用户意图分类（User Intent Classification）是把用户的一句输入映射到其真实需求类型的方法体系。搜索引擎时代最通用的版本来自 Andrei Broder 在 2002 年对查询日志的观察：信息型（Informational）、导航型（Navigational）、交易型（Transactional）。信息型指用户想弄明白一件事，导航型指用户想抵达某个已知的站点或页面，交易型指用户想完成购买、下载、注册、预约等动作。此后 Rose 与 Levinson 在 2004 年补充了资源型子类，国内实践里又常把商业调研（Commercial Investigation）与本地意图单列出来，形成四类或五类的扩展版本。

这套分类之所以长期有效，不是因为它精确，而是因为它同时约束了三件事：检索引擎召回什么、结果页如何排序、内容方生产什么。意图判错，后面的词库、页面结构、转化路径全是错位的。生成式引擎把这三个约束同时松开了一半——答案由模型在若干候选文档上综合生成，用户看到的不是十条链接，而是一段带引用的结论。意图并没有消失，但它的判定依据、兑现场所和内容方需要交付的证据形态，都发生了结构性位移。

一、三分法的由来：意图原本是检索系统的路由规则

Broder 提出三分法的出发点并不是给学术研究分类，而是给检索系统提供路由规则。面对一个查询，引擎需要先决定走哪条通路：信息型走召回与相关性排序，导航型走最可能的首页匹配，交易型走商品库、商家库或动作入口。分类的价值在于降低误判成本，把一个模糊的自然语言输入压缩成一个可执行的系统决策。

Rose 与 Levinson 随后把信息型再拆为定向型、开放型与已知项查找，理由是这三类在点击行为上差异明显：定向型用户会连续翻页，开放型用户容易在第一个结果处停下，已知项查找则近似导航。后来行业里单列出的商业调研，本质是信息型与交易型的过渡带——用户还没决定买，但已经在为买做准备。这条过渡带在生成式引擎里被显著放大，成为竞争最激烈的一段。

三分法隐含了四个前提，理解这四个前提比记住分类名称更重要。第一，查询是短的、独立的、单轮的；第二，意图基本可以从查询文本本身判断；第三，结果页是意图的兑现场所；第四，点击与停留时长是可观测信号。这四条在关键词输入框里几乎总是成立，所以基于词法的意图判断能跑到很高的准确率。

传统的关键词级判定线索

• 疑问词与定义词：是什么、为什么、原理、区别、历史，指向信息型
• 品牌名叠加站点词：官网、登录、下载、客服电话，指向导航型
• 动作动词与交易限定词：购买、报价、优惠、预订、申请、多少钱，指向交易型
• 比较词与评价词：对比、哪个好、替代品、测评、避坑，指向商业调研
• 地域限定与时间限定：附近、本地的、2026 年最新，指向本地意图或时效性信息型

这些线索的准确率依赖一个条件：输入被压缩成了两到四个词。生成式入口恰好把这个条件去掉了，用户开始像跟人说话一样提问，一句里可以同时包含介绍、比较和购买三种诉求。

二、生成式引擎改写了意图判定的四个前提

第一个变化是输入形态。用户输入的是口语化长句，带上下文，且往往跨越多个回合。一句典型的话可能是：介绍一下这个品类有哪些方案，顺便说说 A 和 B 哪个更适合二十人的团队，以及怎么开通试用。这句话里同时存在信息型、商业调研与交易型，任何单标签分类都会丢信息。更合理的做法是给一句话打上意图分布，而不是单一意图。

第二个变化是兑现场所。答案在结果页内被直接生成，用户不必点击。传统意义上信息型意图的兑现在是阅读一篇文章，现在变成读完一段答案；交易型意图的兑现在是进入商品页，现在可能是被引导到一个可执行的入口，甚至由代理直接完成下单。兑现场所的迁移，直接决定了内容该写多长、写在哪一层、需不需要给出下一步动作。

第三个变化是检索形态。模型会把原始问题拆成若干子查询，多路召回后重排、抽取、合成。这意味着意图判定实际发生在子查询层，而不是原始问句层。一个宽泛的问题会被分解成定义、对比、价格、评价等多个子问题，每个子问题独立召回文档。内容能否进入答案，取决于它是否覆盖了其中某条子查询，而不是是否匹配那个宽泛的主问题。

第四个变化是可观测信号。曝光、点击、排名的解释力下降，引用次数、引用位置、品牌被提及、答案是否纳入某个候选集，成为新的观测对象。这些信号颗粒度更粗，也更难直接归因到某一次会话，但它们更接近生成式引擎里真实的竞争位置。

意图坍缩：三种意图在对话界面里越来越像

在对话框里，信息型、导航型、交易型都表现为提出一个问题并期待一段回答，界面把差异抹平了。用户不再区分自己是在搜索还是在咨询，输入框只有一种形态。这种界面层面的统一，可以称为意图坍缩：意图的差异不再体现在交互形式上，而是转移到答案内部。

坍缩之后，三者的区别体现在答案需要什么证据、允许多长、是否要给出行动入口。信息型答案需要定义与边界，导航型答案需要实体事实与准确归属，交易型答案需要可比参数与可执行路径。意图分类没有失效，失效的是它的旧产出物。过去分类的产出是十条链接，现在分类的产出应该是一组可被引用的断言，外加一个明确的下一步。

三、信息型意图：从被点击的页面到被引用的断言

定义型与原理型问题已经高度答案化。模型可以独立完成一个概念的解释，不需要用户点击任何页面，这类查询的点击概率在持续下降。真正留下点击空间的是四类问题：存在争议的问题、需要一手经验的问题、依赖时效数据的问题、以及需要结合企业内部信息才能回答的问题。内容投入应该向这四类倾斜，而不是继续生产可以被模型三句话讲完的通识解释。

信息型内容的价值评估标准，正在从覆盖率转向可抽取性。一篇结构完整但结论分散的长文，在生成式答案里的表现往往不如一篇由自足段落组成的文章。原因很直接：抽取的单位是段落，不是页面。一段话如果脱离上下文就读不懂，它被引用的概率就很低；一段话如果自带主语、结论和限定条件，它可以被直接搬进答案。

三种高引用密度的段落形态

• 定义句：说明对象是什么、用于解决什么问题、与相邻概念的区别，主语必须是完整名词而不是代词
• 条件句：写清在什么条件下成立、在什么条件下不成立，避免把限定条件留在上一段
• 数据句：给出数值、口径、时间与样本来源，让模型可以判断可信度而不是复述一个孤立的百分比
• 边界句：主动说明不适用场景与已知局限，这类句子常被模型用来做风险提示，反而提高被引用概率

写作层面的调整很具体。标题写成一个问题，首句直接给结论，每段只承载一个断言，把前提条件写进同一段。这些做法在传统 SEO 里叫可读性优化，在生成式引擎里直接决定了段落能否被切分与复用。一个反直觉的判断是，信息型内容不该一味追求全，而该追求可切分。覆盖面靠站点内的多篇内容共同承担，单篇的任务是把自己那几个断言讲清楚。

还有一个容易被忽略的点：信息型意图的竞争已经从同一关键词下的页面之间，转移到了同一子查询下的段落之间。同一条子查询可能召回五篇文档，最终只有一到两段被写进答案。这时决定胜负的不是域名权重，而是段落与问题的贴合程度，以及这段话是否带有可核验的来源。

四、导航型意图：品牌被点名，而不是被访问

传统导航型意图的前提是用户心里已经有了目标站点，搜索只是路径。生成式入口把这段路径接管了：用户问某品牌的官网、问这个品牌靠不靠谱、问它和同行相比怎么样，模型直接给出一段描述，多数情况下用户不再需要点击。品牌依然被抵达，但抵达的方式从访问变成了被提及。

导航型意图在生成式环境里分化成三种情形，风险各不相同。第一种是直接问品牌，模型是否知道这个品牌、描述是否准确，决定了用户的第一印象。第二种是问评价，模型会引用第三方语料，评测站、行业媒体、社区讨论共同决定了品牌叙事，第一方内容很难直接改写这段叙事。第三种是问替代方案，竞品会被并列，形成一个默认候选集，用户后续的比较都在这个集合内进行。

这三种情形共同指向一个前置条件：品牌召回。模型在没有提示的情况下能否说出你的品牌、它属于哪个品类、有什么差异化，决定了导航型意图能否成立。品牌召回不取决于投放量，取决于实体信号在公开语料中的一致性与密度。同一家公司如果在官网、百科、行业媒体、招聘页、开源仓库里用了五个不同的业务描述，模型就很难形成一个稳定实体。

可被模型稳定识别的实体信号

• 名称一致性：品牌名、产品名、曾用名、常见缩写在同一套表述下出现，别名的使用要有边界
• 结构化标注：组织、产品、软件应用类型的结构化数据，帮助机器确认实体边界与属性
• 事实页：成立时间、团队规模、客户行业、资质认证等可核验事实集中在一处，避免散落在营销文案里
• 第三方引用：行业报告、学术引用、标准组织文档、开源项目说明，这类来源在模型语料中的权重通常高于企业自述
• 品类定义句：用一句稳定的表述说明自己属于哪个品类、替代什么旧方案，重复出现在多个可信来源上

需要正视一个风险：如果模型只能从竞品的对比页认识你，你的定位就由对手代写。防御手段不是删除负面内容，而是提供足够多的一方可引用事实，让模型在生成描述时有本方可用的证据。删帖在生成式环境里几乎没有意义，因为语料早就被采集过了。

五、交易型意图：决策链路前移与机器可读性

交易型意图很少以买字开头。真实的链路是认知、比较、验证、执行四段，生成式引擎把比较与验证这两段大量吸收进了答案。用户还没打开任何电商页面，就已经在对话里完成了参数对比、价格区间判断和适用性评估。落地页承担的职能因此后移，从说服变成了确认。

商业调研类问题成为争夺焦点，具体包括价格区间与计价方式、关键参数的差异、适用的团队规模、隐性成本、退款与合规条款。这些信息过去被放在落地页底部或销售话术里，现在必须成为公开、结构化、可引用的事实。模型不会替用户打电话问销售，它只会复述它能读到的内容。

从人到代理：可执行性成为新的排序因素

当引擎具备工具调用能力，能够比价、预约、下单、提交表单，交易型意图的终点就从进入落地页变成了被代理执行。这个变化对内容提出的要求非常硬：产品标识、价格、库存、区域可用性、履约条款必须是机器可读的，而且要保持更新。一段写得再动人的产品介绍，如果价格只在图片里，代理就读不到。

• 可比参数：与同类产品同口径的规格表，避免自造指标导致无法横向比较
• 可核验承诺：服务等级、试用期限、退款政策、数据合规声明，需要明确条件而不是营销形容词
• 可执行入口：报价请求、试用开通、接口文档、预约链接，让答案能够顺滑地导向下一步

竞争单位也随之变化。过去争的是关键词排名，现在争的是候选集纳入率——模型在回答比较类问题时，默认会提到哪几个品牌。没有进入这个清单的品牌，在后续所有环节里都不存在，哪怕它的落地页转化率再高。这是交易型意图在生成式引擎中最容易被低估的一处结构性变化。

六、三种意图在生成式答案中的响应差异

同一套优化动作在三种意图上的收益完全不同，因为答案的失败模式不同。信息型的失败是答案讲完了却没有你，导航型的失败是信息错了或被竞品替代，交易型的失败是参数过时或压根不在比较清单里。用同一套指标衡量三者，会得出误导性的结论。

信息型：看答案完整度与引用位置

核心指标是被引次数、引用在答案中的位置、以及断言归属率，即答案里的关键结论是否标注了来源。位置比次数更重要，出现在答案首段的引用，获得的注意力远高于末尾的补充来源。另一个值得跟踪的指标是答案缺口，即模型回答某个问题时明确表示信息不足，这类缺口往往对应着可填补的内容机会。

导航型：看品牌提及与实体准确率

核心指标是无提示品牌召回率、事实准确率、竞品共现比。无提示召回指在没有任何品牌提示的问题下，模型是否主动提到你；事实准确率指模型描述的收入规模、客户数量、成立时间是否与官方口径一致；竞品共现比指在品类问题中你与主要对手被同时提及的频率，它近似反映了候选集的构成。

交易型：看候选集纳入率与参数准确率

核心指标是比较类问题的纳入率、价格与规格的准确率、以及代理可执行率。参数准确率需要定期抽检，因为模型可能复述半年前的价格。代理可执行率是较新的指标，衡量在具备工具调用能力的环境里，你的产品信息能否被正确解析并完成一次询价或下单。

实践含义是，一篇内容常常同时承载三种意图，按页面分配意图会浪费素材，按段落分配才合理。定义段服务信息型，对比段服务交易型，事实与资质段落服务导航型。同一个页面里，这三类段落的写法、证据密度和更新频率都应该不同。

七、对内容策略的影响：从关键词矩阵到意图资产矩阵

第一层变化发生在需求侧。关键词库要升级为问题库，以真实问句为单位，标注意图分布、决策阶段、所需证据类型。问题来源不只是搜索词，还包括客服对话、销售异议记录、站内搜索、社区提问，以及模型在回答相关问题时暴露出的信息缺口。问题库的颗粒度应该细到子查询，因为召回发生在那一层。

第二层变化发生在生产侧。内容从整篇交付转为模块化交付，同一组断言可以复用到官网、帮助文档、问答页、第三方投稿，保证跨平台事实一致。模块化的前提是建立事实源：价格、参数、资质、客户案例各自只有一个权威出处，其他位置引用而不是复制。没有事实源，结构化数据三个月就会腐烂。

建立意图资产矩阵的四个步骤

• 采集：汇总搜索词、客服与销售对话、站内搜索、社区问题，形成原始问题池，按月更新
• 标注：为每个问题标注意图分布、决策阶段、需要的证据类型，一个人工样本加模型批量标注即可跑起来
• 映射：为每类意图定义最小证据集，信息型要定义句与边界句，导航型要事实页与实体标注，交易型要同口径参数与履约条款
• 度量：跟踪引用份额、候选集纳入率、品牌召回、辅助转化，按意图分层看，而不是只看站点总量

度量体系需要接受一个现实：生成式答案带来的转化很难直接归因。可行的代理指标包括品牌搜索增量、直接访问增长、销售在被问及来源时的自报数据，以及模型答案中引用链接的点击。把这些指标与传统的自然搜索数据并列观察，比追求一个精确的归因模型更实用。

组织层面还有一件事需要提前定下来：谁对事实负责。价格由谁维护、参数由谁审核、资质由谁更新，如果不落实到岗位，意图资产矩阵会在一个季度内退化成一份过时的文档。生成式引擎对过时信息的惩罚不是排名下降，而是直接引用竞品的数字。

常见问题

生成式引擎下还需要做关键词研究吗

需要，但产出物不同。关键词研究仍然能反映需求规模与竞争密度，只是它给出的是一组词，而生成式引擎需要的是一组问句及其子查询。可行的做法是把高频词扩展成完整的提问句式，再拆出模型可能生成的子查询，用子查询的覆盖度来评估内容完备性。

三种意图应该优先投入哪一种

取决于品类所处的决策阶段与客单价。高客单价、长决策周期的 B 端业务，商业调研段落与事实页的边际收益最高，因为它们同时服务信息型与交易型。低客单价、强品牌认知的品类，导航型意图的品牌召回更关键，因为用户已经在比较候选集，没被点名就没有后续。

多轮对话里意图漂移怎么处理

不要试图给一次会话贴一个固定标签。可行的做法是以回合为单位记录意图分布，并观察漂移路径，例如从品类认知滑向价格比较，再滑向采购流程。漂移路径比单点意图更有价值，它直接对应内容的排序方式与内部链接结构。

结构化数据在生成式引擎里还有用吗

有用，但作用点变了。它不再主要影响富媒体摘要的展示，而是帮助模型确认实体边界与属性取值。组织、产品、软件应用、常见问答这几类标注，能降低模型误读的概率。标注的价值在于消歧，不在于排名。

怎么衡量品牌在生成式答案里的可见度

建立一组固定的提示集，覆盖品类词、比较词、场景词、品牌词四个层面，定期在主流生成式引擎上跑一遍，记录是否提及、提及位置、描述准确度、同现竞品。样本量不必很大，但提示集要稳定，否则数据无法做时间序列比较。

信息型内容零点击还有价值吗

有价值，但价值的兑现方式变了。零点击内容承担的是品牌召回与信任前置，用户在看到答案的同时也看到了来源。衡量它不该用页面点击率，而该用品牌搜索增量、直接访问增长与后续转化路径中的辅助触点。

交易型意图在代理执行的场景下如何布局

先把可机器读取的基础设施补齐：产品标识、同口径参数、实时价格、库存与履约条款，并以接口或结构化数据的形式开放。其次是把比较类问题写成可引用的对比段落。最后是保证执行入口可用，包括试用开通、报价请求与文档下载，否则答案再准确也接不住。

意图分类还需要人工标注吗

需要，但只需要一小部分。人工标注的价值在于定义边界与校准模型，尤其是商业调研与交易型之间那条模糊地带。用几百条高质量标注训练或提示一个分类器，再让它批量处理长尾，比全量人工标注更可持续，也比纯模型判断更稳定。