概念/概念定义
意图即编译：把活的编译成死的
出自东方屹腾执行型 Agent 落地（案例提供 梁博）
概念定义
意图识别是把用户的自然语言，编译成编排器能执行的、明确可识别的控制信号。它本质上也是一次推理，只是这次推理的产物不是一段回复，而是一个能被程序读取、用来选择下游分支的离散信号。
使用说明
把它叫"编译"，是因为这一步做的事跟编译器做的事是一回事：源头是活的、不确定的、形态自由的输入，目标是死的、可控的、能被机器直接执行的指令。用户口语里那句"帮我搭个薪资组"，模型读得懂，但程序读不懂；程序只读得懂"这是一个 resolve 信号"。意图识别站在两者中间，用提示词引导 LLM 返回结构化输出，把用户意图收敛抽象到系统内可接纳的几个下游控制信号上。从这一步往后，程序面对的是一个枚举里的确定值，而非一段可能跑偏的语义。
这一步防住的，是把自然语言直接喂进控制流。如果不先编译，程序就得在每个分支点临场去问模型"用户现在到底想干嘛"，让概率模型来决定下一步走哪条路。LLM 是概率模型，把确定性的分支判断交给它临场决定，结果就是有时走对、有时明显走错，而且什么时候出错既不可控也无法预料。编译这一步把不确定性集中处理掉：发散的语义在入口处一次性收敛成确定的信号，之后的控制流就是一台干净的状态机，可以单测、可以回放。
东方屹腾最早落地意图识别时，识别出三种基本意图。第一种是闲聊，尽快拦截结束，不发起后面高成本的推理和行动。第二种是分析，比如用户上传一张薪资表想让 Agent 分析，这类检索一下领域知识再调一次 LLM 即可。第三种是理解意图并准确编排一系列工具完成任务，这才是核心场景。这三种早期定为 chat、analyze、resolve，后来按下游业务演化成 task、information、produce、chat 等更丰富的信号。因为 LLM 不可靠，这里设了兜底：意图没解析到就统一打成 unknown，下游配套 unknown 的兜底逻辑。也正是在这第一个意图识别环节，团队第一次看到了控制平面与叙事平面的分离——一个能力环节的输出里，既有驱动程序走向的控制信号，也有供下游推理消费的叙事内容。
何时需要
当你的 Agent 要把用户口语化的请求接进一条确定的执行流，而不是直接生成一段内容回去。编译出来的控制信号交给谁消费、怎么按信号路由到不同下游执行链，就是 Orchestrator 与意图网关；为什么入口处必须先把语义收敛成信号，根子在 控制叙事二元论。