Agent Intent Clarification & Ambiguity Resolution/ 智能体意图澄清与歧义消解

Agent Intent Clarification（意图澄清）解决的是：用户给 Agent 的指令往往是模糊、不完整或存在歧义的——比如「帮我处理一下那个报告」——Agent 是直接「猜一个最可能的意思」然后执行（高风险），还是先「追问澄清几个关键点」再动手（更安全）。核心问题在于：Agent 需要有能力识别歧义、判断信息缺口、提出精准的追问，并且在追问成本（延迟、用户耐心）和执行风险之间找到最优平衡。这是 Agent 从「命令行工具」升级为「靠谱协作伙伴」的分水岭。

意图澄清按触发机制和执行深度分为三种模式，生产环境通常组合使用：

**1. 被动澄清（Reactive Clarification）——Agent 遇到不确定时才问**

Agent 在推理过程中发现关键信息缺失（如缺少目标文件路径、缺少操作对象、多选一时无法判断），主动生成追问。这是最常见的模式，实现简单，但依赖 Agent 自身的「自知之明」——知道自己不知道什么。LLM 天然有「过度自信」倾向（即使信息不足也会编一个答案），因此需要在 System Prompt 中显式训练「不确定就反问」的行为模式。关键技巧：在 prompt 中给出具体的「不确定信号」示例（如缺少参数时输出 CLARIFY: ... 而非强行执行）。

**2. 主动澄清（Proactive Clarification）——Agent 在对话开始时就结构化收集信息**

Agent 不等到执行中途才发现信息缺口，而是在接到任务后、动手前，先用结构化的方式确认关键参数。常用形式：槽位填充（Slot Filling）——即 Agent 维护一个「必要参数清单」（如发送邮件需要：收件人、主题、正文、附件），逐项检查是否已提供，缺失项主动询问。这类似于传统对话系统中的「填槽」机制，但在 LLM Agent 中由模型驱动而非规则驱动，更灵活但也更容易遗漏。代表性框架：OpenAI Agents SDK 的 `instructions` 中的结构化输出引导、LangGraph 的 `interrupt` 机制。

**3. 交互式澄清（Interactive Clarification）——Agent 提供选项而非开放提问**

与其问「你想怎么处理？」（开放提问，用户需要思考），不如问「你是要 A）生成 PDF 报告，还是 B）发送邮件摘要？」（选择式提问，降低用户认知负担）。更进一步：Agent 在执行前生成一个「执行计划预览」（Plan Preview），列出即将执行的步骤和预期结果，让用户一次性确认所有歧义点。这是 Anthropic 推荐的「Human-in-the-Loop at decision points」模式——在关键决策点（而非每一步）设置确认关卡。

核心设计原则：只问必要问题（不过度追问）、一次问清（不反复追问）、提供默认选项（降低决策成本）、给出追问原因（让用户理解为什么需要这个信息）。

• **测试一：歧义识别能力测试——Agent 能否正确识别「信息缺口」**

• 操作：构造 20 个不同歧义类型的任务指令（如缺少操作对象「帮我删除」、多义动词「处理一下那个文件」、缺少参数「发个通知」、隐含假设「像上次那样」），观察 Agent 是否在动手前识别出歧义并追问，还是直接「猜一个」执行

• 工具：LangSmith (https://smith.langchain.com) 记录完整对话轨迹 + 人工标注关键追问节点；自定义测试集（参考 MultiWOZ 或 Schema-Guided Dialogue 数据集构造歧义变体）

• 指标：歧义识别召回率（目标 ≥ 90%——有歧义的指令中 90% 应触发追问）、误报率（目标 ≤ 10%——足够清晰的指令不应追问）、追问精度（提出的追问中 ≥ 80% 是真正必要的）

• **测试二：追问质量评估——追问是否精准高效**

• 操作：对每个触发追问的任务，评估追问质量：是否一问中的（而非泛泛问）、是否给出了上下文（让用户知道为什么问）、是否提供了选项（降低用户负担）、追问轮次是否可控（不超过 2 轮）

• 工具：用 GPT-4 或 Claude 作为「追问质量评估器」，按上述 4 个维度打分（1-5 分）；Weights & Biases (https://wandb.ai) 记录实验指标

• 指标：追问精准率（一次追问即获取足够信息的比例 ≥ 80%）、追问轮次（平均 ≤ 1.5 轮）、用户满意度模拟分（≥ 4/5）

• **测试三：过度追问 vs 信息不足的权衡**

• 操作：对比三种 Agent 策略——A) 零追问（直接执行，接受失败风险）、B) 激进追问（每个歧义都问）、C) 智能追问（仅在高风险或不可逆操作前追问）。分别跑 50 个真实场景任务，记录完成任务的总用时、用户操作次数、任务成功率

• 工具：自定义 Agent 测试框架 + Pytest；用不同策略的 System Prompt 控制 Agent 行为

• 指标：任务成功率（C 应显著高于 A，接近 B 但追问次数远少于 B）、用户操作次数（C ≤ B 的 50%）、端到端完成时间（C 与 A 差距 ≤ 20%）

1. **「过度追问」把 Agent 变成审讯官**：Agent 对每一个模糊点都追问，导致用户需要回答 5-6 个问题才能开始执行一个简单任务。这比直接猜错更让用户恼火——因为用户觉得「我自己做都比你快」。解决方案：为 Agent 设置「追问预算」（如每任务最多追问 2 次），优先问高风险问题（不可逆操作、有副作用的操作），低风险歧义可以用默认值填充并在结果中标注「按默认值 XXX 执行，如有误请告知」。关键是：把追问视为一种「成本」，只在风险 > 成本时才发起。

1. **追问时机错误——执行到一半才问导致工作白费**：Agent 启动了 3 个工具调用（查数据、调 API、生成草稿），执行到第 4 步才发现需要用户确认一个参数，前面 3 步的 Token 和时间全浪费了。这种「延迟追问」在工具链较长的 Agent 中非常常见。解决方案：实现「预执行检查」（Pre-Execution Gate）——在调用任何有副作用的工具之前，先在「沙盒」中检查所有参数是否齐全，缺了就一次性列出所有信息缺口。LangGraph 的 `interrupt_before` 机制就是为此设计的。

1. **追问中的「锚定效应」——Agent 的追问方式引导了用户答案**：Agent 问「是要生成 PDF 还是 Word？」——用户本来想要 Markdown，但因为 Agent 没提这个选项，用户就选了 PDF。Agent 的追问框架限制了用户的真实需求表达。解决方案：在选择题追问后，始终附加「或其他格式？」的开放式尾巴；对于复杂任务，先在追问前给出 Agent 对当前需求的理解摘要（「我理解你需要在 X 场景下做 Y 事，对吗？」），让用户在更高层级纠正理解偏差，而不是在细节选项中被框住。

• Anthropic - Building Effective Agents（含 Human-in-the-Loop 设计模式）: https://www.anthropic.com/engineering/building-effective-agents

• OpenAI Agents SDK - Agent Loop & Clarification Patterns: https://openai.github.io/openai-agents-python/

• LangGraph - Interrupt & Human-in-the-Loop 机制: https://langchain-ai.github.io/langgraph/concepts/human_in_the_loop/

• Google - People + AI Guidebook（人机交互设计原则，含确认与澄清模式）: https://pair.withgoogle.com/guidebook/