企业官网建设流程全解析

IntelliQ后端架构深度剖析：从LLM集成到意图处理的完整流程

【免费下载链接】IntelliQAdvanced Multi-Turn QA System with LLM and Intent Recognition. 基于LLM大语言模型意图识别、参数抽取结合slot词槽技术实现多轮问答、NL2API. 打造Function Call多轮问答最佳实践项目地址: https://gitcode.com/gh_mirrors/in/IntelliQ

IntelliQ是一款基于LLM大语言模型意图识别、参数抽取结合slot词槽技术实现多轮问答、NL2API的高级多轮问答系统，致力于打造Function Call多轮问答最佳实践。本文将深入剖析IntelliQ的后端架构，带您了解从LLM集成到意图处理的完整流程。

一、整体架构概览

IntelliQ的后端架构围绕多轮问答流程构建，核心包括用户输入处理、意图识别、参数抽取、LLM交互以及结果返回等关键环节。系统通过模块化设计，实现了各功能组件的解耦与高效协作。

图：IntelliQ多轮问答工作流程，展示了从用户输入到AI回复的完整处理流程

从上图可以清晰看到，整个流程始于用户输入，经过意图识别、参数抽取等步骤，最终生成AI回复。若参数信息不完整，系统会主动向用户提问补全，形成闭环的多轮交互。

二、LLM集成模块

LLM（大语言模型）是IntelliQ的核心驱动力，系统通过灵活的接口设计实现了与LLM的深度集成。在frontend/src/api/aiApi.js中，定义了streamLLMChat和chatWithLLM等函数，用于与LLM进行实时交互。

export function streamLLMChat(messages, userInput, sessionId, onData, onError, onComplete) { // 实现与LLM的流式交互 } export function chatWithLLM(messages, userInput, sessionId) { // 实现与LLM的单次交互 }

这些接口不仅支持基本的文本对话，还能处理流式输出，为用户提供更流畅的交互体验。同时，在config/__init__.py中，通过配置项CHAT_HISTORY_COUNT控制发送给LLM的历史消息条数，优化模型输入。

三、意图识别与处理

意图识别是IntelliQ理解用户需求的关键一步。系统通过models/chatbot_model.py中的逻辑实现意图的识别与切换。当用户输入与当前场景不相关时，系统会清除当前场景并重新开始意图识别。

# 用户想要切换场景，清除当前场景并重新开始意图识别 self.current_purpose = None self.is_slot_filling = False

意图定义在frontend/src/utils/intentMap.js中，每个意图包含对应的业务键和所需的词槽信息。例如：

{ name: '查询账单', businessKey: 'query_bill', slots: ['phone', 'bill_period'] }

这种设计使得系统能够根据不同的意图，动态加载相应的处理逻辑和词槽模板。

四、slot词槽技术与参数抽取

slot词槽技术是IntelliQ实现多轮问答的核心机制之一。系统通过词槽定义需要从用户输入中抽取的关键参数，并在参数不完整时主动向用户提问补全。

4.1 词槽定义与管理

在scene_processor/impl/common_processor.py中，定义了词槽的初始化和管理逻辑。系统通过get_raw_slot函数从场景配置中获取词槽模板，并在处理器中维护词槽状态。

self.slot_template = get_raw_slot(parameters) self.slot = get_raw_slot(parameters)

4.2 词槽填充流程

词槽填充是一个动态过程，系统通过LLM分析用户输入，提取关键信息并更新词槽状态。当词槽信息不完整时，系统会生成补槽提示，引导用户提供更多信息。

图：IntelliQ词槽多轮填充流程，展示了词槽信息的动态更新和补全过程

在utils/helpers.py中，update_slot函数负责根据LLM的输出更新词槽状态，而is_slot_fully_filled函数则用于判断词槽是否已完全填充。

def update_slot(json_data, dict_target): # 更新槽位slot参数 def is_slot_fully_filled(json_data): # 判断槽位是否完全填充

4.3 前端词槽交互

在前端，frontend/src/components/SlotFiller.jsx组件实现了词槽信息的收集与展示。当需要用户补全信息时，系统会动态生成表单，引导用户输入所需参数。

五、多轮问答流程控制

IntelliQ的多轮问答流程控制主要通过models/chatbot_model.py和scene_processor/impl/common_processor.py实现。系统通过维护会话状态，跟踪用户意图和词槽填充情况，决定下一步操作。

当用户输入后，系统首先进行意图识别，然后根据当前意图的词槽定义进行参数抽取。如果参数完整，系统调用相应的API获取结果并返回给用户；如果参数不完整，系统会生成补槽提示，进入多轮交互模式。

if is_slot_fully_filled(self.slot): # 调用API获取结果 api_result = call_scene_api(scene_key, slots_data) else: # 生成补槽提示 message = get_slot_query_user_message(self.scene_name, self.slot, user_input)

六、核心模块协作

IntelliQ的后端架构通过多个核心模块的协作，实现了高效的多轮问答功能。这些模块包括：

• LLM交互模块：负责与大语言模型的通信，实现意图识别和参数抽取。
• 意图管理模块：维护用户意图状态，处理意图切换逻辑。
• 词槽处理模块：管理词槽定义，实现参数抽取和补全。
• API调用模块：根据填充完整的词槽信息，调用相应的业务API。

这些模块通过清晰的接口和数据流进行协作，共同构成了IntelliQ的后端核心。

七、总结

IntelliQ后端架构通过巧妙的设计，将LLM集成、意图识别、slot词槽技术和多轮问答流程有机结合，实现了强大的自然语言交互能力。系统的模块化设计不仅保证了各功能组件的独立性，也为未来的扩展和优化提供了便利。

通过深入了解IntelliQ的后端架构，我们可以看到其在处理复杂用户需求和实现高效多轮交互方面的优势。无论是意图识别的准确性，还是词槽填充的灵活性，都体现了IntelliQ在构建Function Call多轮问答最佳实践方面的努力。

如果您想进一步探索IntelliQ的实现细节，可以参考项目中的相关代码文件，如models/chatbot_model.py、scene_processor/impl/common_processor.py和frontend/src/utils/intentMap.js等。

【免费下载链接】IntelliQAdvanced Multi-Turn QA System with LLM and Intent Recognition. 基于LLM大语言模型意图识别、参数抽取结合slot词槽技术实现多轮问答、NL2API. 打造Function Call多轮问答最佳实践项目地址: https://gitcode.com/gh_mirrors/in/IntelliQ