标签并不是最终任务
传统对话系统通常从分类器开始：接收一句话、分配一个标签，再进入固定流程。大型语言模型能够理解更丰富的上下文，因此这种模式看起来已经过时。
但真正的工程问题并没有消失。生产系统仍然需要决定下一步该做什么、需要哪些上下文，以及允许调用哪些能力。意图识别正在从一个狭窄标签，演变为一份紧凑的执行计划。
更合适的输出契约
意图层应该返回下游组件可以检查的结构化证据：
TYPESCRIPT
type AnalysisResult = {
intents: Array<{ name: string; confidence: number }>;
entities: Array<{ type: string; value: string }>;
routes: Array<{ target: string; reason: string }>;
};这个契约让不确定性变得可见，也能支持“一边查询明天天气，一边创建提醒”这样的多意图请求。
规则依然有价值
当决策要求高精度、容易解释且变化不大时，规则仍然非常有效。它速度快、确定性强，也容易测试。语言变化较大、分类边界开放或需要长上下文时，LLM 更有优势。
- 明确命令与安全边界优先使用规则。
- 稳定路由目录可使用向量相似度。
- 复杂拆解和歧义语言可交给 LLM。
- 可靠性优先时，使用 Hybrid 组合方案。
真正的设计问题
更有价值的问题不是“是否还需要意图分类”，而是“用户语言与系统执行之间，最小且可靠的决策层是什么”。它有时是一条规则，有时是一个模型。好的 AI 工程会让这个选择可观察、可替换。