在AI Agent的设计中，意图识别是自然语言理解（NLU）的核心环节，直接影响用户体验和业务目标达成。作为AI产品经理，需从业务场景、技术实现和用户体验三个维度系统设计意图识别方案1. 明确业务需求与意图分类体系- 场景拆解：根据Agent的应用场景（如客服、智能家居、电商导购）梳理高频用户诉求。例如：- 客服场景：咨询、投诉、退款、查询进度等- 智能音箱：播放音乐、设置闹钟、控制设备- 意图分层设计：采用树状结构（主意图→子意图→槽位），避免分类粒度混乱。例如：主意图：订机票├─子意图：查询航班（槽位：出发地、目的地、日期）└─子意图：改签机票（槽位：订单号、新日期）- 兜底策略：设计"未知意图"分类，结合澄清话术（如“您是想查询订单还是联系客服？”）或转人工流程。2. 数据驱动的模型构建- 数据采集与标注：- 通过用户历史对话、搜索日志等获取真实语料。- 标注时需注意同义表达覆盖（如“帮我订票”和“买张去北京的机票”）。- 技术选型方案：- 规则引擎（正则表达式、关键词）：冷启动阶段/高确定性场景（如命令词）- 深度学习（BERT、TextCNN）：复杂语义场景- 大模型微调（Few-shot Learning）：长尾意图识别- 多模型融合：规则兜底+模型预测，例如先用规则处理高频意图，剩余流量走模型。3. 用户体验闭环设计- 容错机制：- 置信度阈值设置（如低于0.7时触发澄清）- 上下文继承（用户说“换一个时间”时继承前文航班查询意图）- 效果评估指标：- 技术指标：准确率、召回率、F1值- 业务指标：任务完成率、转人工率、单次对话解决率（FCR）- 用户感知：用户主动纠正次数、满意度调研- 持续迭代闭环：- 建立bad case分析流程，将误识别样本反馈至标注池- 监控意图分布变化（如新增促销活动可能引发未覆盖的咨询意图）的         

1.奖项荣誉2.在校经历3.项目能力4.绩点奖学金5.等等

暑期实习offer决赛圈，最终还是没有入坑搜广推，所以留了两个agent相关的offer。两边leader感觉都很nice，业务还不错，下班都不算晚。晋升较慢这个问题也有了解，感觉如果wlb一点可以接受，比较考虑就地转正（如果组里确实舒服），所以想选一个对的。应该选哪个好，有没有坑，还是请大佬们多多指教1. 蚂蚁 终端算法数据技术部：严格来说现在算支付宝+AGI线了。做多模态agent，就是支付宝扫一扫旁边的“探一下”，除了VLM问答，RAG这些简单的东西外应该还有图文检索等等大模型之外的内容，能做的还是很多的。属于预研的状态，据说有点核心但也并非最核，最主要担心的点是这个业务到底能不能做出名堂来，蚂蚁AGI搞起来就好，搞不起来可能就有点凉凉。2. 阿里云 阿里云智能-风后：飞天实验室一个搞agent的团队，说是在搞deep research agent，最近的mcp也有涉及，属于公有云。也比较预研，据说“不十分关注业务指标”。相比蚂蚁的优点可能在于它的业务背靠百炼这个平台，应该没那么高的风险，但是飞天实验室新成立不久，网上信息不多还是不好判断。业务有好多ToB和ToG的，相比之下蚂蚁看起来是ToC。

市面上当前有的类似工具存在的问题分析：凡是需要热键启动截图的，都风险贼高！凡是让你给简历再启动面试的，都是装样子的！凡是按时计费的，你就是韭菜！特色：防作弊检测！最全专业题库，准确率全行业最高！deepseak不会的咱得会！包月全网最低价！