LLM Agent 如何理解用户意图？指令跟随如何精准执行？

“它怎么又理解错了？”——LLM Agent 的意图识别困局

上周帮一家跨境电商客户调试他们的自动客服 Agent，用户问：“我想退掉昨天买的红色连衣裙”，结果系统却回复了一堆“如何穿搭红色连衣裙”的攻略。老板当场黑脸：“这玩意儿是人工智障吧？”

别笑，你搭建的 n8n 工作流里，是不是也常遇到“明明指令写得很清楚，Agent 却执行得驴唇不对马嘴”？问题不在模型智商，而在你没给它装上“意图翻译器”。

LLM 不是读心术士，它是“语境拼图师”。你给的每一条指令，都是它拼出用户意图的一块碎片。碎片越模糊、越零碎，拼出来的图就越离谱。

拆解黑盒：LLM 是如何“猜中”你心思的？

想象你在教一个刚入职的实习生处理客户邮件。你不会只说“处理一下”，而是会给他：

• 一份《常见问题分类手册》（意图识别模板）
• 几个典型对话案例（Few-shot 示例）
• 一张“禁止踩雷清单”（约束条件）

LLM Agent 的工作原理与此高度相似。当你在 n8n 中调用 OpenAI 节点时，系统其实是在后台悄悄组装一个“超级提示词包”，包含：

1. 系统角色设定：你是谁？客服？数据分析师？法律顾问？
2. 当前对话历史：用户之前说了啥？上下文脉络是什么？
3. 结构化指令：必须返回 JSON 格式、禁止使用专业术语等
4. 示例样本：输入“我要退款” → 输出 {"intent": "refund", "product": "连衣裙"}

我在给某 SaaS 客户做自动化工单分类时，最初准确率只有 63%。后来我在提示词里加了三行示例，准确率直接飙到 92%。秘诀？用具体打败模糊。

实战教学：在 n8n 中构建“零误差”指令执行链

下面这个工作流，是我为电商客户重构后的“高精度退货处理 Agent”。核心在于“三层校验机制”：

// 第一层：意图预过滤
if (userInput.includes('退') || userInput.includes('换')) {
  // 触发深度解析
} else {
  return '您的问题已转接人工客服'
}

// 第二层：结构化提取（关键！）
const schema = {
  type: 'object',
  properties: {
    intent: { enum: ['refund', 'exchange'] },
    product: { type: 'string' },
    order_id: { type: 'string', pattern: '^ORD\d{8}$' }
  },
  required: ['intent', 'product']
};

// 第三层：执行前二次确认
await sendConfirmation(`您要${intentMap[intent]}商品【${product}】吗？回复Y/N`);

注意看第三层的“二次确认”——这是防止 LLM 幻觉的最后一道保险。哪怕模型 99% 确定用户要退货，也要让用户亲手按个“Y”。既规避风险，又提升体验。

三个让 LLM “秒懂你”的黄金法则

记住：LLM 不是魔法，而是精密仪器。你给它的“操作手册”越细致，它表现得就越像个人类专家。

现在轮到你了

你遇到过最离谱的 LLM 误解案例是什么？是在哪个业务场景下发生的？欢迎在评论区分享你的“翻车现场”——我会挑三个最具代表性的案例，免费帮你重构提示词架构。