意图识别的置信度怎么用？低于阈值转人工

智能客服背后的大模型，要在用户敲下问题的毫秒之间做决定：自己答，还是转人工。做决定的依据就是意图识别的置信度——一个介于零到一之间的分数，衡量系统对自己判断的把握。低于阈值转人工，是几乎所有对话系统都在用的保底策略。

置信度这个数字怎么来的

机制要从分类说起。意图识别模型拿到用户这句话后，会在预设的意图清单里逐项打分：查订单零点九二、投诉零点零六、闲聊零点零一，最高分那个数值就是本轮的置信度。它衡量的不是答案对错，而是这句话与清单里某类问题的相似程度——相似度高，才有把握按那一类去答。

阈值划在哪里怎么调

阈值是一道闸门，划高了，系统动不动就交人，人工坐席压力陡增；划低了，系统硬答没把握的问题，答错一次伤一次信任。常见做法是按业务容错度定初值——出错成本高的场景阈值定高些，再按线上数据回调：转人工率、点踩率、二次进线率三张报表放在一起看，通常一两周就能校准到舒服的位置。

低于阈值之后的转人工流程

转出去也有讲究。好的流程会把系统已理解的上下文一并递给人工：用户问过什么、系统猜过什么、卡在哪一步，人工接手不必从头再问；同时给用户一句透明的话——「这个问题我转同事帮你」。转人工不是失败，是设计的一部分。扣子这类对话平台把转人工做成现成节点，配置时拖上即可；文心一言的企业方案里也有对应的路由能力，原理相通。

路由策略的常见变体

阈值之外还有几种常用变体：多轮累计置信度——第一轮没把握，追问一轮再定夺；分场景阈值——夜间人工少就适当放宽，并提示等待时长；分级路由——低置信先给参考答案请用户确认，中等置信转在线坐席，把握不足直接进人工队列。变体千姿百态，都在做同一件事：把不确定变成流程，而不是赌运气。

路由调优的上游在哪

记一个判断式：置信度路由的质量，取决于知识库的厚度。意图清单覆盖得越全，高置信区间就越大，转人工自然越少。所以路由调到瓶颈时，该去修的是知识库的更新机制和客服知识库的维护节奏，而不是死磕阈值；内容风控回收的样本，也能帮意图清单持续扩容。

评估调优效果，要分清两个指标：转人工率并非越低越好，答错引发的二次进线与投诉才是真损失；人工坐席的接手时长也有讲究，从转出到接手超过一分钟，用户的耐心就开始流失。路由策略的调优目标落在整体解决率与满意度的组合上，别只盯某个单点数字，报表要看组合、不看单边；每周固定一个时段过报表，调一处、观一周，比大动干戈更稳。

最后提醒一句团队协作：路由策略的每次调整都要留痕——谁改的阈值、依据哪天的数据，回溯时才说得清。这条纪律与知识库的版本管理一脉相承。

速查表：三档置信度的处置动作

• 高置信：直接按意图作答
• 中置信：给出候选请用户确认
• 低置信：转人工并递上上下文

分档处置，比一刀切的阈值更耐用。

关于置信度路由，问得最多的三个

• 阈值定多少算合适？：没有万能数，零点六到零点八是常见区间，最终以转人工率与答错率的平衡点为准。
• 用户会察觉被分级吗？：设计得好就察觉不到，衔接自然、上下文递到，体验反而比硬答更顺。
• 大模型时代还需要它吗？：需要，生成能力强不等于判断准，把握不足时的止损动作，恰恰靠这套分数来触发。