我们为什么要取消意图分类器

1.数据依赖性

意图分类器对数据要求很高。它们需要一个庞大的、具有代表性的用户示例数据集，才能准确地处理每种意图。没有数据集，它们很难对输入进行正确分类。

建立这些数据集是一项艰巨的任务。开发人员要花费无尽的时间来收集和标注示例，毫无疑问，这并不能很好地利用他们的时间。

2.可扩展性有限 

意图分类器也不适合扩展。添加新的意图意味着要收集更多数据并重新训练模型，这很快就会成为开发的瓶颈。Plus此外，它们在维护方面也令人头疼--因为随着语言使用的演变，语篇也会发生变化。

3.语言理解能力差 

意图分类器缺乏真正的语言理解能力。它们难以应对语言中的各种变化，例如：

• 同义词
• 转述
• 措辞含糊不清
• 错别字 
• 不熟悉的口语表达
• 零散的投入

他们通常也是孤立地处理每一句话，这意味着他们缺乏在整个对话过程中保持语境的能力。 

4.过度拟合

意图分类器很容易出现过度拟合，即记忆训练实例，而不是学习一般模式。 

这意味着，它们在处理已见过的精确短语时表现出色，但在处理新的或不同的输入时却很吃力。这使得它们比专业用例更加脆弱。

1.零镜头学习能力 

LLMs 不需要实例来学习。广泛的预培训意味着它们已经理解了上下文、细微差别和意图，而不需要开发人员向它们提供具体的示例。

2.一种叫做细微差别的小东西

LLMs 意向分类器的不足之处。它们可以轻松解读成语、讽刺和模棱两可的语言。 

他们在各种数据集上接受过广泛的培训，因此有能力把握人类交流中的细微差别，而这些细微差别往往会被意图分类器所忽略。

3.更好的背景

LLMs 不会忘记谈话内容。他们会记住之前说过的话，从而使互动自然流畅，感觉更加连贯。

这种语境还能帮助他们消除歧义。即使输入的信息模糊或复杂，他们也能通过观察更广泛的对话将其拼凑起来。

4.可扩展性

LLMs 在扩展方面的能力是 100% 的。得益于对语言的广泛理解，他们不需要重新接受培训就能处理新的主题。 

这使得它们几乎可以处理任何开箱即用的用例。对于多代理系统来说，使用LLM 而不是意图分类器是最简单不过的了。

5.灵活性

LLMs 不依赖死板的模板。它们的灵活性意味着回复感觉自然、多变，完全符合对话的需要。对用户来说，它们比脆性的意图分类器体验更好。

6.训练数据较少

LLMs 不需要特定任务的标注数据就能完成工作。它们的威力来自于对不同文本的大量预训练，因此它们不依赖于煞费苦心的注释数据集。

如果需要，开发人员可以随时为自己的项目定制LLM。例如，LLMs 只需最少的数据即可进行微调，因此可以快速适应专门的使用案例或行业。

但Botpress 是LLM-first

LLMs 比老式的意图分类器更擅长识别意图。这就是我们从头开始重写，在 2020 年成为LLM 第一的原因。 

我们知道更好的技术已经到来，因此我们没有固守传统技术，而是投资于飞跃。