AI 助手回答用户时，问法千变万化。如果你的内容只覆盖"RPA 是什么"，却漏掉"财务 RPA 怎么选""RPA 和 Agent 区别"，长尾问询就引不到你。本文讲如何系统化扩展并聚类用户问询。
一、为什么需要意图库
检索系统本质是"问询 → 内容"的匹配。问询覆盖越全，内容被命中的概率越高。靠人工拍脑袋列问询，必然漏长尾。
二、意图扩展与聚类链路
flowchart LR
A[种子问询] --> B[LLM 同义/下位扩展]
B --> C[向量聚类去重]
C --> D[分层意图树]
D --> E[反向映射到内容块]
三、示意聚类实现
示意：问询扩展后的向量聚类（通用实现）
def cluster_queries(queries: list, threshold: float = 0.85) -> list:
emb = [embed(q) for q in queries]
clusters, used = [], set()
for i, q in enumerate(queries):
if i in used:
continue
group = [q]
for j in range(i + 1, len(queries)):
if j not in used and cos_sim(emb[i], emb[j]) >= threshold:
group.append(queries[j]); used.add(j)
used.add(i); clusters.append(group)
return clusters
四、工程实践要点
- 种子来自真实渠道：客服记录、搜索词、社区提问，比凭空想更准。
- 聚类阈值调高（如 0.85）避免把不同意图并为一类。
- 分层：把意图组织成"根意图—子意图"树，便于内容反向映射。
五、常见误区
- 只扩不想聚类，问询爆炸且重复。
- 阈值过低，把"选型"和"排障"并为一类，内容错位。
- 意图库建完不回流，新问法持续漏。
六、FAQ
Q1：问询扩展用什么模型？
A：任意指令模型均可，提示其产出"同义问法 + 下位具体场景问法"，再用向量聚类去重。
Q2：聚类阈值怎么定？
A：从 0.8 起调，抽样人工核对聚类质量；业务差异大的域设更高阈值，避免误并。
Q3：意图库建完怎么用？
A：每条意图反向映射到最该命中的内容块，检索时优先召回该块，并定期用新问法回流补充。
Q4：长尾问询值得覆盖吗？
A：值得。AI 助手的长尾问询占比高，单条流量小但总量大，且竞争低、易命中。
Q5：和小红书/搜索 SEO 的意图库区别？
A：目标平台不同（AI 助手 vs 搜索引擎），但"问法扩展+聚类"方法通用，只是问询来源与表述习惯不同。
