【万字长文】大模型应用开发：意图路由与查询重写设计模式（从入门到精通） - 实践

在构建智能体或 RAG 系统时，我们经常面临一个核心挑战：用户的自然语言输入与系统的执行逻辑之间存在巨大的鸿沟。

用户说：“我电脑连不上网了。”

框架若是直接检索：“电脑连不上网”，可能会匹配到一堆无关的维修广告。

但一个成熟的 IT 支持 Agent 应该做的是：

1. 识别意图：这是一个“故障排查”请求，不是“购买咨询”，也不是“闲聊”。
2. 重写查询：将口语化的描述转化为技术检索词，如“网络连接失败 故障排查 步骤 Windows/Mac”。
3. 路由分发：调用“IT 知识库检索”设备，而不是去查“员工手册”。

这就是 意图路由（Routing） 和 查询重写（Rewriting）的价值。它们构成了 Agent 的推理层，决定了框架是“智能”还是“智障”。

本文将深入探讨这两个模块的通用设计模式、prompt 工程最佳实践，以及它们在 dify/coze 等平台中的复用逻辑。

一、意图路由

意图路由的本质是一个分类任务（Classification Task）根据用户的输入，将控制权分发给最合适的下游工作流或设备。就是。它的目标

在企业级应用中，这通常对应着不同的业务部门或数据孤岛。

一个典型的企业级 agent 路由逻辑简单示例如下：

通用路由 Prompt 模板

实现高准确率路由的关键，在于 Prompt 的设计必须遵循“定义明确、边界清晰、输出结构化” 的原则。

以下是一个通用路由 prompt 模板示例：`# Role
你是一个智能系统的意图分类器。你的任务是接收用户输入，并将其精准分类到预定义的意图类别中。

Intent Definitions (意图定义)

请基于以下标准进行判断：

1. [Knowledge_Retrieval]:

   • 定义：用户询问关于产品功能、公司政策、操作手册等客观事实。
   • 示例：“如何重置密码？”、“年假有多少天？”

2. [Data_Analysis]:

   • 定义：用户需要查询具体的业务数据、报表或进行统计分析。通常含有时间、指标和聚合需求。
   • 多少？”、“统计各部门人数。”就是示例：“上个月销售额

3. [System_Action]:

   • 定义：用户请求执行某个具体操作或变更系统状态。
   • 示例：“帮我提交这个请假条”、“预订明天的会议室。”

4. [General_Chat]:

   • 定义：问候、闲聊或不属于上述任何类别的通用疑问。

Constraints (约束)

• 不要尝试回答用户的问题。
• 仅输出分类标签，不要囊括任何解释。
• 输出格式必须为 JSON: {“category”: “分类标签”}

User Input

{{user_query}}`

通用的，比如：就是此种路由逻辑

• 在 python 代码中：这是 RouterChain 或 LLMChain 的核心逻辑。
• 在 dify 中：对应 “问题分类器”节点。你只需在界面上填入上述分类定义，系统会自动生成分支。

二、 查询重写

将用户的“原始需求”转化为机器可理解的“精准指令”。就是用户的提问往往是模糊的、缺失上下文的，甚至是带有误导性的。查询重写（Query Rewriting）的目标，

1. 常见重写策略

根据不同的业务场景，重写策略许可分为以下三类：

• 同义扩展：解决专有名词匹配难题。

• 输入：“我想买个本子。”
• 重写：“笔记本电脑 Laptop 办公电脑 价格 型号”

• 指代消解：解决多轮对话中的上下文缺失。

• 输入：“它多少钱？”（上文聊的是 iPhone 15）
• 重写多少？”就是：“iPhone 15 的价格

• 后退提示：解决问题过于具体导致检索失败的障碍，将其抽象化。

• 输入：“为什么我的 Python 代码报了 KeyError？”
• 重写：“Python 中 KeyError 的常见原因及解决方法。”

2. 高级策略：HyDE (假设性文档嵌入)

在一些复杂的知识检索场景中，单纯的关键词重写不够用。我们可以运用HyDE (Hypothetical Document Embeddings) 技术。

逻辑：让 LLM 先生成一个“假设的答案”，然后用这个“假设答案”去检索“真实文档”。因为“答案”和“答案”在向量空间中比“问题”和“答案”更接近。

通用重写 Prompt 模板

以下是一个集成了“多角度分解”和“关键词优化”的prompt：`# Role
你是一个搜索查询优化专家。你的目标是将用户的原始困难转化为搜索引擎或向量数据库更容易理解的查询版本。

Instructions1.

1. 分析意图：理解用户问题的核心需求。
2. 消除歧义：如果问题包括模糊代词（如“它”、“那个”），请结合常识进行补全。
3. 关键词提取：提取核心实体、动作和约束条件。
4. 多维度扩展：生成 3 个不同角度的搜索查询，以提高召回率。

Output Format

请直接输出一个 JSON 列表，包含优化后的查询字符串：
[“查询版本1”, “查询版本2”, “查询版本3”]

Examples

User: “最近那个很火的 AI 视频工具叫什么？”
Output: [“OpenAI Sora2 介绍”, “AI 视频生成工具 推荐 2025”, “热门 文本转视频 AI 模型”]

User: “怎么安装那个环境变量？”
Output: [“配置平台环境变量 教程”, “Windows/Linux 设置环境变量 步骤”, “Python PATH 环境变量部署方法”]

User Input

{{user_query}}`

三、意图识别与元素材过滤的联动

在结构化数据查询（如商品检索、简历筛选）中，意图识别不仅仅是分类，还需要提取实体（Entity Extraction），用于构建结构化的过滤条件（Pre-filtering）。

这是连接自然语言与数据库查询（SQL/NoSQL）的关键桥梁。

场景示例：用户输入：“帮我找几个北京的、三年经验以上的 Java 工程师。”

处理流程：

1. LLM****提取：

2. location: “北京”

3. years_of_experience: { “$gte”: 3 }

4. skill: “Java”

5. role: “Engineer”

6. 系统动作：

7. 生成数据库查询语句（或向量库 Filter）。

8. 执行精确检索。

使用dify/coze等平台，就是无论是手写代码，还“意图路由” 和 “查询重写”都是构建高质量 Agent 的必修课。

• 意图路由 解决了 “去哪里”的问题，防止了通用大模型在垂直领域胡乱回答。
• 查询重写 解决了 “怎么查”的问题，弥补了人类表达与机器索引之间的差异。

在 Agent 制作中，我们将不再直接把用户输入扔给 LLM，而是会构建一个由Router（路由）、Rewriter（重写）、Extractor（提取） 组成的推理前处理层。

这层“认知中间件”，才是区分一个简单的 Chatbot 和一个真正的智能业务助理的分水岭。

四、如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

一样的道理。就是这句话，放在计算机、互联网、移动互联网的开局时期，都

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。就是我意识到有很多经验和知识值得分享给大家，也可以利用我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有应该的朋友可以扫描下方二维码免费领取【保证100%免费】

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（内容来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体编写：用AutoGPT打造24小时数字员工

熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型研发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 向量表示（Embeddings）就是什么
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，倘若学到这里，你核心可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验资料集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可能在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

要是你能在15天内做完所有的任务，那你堪称天才。然而，如果你能搞定 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】