain 佐证),用户洞察准确。
2. 当前不急:devflow 29 工具处于业界"产品派不做意图层"临界点(Claude Code <20 工具不分类 / OpenAI 原生 tool_choice 非前置),痛点不致命(未到 417 工具崩 20% 线)。
3. 近期建议:精简工具描述降 token(零架构改动,立即可做)。
4. 中期触发(工具>40 或多模型用户):上方式 A 规则(零延迟零成本纯赚),落 intent.rs + tool domain 标签。
5. 远期升级(工具>80 或 MCP):方式 D 两阶段(规则兜底 + Flash 分类),警惕 Tool RAG 生产退化(《340 Tools》反例)。
6. 落地约束:意图层只在 agentic/mod.rs loop 入口生效一次,不进 loop 体;输出"子集扩充+模型建议"非"硬性裁剪";None fallback 全量零回归。
7. 架构兼容:与双轨/审计/provider 工厂三高杠杆零冲突;coordinator.rs 空壳保留 B 路线多 Agent,意图层独立落 intent.rs。

痛点量化(现状)

• 工具全量下发:agentic/mod.rs:423 tool_definitions() 全 29 工具 schema 每消息塞 request,~6000-8000 token/消息(中位估算)。
• 模型路由静态化:router.rs:56-63 TaskRequirements 硬编码 needs_tool_use=true/modalities=[Text],闲聊和写代码走同模型。
• coordinator.rs 空壳:B 路线占位(L5-30),意图识别无落脚点。
• 上下文策略纯阈值:agentic/mod.rs:513-641 自动压缩按 token>budget*0.6,不按意图。

实现方式对比

方式	延迟	token	准确	推荐
A.规则/关键词	<1ms	0	中(中文意图,覆盖70%+)	⭐ 近期
B.embedding	10-50ms	0+1次embedding	中	✗ ROI低(单用户桌面)
C.fast model	300-800ms	~200-500	高	中期补(盈亏工具>40+多模型)
D.两阶段(A+C)	混合	混合	高	⭐ 远期

收益量化(方式 A 规则,中期)

• 工具子集降 token:29→8-12 子集,省 4000-5000 token/消息,降幅 60%。
• 模型路由省成本:60% 闲聊→Flash(¥0.0014/M)/ 40% 工具→Plus(¥5/M),混合均价降 60%(多模型用户)。
• 决策准确:工具数 <10 时 LLM 选错概率显著降(反推 417→20% 数据)。
• 审批预估前置:前端预判 High 风险,提前提示。

盈亏平衡(方式 C fast model)

维度	阈值	devflow 现状	值得上 C?
工具数	>40	29	临界,即将
多模型	用户配 Flash+Plus	多数单 provider	多数无收益
延迟容忍	接受 +500ms 首字	流式敏感	负面

结论:方式 A 规则零成本纯赚(近期可上);方式 C 盈亏在"工具>40 且多模型"之后。

风险 + fallback

风险	缓解
意图误判(漏工具)	子集扩充非裁剪(project+file 兜底,18 工具仍<29)
单点故障	None fallback 全量工具(零回归)
延迟敏感	方式 A 无延迟;C 需并行/异步预热
Flash 超时/非法	fallback 全量/规则结果

关键设计原则:意图层是"加权推荐"非"硬性裁剪";None 时全量(现状)零回归。

业界佐证(WebSearch 10 来源)

学术/框架派(主张前置意图层):

• TianPan《Intent Classification Layer》(417 工具崩 20%,论证需专用前置层)
• NVIDIA AIQ《Intent Classifier》(单次 LLM 多输出:意图+元响应+判定)
• Medium《Intent-to-Action Layer》(prompt→intent→structure→policy→route→tools→execution)
• LangChain《Context Engineering》(RAG 工具描述,只发相关工具)
• Red Hat《Tool RAG》(企业级工具扩展解法)

产品派(工具可控时不做前置):

• OpenAI function calling(tool_choice 是"约束"非"前置分类",意图责任留开发者)
• Claude Code 子代理(任务级路由,非消息级;<20 核心工具不做意图层)

反例(警惕):《OpenAI 340 Tools 生产案例》——语义工具选择初期有效但准确率随时间退化,需持续监控。

定价:智谱 GLM Plus ¥5/M vs Flash ¥0.0014/M(500倍差,意图路由省钱空间)。

devflow 整合(改动面)

模块	现状	接入点	改动
coordinator.rs	B 路线空壳	保留(多Agent)	不动
intent.rs(新增)	—	意图识别落点	~200 行(规则引擎+Intent 枚举)
tool_registry.rs	tool_definitions() 全量	加 tool_definitions_subset(intent) + 工具 domain 标签	~50 行 + 29 register 加 domain
agentic/mod.rs	loop 外 tool_defs	loop 入口插意图识别	~30 行(入口加调用)
router.rs	静态 TaskRequirements	意图→TaskRequirements 构造	agentic 构造点改,router 不动

总计 ~300-400 行,中等改动。与双轨/审计/provider 工厂零冲突。

分阶段路径(触发条件)

近期(29工具,单provider):精简工具描述(零架构),储备设计(本文档)
中期(工具>40 或多模型):方式A规则(intent.rs + domain标签 + subset + 模型路由)
远期(工具>80 或MCP):方式D两阶段(A规则兜底+C Flash分类),警惕Tool RAG退化

Sources

• TianPan Intent Classification
• NVIDIA AIQ Intent Classifier
• LangChain Context Engineering
• Red Hat Tool RAG
• OpenAI 340 Tools 反例
• Claude Code Subagents
• OpenAI Function Calling
• 智谱定价