用户说「帮我做个分析报告」,智能体如果直接开干,多半做出来的不是用户想要的。真实需求常常是模糊、缺关键信息的,一个好的智能体不该硬猜,而应该在信息不足时发起澄清追问——用最少的问题补齐最关键的缺口。但追问也有代价:问太多显得啰嗦,问不到点子上更惹人烦。本文给出智能体澄清对话的工程化设计:什么时候该问、优先问什么、一次问几个、怎么约束模型别过度追问。意图识别的前置判断可结合 智能体意图路由,追问后的写操作确认则可参考 写操作幂等设计。
先判断:该问还是该猜
不是所有模糊都需要追问。设计第一原则是「能合理默认就别问,会显著跑偏才问」。判断标准有三条:①缺失信息是否直接决定输出方向(如报告的主题、对象、时间范围)——这类必问;②缺失信息是否有安全默认值(如语言默认中文、格式默认 Markdown)——这类不问,用默认;③猜错的代价有多高——只读查询猜错还能重来,写操作猜错可能改坏数据,后者必须确认。把这套判断写进系统提示词,让模型先自评「信息够不够」,够就直接执行,不够才进入追问流程。这个决策点和 人工确认环节 的设计相似,都是在高风险处设卡。
优先问「高信息增益」的问题
追问的黄金法则是:每个问题都要能显著缩小解空间。低效追问是「你想要什么样的报告?」——太宽泛,用户也答不好。高效追问是给出可选项:「这份报告给谁看?(管理层决策 / 团队复盘 / 客户交付)」——用户选一项,你就知道该用什么深度和语气。技巧是把开放式问题改造成带默认选项的半开放式问题:给出两三个常见选项,同时允许「其他,请说明」。这样多数用户一键就能答,少数有特殊需求的也能补充。一次追问控制在两到三个问题以内,优先问影响最大的那几个,其余用默认值兜底。
- 设判断门槛:在系统提示词里定义「信息是否足以执行」,够就直接做,不够才追问。
- 排优先级:按对输出方向的影响给缺失信息排序,先问高信息增益的关键项。
- 改造成半开放式:每个问题给两三个选项加默认项,降低用户回答成本。
- 限制数量:一次最多问两三个问题,其余用合理默认值兜底,避免连环追问。
- 设退出机制:追问超过一轮仍不清晰时,说明假设并按假设执行,或转人工,不无限追问。
把默认值和硬约束写进提示词
澄清逻辑的稳定性,靠提示词里的明确规则而非模型自觉。建议写死四条:①哪些字段属于「必问」(影响输出方向且无默认值);②哪些字段有默认值(语言、格式、篇幅等,直接用不问);③追问时必须给出选项、不得连续超过两个问题;④一轮追问后仍不清晰时如何处理(按假设执行并声明假设)。还可以要求模型在追问前先复述它对需求的理解,让用户一眼看出有没有跑偏——「我理解你要一份面向管理层的季度销售分析,对吗?缺时间范围,请确认」。这种「复述加单点确认」的方式,比冷冰冰地列问题体验好得多。
追问要落到结构化输出
工程实现上,别让模型自由发挥追问文本就结束。更好的做法是让它输出结构化的「待确认项」:字段名、当前理解、候选选项、默认值、是否必填。前端据此渲染成表单或选项卡,用户点选后回填到会话上下文。这样追问过程可追踪、可测试,也便于在多轮对话里保持一致。此外,把用户每次的澄清回答作为结构化状态保存,避免模型在后续生成时「忘记」用户已经说过的偏好。把澄清状态纳入 结构化输出 的体系里管理,是让智能体稳定处理复杂需求的可靠路径。
常见问题
智能体该问还是该直接做,怎么权衡?
一次追问问几个问题合适?
怎么避免智能体反复追问没完?
开放式追问和给选项,哪个更好?










评论 (0)