1. 模型与参数：先把 “硬件” 拉满

• 模型选择分类任务必须用强推理模型：

  • GPT-3.5-turbo / GPT-4
  • 通义千问 Pro / 文心 4.0 / 字节豆包 Pro小模型（7B、1.8B）分类准确率天生差，不建议用于意图判断。

• 参数设置（关键）

  • Temperature = 0 ~ 0.1越低越稳定、越不会乱分类。
  • Top P = 0.1 ~ 0.3
  • 禁止开启 “创意模式”“自由发挥”

2. 只让分类器看当前问题，不要看历史对话

这是90% 人准确率低的核心原因。用户前面聊别的，后面突然问新问题，分类器会被上下文带偏。

正确做法：Question Classifier 的输入只传：

plaintext

sys.query

不要传入历史对话、不要传入系统提示。

3. 类别设计必须清晰、互斥、不重叠

类别越模糊，准确率越低。原则：

• 类别之间不能有歧义
• 一个问题只能属于一个类别
• 类别数量不要太多（建议 3～8 类）
• 必须加一个 【其他】兜底

错误示例：

• 投资、融资、找机构、找资金 → 应该合并为【找投资】
• 需求、项目、产品、痛点 → 合并为【找需求】

4. 提示词结构：固定格式 = 高准确率

给你一个Dify 分类器专用高准确率提示词，直接复制：

plaintext

你是一个严格的意图分类器。
规则：
1. 只根据用户当前这句话判断，不看上下文。
2. 必须且只能选择一个类别。
3. 语义不明确时，一律返回【其他】。

类别定义：

【找投资】
用户询问融资、投资人、基金、投资偏好、合作、资金、IPO、并购、退出。

【找需求】
用户询问项目、产品需求、市场机会、客户痛点、解决方案、功能设计。

【AI赛道】
涉及大模型、LLM、RAG、Agent、提示词、AI应用、AIGC、向量库。

【智能制造】
涉及机器人、工业自动化、芯片、硬件、装备、产线、工厂、精密制造。

【其他】
不属于以上任何类别。

用户问题：{user_query}
只输出类别名称，不要任何多余内容。

5. 给每个类别提供 3～5 个示例句（非常有效）

LLM 最喜欢示例，有示例准确率直接提升一档。在提示词里加：

plaintext

示例：
1. 我想融资 → 【找投资】
2. 有什么好项目 → 【找需求】
3. 怎么做RAG → 【AI赛道】
4. 工业机器人前景 → 【智能制造】
5. 今天吃什么 → 【其他】

6. 禁止输出解释，只输出类别名

分类器一旦开始解释，就容易跑偏。强制要求：

• 只输出类别名称
• 不要理由
• 不要分析
• 不要 JSON（除非你必须用 JSON）

简单输出最稳定。

7. 用 “强制格式指令” 锁死输出

在最后加一句：

plaintext

输出格式：仅输出【】内的类别名称，不输出任何其他内容。

8. 避免类别太细、太相似

例如：

• 不要分：早期投资、成长期投资、PE 投资
• 统一叫【找投资】细分类可以在后续节点再判断，不要让分类器一次性做太难的任务。

9. 测试集验证 & Bad Case 优化

准备 20～50 条测试问句，反复跑，把分错的句子加入提示词作为反例。

例如：

plaintext

反例：
“我有项目想找钱” → 不属于【找需求】，属于【找投资】

反例越多，模型越不容易错。

10. 进阶：用 JSON 结构化输出（更稳定）

如果你希望后续流程更稳，可以让分类器输出 JSON：

plaintext

{
  "category": "找投资"
}

JSON 格式比纯文本更不容易乱输出。

---

最简单总结（照着做就能提高）

1. 用强模型，温度 0.1
2. 只看当前问题，不看历史
3. 类别少、清晰、互斥
4. 提示词给定义 + 示例
5. 强制只输出类别
6. 收集错例，优化提示词