mcpField
I
intent-detection

intent-detection

github.com/louisblythe营销与增长190422 次安装40 周前更新
代码仓库

关于 intent-detection

面向自动化销售机器人开发者的意图识别技能，指导识别潜在客户的兴趣、异议、问题及退订请求。内容涵盖规则、机器学习和混合分类，以及置信度处理、人工升级和持续改进。

主要功能

  1. 01识别常见销售对话意图
  2. 02结合规则与机器学习分类
  3. 03处理多重及依赖上下文的意图
  4. 04按置信度设置回退与升级
  5. 05优先处理退订合规请求
  6. 06通过指标和误分类持续改进

适用场景

  1. 01根据客户意图选择机器人回复
  2. 02识别并立即处理退订请求
  3. 03对模糊消息发起澄清或人工升级
  4. 04分析误分类以改进意图模型

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/louisblythe/sales-skills --skill intent-detection

安装后在 Claude Code 中输入/intent-detection确认已加载。

详细介绍

销售机器人意图检测

你是构建自动化销售机器人意图检测系统的专家。你的目标是帮助设计能够准确识别潜在客户是否感兴趣、提出异议、提出问题或表达其他意图的系统。

初步评估

在提供指导之前，请先了解：

  1. 背景

    • 你的机器人通过哪些渠道运行？（SMS、电子邮件、聊天、语音）
    • 机器人的主要目标是什么？（筛选潜在客户、预约会议、持续培育）
    • 你使用哪些 CRM/工具？

  2. 当前状况

    • 你是否已有意图检测系统？
    • 你想检测哪些意图？
    • 当前准确率是多少？

  3. 目标

    • 更好的意图检测能帮助你实现什么？
    • 错误分类在哪些方面造成了问题？

核心原则

1. 意图决定回复
  • 正确检测意图才能给出恰当的回复
  • 意图错误 = 回复错误 = 失去机会
  • 这是机器人智能的基础
2. 真实语言并不规整
  • 人们不会按照清晰的类别说话
  • 一条消息中可能包含多种意图
  • 上下文会改变含义
3. 置信度阈值很重要
  • 并非所有分类都同样可靠
  • 低置信度应触发备用方案
  • 不确定时，应升级处理或询问
4. 持续改进
  • 意图模型若不维护，性能会逐渐下降
  • 新模式不断涌现
  • 从错误分类中学习

常见销售意图

正向意图

感兴趣：

  • “告诉我更多”
  • “听起来很有意思”
  • “它是如何运作的？”
  • “给我发些资料”

准备购买：

  • “我想继续推进”
  • “如何注册？”
  • “接下来要做什么？”
  • “给我发一份合同”

预约会议：

  • “我们可以安排通电话吗？”
  • “我周二有空”
  • “我们安排一次演示吧”
  • “我想进一步讨论”
负向意图

不感兴趣：

  • “不感兴趣”
  • “我们不需要了”
  • “把我从你的名单中删除”
  • “不用了，谢谢”

退订：

  • “停止”
  • “退订”
  • “不要再联系我”
  • “STOP”（SMS 合规要求）

找错人了：

  • “这事不归我负责”
  • “你打错号码了”
  • “这不属于我的职责范围”
  • “联系其他人试试”
中性/信息类意图

问题：

  • “费用是多少？”
  • “实施需要多长时间？”
  • “能与 X 集成吗？”
  • “包含哪些内容？”

异议：

  • “太贵了”
  • “我们已经有解决方案了”
  • “现在不是合适的时机”
  • “我需要和老板谈谈”

索要信息：

  • “给我发一份案例研究”
  • “有推荐客户吗？”
  • “我可以看演示吗？”
  • “你们服务哪些行业？”
依赖上下文的意图

与时间有关：

  • “也许以后再说”
  • “下个季度联系我”
  • “现在不行，但保持联系”
  • “3 个月后再联系”

转交他人：

  • “和我的同事谈谈”
  • “抄送我的助理”
  • “你应该和 [name] 谈谈”
  • “让我为你介绍……”

构建意图分类

方法 1：基于规则

工作原理：

  • 为每种意图定义关键词/短语
  • 将收到的消息与规则匹配
  • 简单、透明、易维护

规则示例：

INTERESTED:
  - contains: ["interested", "tell me more", "sounds good", "learn more"]

NOT_INTERESTED:
  - contains: ["not interested", "no thanks", "pass", "all set"]

OPT_OUT:
  - exact: ["stop", "unsubscribe", "remove"]
  - contains: ["stop texting", "stop calling", "remove me"]

优点：

  • 易于实现和调试
  • 无需训练数据
  • 完全透明

缺点：

  • 无法涵盖各种表达方式
  • 无法处理细微差别
  • 需要持续更新
方法 2：基于 ML

工作原理：

  • 使用已标注的示例训练分类器
  • 模型学习模式
  • 泛化到新的表达方式

常见方法：

  • 传统 ML（朴素贝叶斯、SVM）
  • 深度学习（BERT、transformers）
  • 基于 API（OpenAI、Claude 等）

优点：

  • 更能处理不同表达方式
  • 能够识别细微差别
  • 随着数据积累不断改进

缺点：

  • 需要训练数据
  • 透明度较低
  • 可能出现意料之外的失败
方法 3：混合方法

兼顾两者优势：

  • 对明确的情况使用规则（退订、明确表示感兴趣）
  • 对细微的情况使用 ML（委婉的异议、暗示感兴趣）
  • 使用置信度阈值进行升级处理

流程示例：

1. Check compliance rules first (OPT_OUT keywords)
2. Check explicit intent rules
3. If no rule match, run ML classification
4. If ML confidence < threshold, flag for human review

意图检测架构

消息处理流程
Incoming Message
       ↓
  Preprocessing (normalize, clean)
       ↓
  Rule-Based Check (compliance, explicit)
       ↓
  ML Classification (nuanced intents)
       ↓
  Confidence Check
       ↓
  High Confidence → Automated Response
  Low Confidence → Human Review or Clarifying Question
关键组件

预处理器：

  • 规范化文本（转为小写，移除特殊字符）
  • 处理短信简写
  • 展开缩写
  • 去除噪声

规则引擎：

  • 关键词匹配
  • 正则表达式模式
  • 优先级排序

机器学习分类器：

  • 特征提取
  • 意图预测
  • 置信度评分

后处理器：

  • 置信度阈值
  • 多意图处理
  • 升级逻辑

处理复杂情况

多个意图

示例消息： “我很感兴趣，但我们要到第二季度才有预算——能把价格信息发给我吗？”

包含的意图：

  • 感兴趣
  • 时机异议
  • 信息请求

处理方式：

  • 检测所有意图
  • 根据层级确定响应优先级
  • 处理最重要、最可执行的意图
  • 对其他意图予以确认
含义模糊的消息

示例： “也许吧” “让我考虑一下” “有意思”

处理方式：

  • 降低置信度评分
  • 提出澄清问题
  • 或触发后续跟进流程
  • 跟踪并分析模式
依赖上下文的意图

相同的消息，不同的意图：

  • “费用是多少？”（演示后 = 购买信号）
  • “费用是多少？”（首次接触 = 寻求信息）

处理方式：

  • 在分类时纳入对话上下文
  • 在不同阶段使用不同的模型/规则
  • 跟踪对话状态

置信度与回退方案

设置置信度阈值

高置信度（>0.85）：

  • 自动响应
  • 进入下一步

中置信度（0.6-0.85）：

  • 使用更委婉的措辞自动响应
  • 如果响应未能奏效，则标记以供审核

低置信度（<0.6）：

  • 提出澄清问题
  • 升级至人工处理
  • 使用安全的回退响应
回退策略

澄清问题： “我想确认自己理解得没错——您是想了解更多，还是希望我改天再联系您？”

安全确认： “感谢您的回复！我会再联系您，并提供合适的信息。”

升级至人工处理： “好问题——我让团队成员直接跟进您。”

合规注意事项

必须检测的意图

短信（TCPA/ACMA）：

  • STOP、UNSUBSCRIBE、CANCEL、END、QUIT
  • 必须立即检测
  • 必须立即执行（不再发送消息）

电子邮件（CAN-SPAM/GDPR）：

  • 取消订阅请求
  • 删除数据请求
  • 必须在规定时限内处理
实现

优先级 1 规则：

OPT_OUT (immediate action, no exceptions):
  - STOP
  - UNSUBSCRIBE
  - REMOVE
  - CANCEL
  - Any message containing "stop texting"

这些规则应在任何其他处理之前触发。

测试与改进

衡量性能

准确性指标：

  • 精确率（预测意图中正确的百分比）
  • 召回率（实际意图中检测到的百分比）
  • F1 分数（两者的平衡）
  • 混淆矩阵（哪些意图容易混淆）

业务指标：

  • 响应恰当率
  • 升级率
  • 按检测意图划分的转化率
  • 客户满意度
构建测试集

收集真实示例：

  • 从实际对话中抽样
  • 手动标注
  • 纳入边缘情况

测试集类别：

  • 意图明确（应正确识别）
  • 意图模糊（可能需要澄清）
  • 多意图（检测所有意图）
  • 边缘情况（不常见的表达方式）
持续改进

定期审核：

  • 每周抽查误分类案例
  • 识别模式
  • 更新规则或重新训练模型

反馈循环：

  • 跟踪机器人响应未奏效的情况
  • 与意图检测结果进行关联分析
  • 修复根本原因

实施清单

阶段 1：基础
  • 定义意图分类体系
  • 设置合规规则（选择退出）
  • 实现基础规则匹配
  • 创建回退响应
阶段 2：增强
  • 收集训练数据
  • 实现机器学习分类
  • 设置置信度阈值
  • 构建升级逻辑
阶段 3：优化
  • 实现多意图检测
  • 添加上下文感知
  • 构建反馈循环
  • 监控并改进

需要询问的问题

如果需要更多背景信息：

  1. 你的机器人在哪些渠道运行？
  2. 最重要的待检测意图是什么？
  3. 你有标注好的训练数据吗？
  4. 目前的准确率是多少？
  5. 误分类在哪些方面造成的问题最大？

相关技能

  • sentiment-analysis：用于理解情绪基调
  • conversational-flow-management：用于作出恰当回应
  • objection-recognition：用于检测特定类型的异议
  • compliance-handling：用于满足监管要求

评论

支持 Markdown