意图识别最初是”规则优先，规则认不出才问模型”。规则是关键词表加句式，快、确定、不需要模型； 模型是兜底。
在 87 句题库上规则的正确率是 96.6%，但这个数是拟合出来的：词表就是照着这批题补的。 为了知道真实水平，另造了一个留出题库：148 句，用模板按固定种子展开，剔除了题库里的原句， 并规定不许照着它补词表。结果：
| 规则 | 模型直接分类 | |
|---|---|---|
| 范围内正确 | 82.8% | 91.0% |
| 自信地答错 | 18 / 134 | — |
模型更懂换了说法的问题，但管线是规则优先：规则一旦给出判断，模型根本不被调用。 规则答错一个问题，代价是答非所问；规则把一句话错判成指令，代价是设备状态被改了。
另一组 32 句的鲁棒性测试里，”要不要把风扇打开你说呢”“太热了是不是该把通风阈值调到 20 度” 这类征询意见的话，7 句中有 5 句被规则当成命令执行了。
同一批 148 句，把规则和模型的判断放在一起：
| 情形 | 句数 | 规则 | 模型 |
|---|---|---|---|
| 两者一致 | 104 | 103 对、1 错 | 同左 |
| 两者不一致 | 30 | 对 8、错 22 | 对 21、错 9 |
一致时几乎不会错（104 句错 1 句）；规则判错的 22 句里，21 句都表现为分歧。 分歧本身就是”这句可能听错了”的信号，而这个信号只有让模型复核时才拿得到。
| 做法 | 取舍 |
|---|---|
| 维持现状，把错误率写清楚 | 零风险，但”模型单独判出的指令直接执行”与原则有张力 |
| 只复核指令 | 覆盖所有有副作用的情形，改动面最小；指令要多等 2~4 秒 |
| 所有问题都复核 | 组合正确率有望从约 82% 推向 91%；每句都要调模型，另有 8/148 的误报反问 |
| 模型优先、规则兜底 | 不采用：每句必等模型，结果不再确定，模型缺席时退化最严重 |
| 照着留出题库补词表 | 不采用：只会造出第二个拟合题库 |
| 用 JSON Schema 约束模型输出 | 不采用：实测快一倍多，但准确率没提升，还多出一次错误执行——强迫模型从枚举里挑一个，它就会挑 |
只复核指令。 规则判出指令时，先让模型对同一句话独立判一次：
| 规则 | 模型 | 结果 |
|---|---|---|
| 判出指令 X | 也是 X | 执行 |
| 判出指令 X | 判成别的 | 不执行，反问”你是想……吗？”，用户确认才执行 |
| 判出指令 X | 认不出 | 不执行，反问。模型的沉默不算同意 |
| 认不出 | 判出指令 Y | 不执行，反问 |
| 模型不可用 | — | 与原来一样，即时执行 |
原则：
复核拦不住”规则和模型一起判错”。征询语气那两句两边都读成了命令，所以另在规则层加了一道守卫： 句子里有”是不是该”“要不要”“会不会”“对吧”“假设”这类词时，先于所有指令分支判为提问， 回答风扇状态与通风阈值，由用户自己决定。用户问”要不要开”，是在征求意见，系统不替用户拿主意。 两道措施互补：守卫管语气，复核管两边读法不一致。
问题类不复核。 问题答错没有副作用：回答里的数字仍然是真实读数，答案写明了答的是哪一类问题。 而对问题追加”你是不是想问……”的误报率约 8/148，会不会让人烦要等真人试用才知道。
还有一个没解决的点：同类系统（如 Rasa）用”同一个分类器前两名的置信度之差”判歧义，可以调松紧； 这里用的是”两个独立判定器是否一致”，规则一侧给不出置信度，没有可调的旋钮，只能全拦或全不拦。 问题类要复核的话，得先解决这一点。
试用中出现了三种”答了，但答错了一半”：
| 问法 | 原来的回答 | 根因 |
|---|---|---|
| 现在温度湿度噪声是多少 | 只答温度，不说漏了两个 | 规则同一分句只认一个通道，规则认出了，模型就不被调用 |
| 现在环境怎么样 | 模型理解对了，却回帮助清单 | 标签格式只装得下一个通道，多通道被当作”复述菜单”整句作废 |
| 现在记录了多少个数据 | 答成在线设备数 | 标签集合里没有这一类，模型只能挑最像的 |
最坏的是第一种：每个数字都对，用户还以为问全了。
原则不变：模型不写回答，也不写反问。 曾考虑让模型在拿不准时直接写一句反问，但模型自由写的反问里没有数字， 接地校验拦不住它，而它能承诺系统没有的能力（”要不要我帮你导出昨天的数据？”），用户答一句”要”，系统接不住。 所以模型只给候选标签，反问由代码从候选生成，选项只可能是系统真有的能力。
改动：
复核用的提示词因此与分类分开了：分类为多通道改了写法后，复核一度跟着变，消融实验查出”不是让你关风扇” 从五次都反问变成五次里四次执行关风扇。两档从此各用各的提示词，原文见 02 附录。
“温湿度多少”只答湿度，是因为规则认出了”湿度”这个词，模型从未被问到；单独把这句话交给模型，3 次都给出温度加湿度。 规则优先的管线里，规则一旦（部分）认出，就再没有人检查它漏了什么。
scripts/shadow_classifier.py 让”模型怎么看”变得可观测：规则判出一个提问时，等助手自己的模型任务做完、
模型空闲了，再用同一套分类提示词把原话交给模型，两边的判定并排写进 logs/assistant/shadow_*.jsonl。
它不改变任何回答：放在组合根、挂在问答日志上，src/ 的助手一行未动；有新问题进来就取消正在跑的这一次，
不挤占用户下一问的改写。攒下来的分歧是补规则、训练本地模型的真人语料。
提议是提问也让规则与模型并行判定，分歧时按模型答，首字慢一些可以接受。先离线推演再决定： 342 句题，现行代码给出规则的判定，同一句再让模型用线上的提示词与采样参数独立分类，按三种管线判分。 模型只能把提问改判成另一种提问，判成指令不采纳。
| 题库 | 现行 | 并行·按模型 | 并行·只补通道 | 按模型改判（改对／改错） |
|---|---|---|---|---|
| 留出 148（未调过词表） | 127 | 128 | 127 | 16 句（8／7，另 1 句前后都错） |
| 题库 87（拟合集） | 87 | 80 | 86 | 7 句（0／7） |
| 鲁棒 32 | 32 | 31 | 32 | 3 句（0／1） |
结论是不做。 唯一不受拟合影响的留出题库上净收益 1 句，拟合题库倒退 7 句，换来每个提问多等约 4.4 秒。 模型的改错是成系统的：”吵不吵”“潮湿吗”这类问当前读数的体感问法被判成”是否超标”，”噪声多大”被判成最大值。 两者错的不是同一批句子，”分歧按模型”只是把规则的错换成了模型的错。模型改对的 8 句集中在规则词表的缺口上， 若照着留出题库补进词表，留出题库就成了第二个拟合集，所以不补；要补，应以影子分类攒下的真人问法为依据。