汽车领域的领域特定查询理解：一种模块化且可扩展的方法

尽管大型语言模型（LLM）在领域特定应用中日益普及，但汽车行业的查询理解仍未得到充分探索。该领域独特之处在于其专业术语和多样化的用户意图。不同于通用助手，汽车系统必须精确理解用户查询并将其路由到各个专为不同任务设计的工具，如零件推荐、维修程序或法规查询。此外，这些系统还必须提取结构化输入，精确匹配每个工具所需的模式。在本研究中，我们提出了一种用于汽车语境下的领域特定查询解释的新型双阶段系统，在响应性、可靠性和可扩展性之间取得有效平衡。我们的初始单阶段方法同时完成分类和实体抽取，表现适中且延迟较高。通过将任务分解为轻量级分类阶段 followed by 针对性实体抽取（使用较小的、针对性的提示词），我们的系统在效率和准确性方面实现了显著提升。鉴于汽车领域的特殊性，我们还通过结合手动标注和合成生成的样本，由领域专家审核，构建了高质量数据集。总体而言，我们的发现表明，将查询理解分解为模块化子任务 leads to 一个可扩展、准确且低延迟的解决方案。这一方法为实际部署到实际汽车查询理解系统奠定了坚实基础。