Python后端开发：宠物健康小程序大模型用户意图识别与智能分诊实践

在宠物健康类小程序的后端开发中，一个核心需求是理解用户的真实意图，从而进行精准分流或智能导诊。本文将详细分享一个基于 Python 与大模型的用户意图识别及智能分诊模块的开发实战过程，涵盖接口设计、代码优化、问题排查以及数据持久化等关键环节。

一、用户意图识别模块开发

1. 需求与设计

我们需要对用户输入的问题进行意图识别，将其归类到预定义的几个业务方向中。识别的分类包括：疾病问诊、疫苗接种、用药咨询、在线复诊、驱虫选药、科学养宠、行为异常、检测报告。对应的后端处理函数设计如下：

def user_intension_congnition(conversation_id:str,question:str):
    """
    用户意图识别
    返回：以下分类的一种
    """
    疾病问诊
    疫苗接种
    用药咨询
    在线复诊
    驱虫选药
    科学养宠
    行为异常
    检测报告
    """
    question = user_intension_reconition_prompt.format(input_text=question)
    return chat(conversation_id, question, stream=False)

2. 接口测试与问题排查

开发完成后，我们通过 API 接口进行测试。

第一步：测试报错
首次测试时，接口返回了 “code”: 2, “msg”: “Not Found” 的错误。

经排查，发现是服务 chat_sev 没有重启，导致新代码未生效。重启后出现了新的错误：“endswith first arg must be str or a tuple of str, not bytes”。

这个问题源于对字符串的循环处理逻辑有误。在 Python 中处理字节（bytes）和字符串（str）时需要格外注意类型转换。修复后，我们遇到了下一个问题：要求大模型（ragflow）接口非流式返回，但实际仍以流式返回。

第二步：实现非流式返回
为了解决流式返回的问题，我们需要追踪并修改代码。首先在调用端（chat_sev）将参数名统一为 is_stream 以避免冲突。

接着，在服务端（ragflow）的响应逻辑中，正确读取 is_stream 参数，并据此决定返回流式（text/event-stream）还是非流式响应。

修改后重新测试，接口成功返回了正确的意图识别结果 “疾病问诊”。

3. 数据存储与前端展示优化

识别结果直接写入对话记录后，前端会将其作为一条普通消息展示给用户，这显然不合理。

第三步：为消息添加类型标识
为了解决这个问题，我们决定为消息增加一个 type 字段。例如，将意图识别类消息的 type 设置为一个特殊值（如 100），前端根据此类型决定是否渲染显示。
首先修改了助手（assistant）消息的保存逻辑，为其添加 type 字段。

修改后，保存在数据库中的消息结构如下所示：

第四步：为用户消息同步添加类型
为了保证对话上下文的完整性，调用大模型时发送的用户（user）消息也需要携带相同的 type。我们在 chat_sev 调用大模型的代码中进行了相应修改。

第五步：服务部署上线
代码修改完成后，通过 git 操作将代码更新至服务器并重启服务。

这里需要注意，像 poetry.lock 这类依赖管理文件通常不需要频繁更新，可以将其加入到 .gitignore 中以避免不必要的环境重装。

第六步：持久化意图识别状态
为了避免对同一会话重复进行意图识别，我们将识别结果持久化到数据库的 conversation 表中。优化后的识别函数逻辑如下：

def user_intension_congnition(conversation_id:str,question:str):
    ###先查下是否进行过意图识别
    e,res_conversation = ConversationService.get_by_id(conversation_id)
    if not e:
        return error('1003',"未找到会话")
    res_conversation = res_conversation.to_dict()
    if res_conversation['intention']:
        return res_conversation['intention']
    """
    用户意图识别
    返回：以下分类的一种
        疾病问诊
        疫苗接种
        用药咨询
        在线复诊
        驱虫选药
        科学养宠
        行为异常
        检测报告
    """
    question = user_intension_reconition_prompt.format(input_text=question)
    specify_type = 100 #指定类型，这个类型表示意图识别，主要为了前端不显示

    res_chat = chat(conversation_id, question,[],False,specify_type)
    if res_chat:
        ConversationService.save(id=conversation_id,intention=res_chat,is_intent=1)
    return res_chat

该逻辑首先查询会话是否已有意图记录，若有则直接返回，否则调用 大模型 进行识别并将结果存入数据库。测试成功后，数据库记录如下：

二、智能分诊模块开发

当意图识别结果为“疾病问诊”时，系统需要进一步进行智能分诊，将问题引导至具体的科室，如消化道、呼吸道、皮肤科等。

1. 分诊流程与接口设计

根据产品设计，分诊是多轮对话问诊流程的起点。

我们基于已有的代码框架，开发了分诊接口。首先定义分诊请求的处理函数：

@router.post('/doctor_dispatch')
async def doctor_dispatch(request:Request):
    req = await request.body()
    req = json.loads(req.decode("utf-8"))
    conversation_id = ''
    if 'conversation_id' in req:
        conversation_id = req['conversation_id']
    if not conversation_id:
        return error('1001','conversation_id-是必传参数')
    question = ''
    if 'question' in req:
        question = req['question']
    if not question:
        return error('1002','question-是必传参数')
    response = doctor_dispatch_request(conversation_id,question)
    return response

2. 分诊核心逻辑与状态保存

分诊的核心逻辑与意图识别类似，也是通过构造提示词调用大模型获取分类结果。

def doctor_dispatch_request(conversation_id:str,question:str):
    ####先查下是否进行过意图识别
    e,res_conversation = ConversationService.get_by_id(conversation_id)
    if not e:
        return error('1003','未找到会话')
    res_conversation = res_conversation.to_dict()
    if res_conversation['dispatch']:
        return res_conversation['dispatch']
    """
    分诊医生分诊断
    返回诊断科室: 消化道、呼吸道、皮肤、五官等
    """
    specify_type = 101 ##指定类型，这个类型表示分诊，主要为了前端不显示
    question = doctor_dispatch_request_prompt.format(input_text=question)
    res_chat = chat(conversation_id, question, [], False, specify_type)
    if res_chat:
        ConversationService.save(id=conversation_id, dispatch=res_chat)
    return res_chat

为了持久化分诊结果，我们在 conversation 表中新增了 dispatch 字段：

ALTER TABLE `chat_sev`.`conversation` 
ADD COLUMN `dispatch` varchar(50) NULL COMMENT '对用户进行分科室诊断' AFTER `intention`

函数逻辑同样遵循“先查后算”的原则，避免重复调用，并将最终结果保存至数据库，完成了整个 后端 分诊状态的闭环管理。

总结

本次开发实践详细记录了在宠物健康小程序中，利用 Python 与大模型技术栈构建用户意图识别与智能分诊后端模块的过程。从接口调试、流式控制优化、数据持久化到最终的逻辑闭环，每一个步骤都遇到了具体的问题并通过编码解决。这种将 AI 能力嵌入到具体业务流中的模式，是当前很多智能化应用的典型实现方式，希望对您的项目开发有所启发。更多技术讨论与资源共享，欢迎访问 云栈社区。