Jev/TEV意图识别 vs Embedding：不是替代是分工

不能完全替代，但可以干掉一大半传统 Embedding 意图识别的场景，二者有明确分工，不是简单谁取代谁。

1、老方案：Embedding 向量做意图识别

流程：句子 → 向量化 → 向量相似度检索，匹配预先写好的意图库

原理：语义相似度匹配，靠向量空间远近判断属于哪个意图

适合：意图集合固定、提前建好库；意图数量可以很大（几千、上万）

痛点：

• 只看语义相似，不理解逻辑条件、约束规则。例：“我要退款但订单已经超过180天”，向量会匹配“退款意图”，但业务上不允许退款；向量看不出时间条件。
• 歧义、否定很容易翻车：“我不想退款”，向量依然靠近退款向量。
• 新增意图：要重新加入样本、重新索引。
• 很难做“并行多判断”：同时判断【是不是退款、是不是投诉、是否紧急、是否用户撒谎】，Embedding 要多次检索，不好原生输出置信度分数。

2、Jev / TEV（System‑One 决策模型）做意图识别

Choice/Noul 原生做意图分类，输出校准概率

原理：带指令理解的决策打分，能读懂描述、条件、否定、边界定义。

"route_team": {
  "type": "choice",
  "instructions":"判断用户诉求",
  "criteria":{
    "refund":"用户要求退款，订单未超180天",
    "complaint":"用户表达不满投诉",
    "consult":"普通业务咨询"
  }
}

👉 你可以直接在 criteria 里面写业务边界条件，这点 Embedding 做不到。

优势：

• 零样本/少样本直接上，不用提前堆一堆标注样本建向量库。
• 新增意图直接改 JSON 配置，不用重新索引。
• 一次请求并行输出：意图 + 是否紧急 + 是否风险，多个判断一起返回。
• 输出校准后的概率，方便设置阈值，置信低自动丢给 System2 大模型。

短板（致命，决定它不能完全干掉 Embedding）：

• Choice 选项数量有硬上限（原版 Jev 上限 255 个）。> 如果你的意图库是 2000、10000+ 细粒度意图，TEV/Jev 直接扛不住；Choice 不能塞一万个选项进去。
• 大量长尾细粒度意图成本高：几百个以内意图很爽；上千意图，你要维护大量 criteria 文本，推理开销上升。
• 对完全没见过的全新陌生意图，泛化虽然好，但不如检索式 Embedding 的“召回”能力。

结论：怎么选

满足下面，直接上 TEV/Jev，Embedding 那套可以下线：

• 意图之间业务边界复杂，有很多条件、例外、否定；
• 经常要新增/修改意图，不想反复维护向量库、重刷索引；
• 不光要“识别意图”，还要同时并行判断紧急度、风险、真假；

  典型场景：客服工单分诊、Agent 工具选择、风控初筛。

意图规模很大：几百上千甚至上万细粒度意图 > 比如大型知识库问答，几千个问题模板，用 Embedding 做召回是成本最低的；塞给 TEV Choice 不现实。

主要做召回、知识库检索、相似问句匹配 > Embedding 擅长：“找历史最相似的用户 query”，这是检索任务，不是决策分类任务。Jev‑TEV 不是检索器。

大量长尾、冷样本：需要做粗筛召回，再交给决策模型精判。

最佳实践

直接 TEV/Jev 完成意图识别，淘汰 Embedding 意图模块

业务：客服意图识别，总共 120 个意图 → 直接 TEV，Embedding 意图模块可以删掉。

Embedding 做粗召回 → TEV 做精判过滤

• Embedding 向量库：从 1000 个候选意图里粗召回 Top‑K（比如 Top5）；
• 把召回出来的 5 个意图丢进 TEV 的 Choice；
• TEV 结合业务条件、规则，选出最终意图，输出概率；置信不足交给 System2 大模型。

既利用 Embedding 能扛海量候选的优势，又利用 TEV 能理解业务条件、做严谨决策的能力。

业务：企业内部 FAQ，3000 条问答 → Embedding 召回 Top‑8，再喂 TEV 做最终选择校验。

❌ 误区

“有 TEV 了，向量库全部干掉”

向量有两类用途要区分：

• 向量用于【意图分类】：小场景可以被 TEV 替换。
• 向量用于【知识库检索、相似 query 召回、RAG】：完全不能被 Jev/TEV 替代，TEV 没有检索能力。

总结

• 小规模、带业务规则的意图识别，TEV/Jev 可以把 Embedding 那套意图分类给干没；
• 海量候选召回、RAG 知识库检索，Embedding 依旧不可替代；
• 大规模意图最佳实践：Embedding 粗召回 + TEV 精决策。

For further actions, you may consider blocking this person and/or reporting abuse