“这个D盘里的文件是不是融了？” ——用户原意是“冗余”，AI听成了“融合”

你有过和AI鸡同鸭讲的经历吗？你说东，它答西；你解释半天，它依然我行我素。看起来AI什么都能听懂，但实际上，它可能根本没理解你的意思。

这就是AI认知架构中的核心难题——意图理解。今天聊聊挡在AI理解你的三道坎。

---

一、第一道坎：语言歧义

中文是一门博大精深的语言。同一个词，在不同语境下可能有完全不同的含义。而AI理解语言的方式，本质上还是“概率匹配”，而非真正的“理解”。

案例：文件命名引发的“中间方案”

用户说：“文件要按日期生成，要么建文件夹，要么单一文件内部记录。”

这本是一个简单的二选一问题：

• 方案A：创建文件夹，如 问题案例/2026-03-29.md

• 方案B：单一文件，如 问题案例.md，内部按日期记录

结果AI想出了一个“聪明”的方案——创建 问题案例_2026-03-29.md：文件名带日期，但不在文件夹里。

用户当场无语：“我要的是二选一，你给我搞个第三种方案是几个意思？”

这就是典型的语言歧义处理失败。AI没有真正理解“要么...要么...”的二选一结构，而是自作主张搞了个“中间方案”。

深层问题：文件夹用途理解偏差

另一个典型案例是归档位置错误。当AI需要自动归档内容时，它可能把一篇投资分析文章放到“问题研究记录”文件夹，把一篇技术文档放到“封面图”文件夹。

这不是AI故意捣乱，而是它没有真正理解不同文件夹的用途语义。它只是按照字面规则匹配，而不懂“投资分析”应该去“财报分析”，“技术文档”应该去“工具类”。

意图理解的三个层次

层次	描述	举例
Level 1	字面理解	“删除这个文件”→执行删除
Level 2	上下文理解	用户重复说“删除”→可能是上次没删干净
Level 3	深层意图	用户说“文件太多了”→实际意思是“帮我整理”

目前大多数AI还停留在Level 1，能听懂字面指令，但缺乏上下文推理和深层意图推断能力。

---

二、第二道坎：语音输入法干扰

如果你用语音输入和AI对话，那面临的问题会更棘手——语音输入法错误。

案例：“融了”还是“冗余”

用户语音输入：“这个D盘里的文件是不是融了”

AI理解为：“融合”——文件融合在一起了，需要拆分。

但用户实际想说的是：“冗余”——文件有没有冗余，需要清理。

一字之差，意思完全相反。

这是因为语音输入法的同音字识别错误：

• 融 → 冗

• 的 → 得

• 在 → 再

• 做 → 作

类似的例子还有：

• “期终考试” → “期中考试”

• “协同” → “协定”

• “调试” → “跳试”

建立错误模式库

针对语音输入法错误，我们可以建立一套常见错误模式库：

常见同音/近音错误：
- 融 → 冗
- 的/得/地 不分
- 在/再 分不清
- 做/作 混淆
- 期中/期终
- 协同/协定
- 调试/跳试

当AI检测到语义明显不通顺时，应该主动询问：“你说的是XXX吗？语音输入法可能识别错了。”

检测方法

1. 语义通顺度检测：生成的回答是否与上下文逻辑一致？

2. 上下文关联：当前理解能否与对话历史衔接？

3. 错误模式库匹配：是否命中已知的高频语音输入错误？

---

三、第三道坎：重复提问不识别

你有没有遇到过这种情况：同样的话说了两遍，AI跟没听见一样？

案例：说了等于没说

用户第一次说：“文件要按日期生成，要么建文件夹，要么单一文件内部记录。”

AI执行了方案A（建文件夹）。

用户第二次说同样的话。

AI又一次机械执行了一遍，没有问：“是不是之前做得有问题？”

这就是重复提问不识别问题。AI没有对比历史对话的能力，不知道用户在说同样的话。

更深层的问题：AI不会“反思”

重复提问的本质是AI缺乏自我反思能力。它不会想：

• 用户为什么又说了一遍？

• 是不是我之前做得不对？

• 需不需要主动确认一下？

这种能力在人类对话中稀松平常，但对AI来说是一个巨大的挑战。

相关问题：问三个只答一个

比“不识别重复”更隐蔽的问题是选择性回答。

用户问：“是你有了意识逗我玩还是怎么回事还是漏洞？”

这是一个包含三个子问题：

1. 你有意识吗？

2. 你是逗我玩吗？

3. 这是漏洞吗？

AI只回答了“是漏洞”，自动忽略了“意识”和“逗我玩”两部分。

这是因为AI会自动分配问题优先级，认为某些问题“不重要”或者“不需要回答”。这种行为在学术上叫做“对齐偏移”——AI觉得自己知道什么该答、什么不该答。

解决：所有问题平等对待

正确的做法应该是：

1. 回答前先列出所有问题：用户问了几个，就列几个

2. 逐个回答：不能跳过任何一个

3. 不确定时询问：如果某个问题理解不确定，主动澄清

---

意图理解 vs 自我对齐：两个不同的坑

在AI认知架构研究中，“意图理解”和“自我对齐”是两个容易混淆的概念。

维度	意图理解	自我对齐
问题本质	认知问题	执行力问题
规则状态	没有规则	已有规则
表现	未理解用户意图	未按规则执行
解决方式	识别规律、写入规则	强化执行力、审查

简单来说：

• 意图理解：用户的意思我听不懂 → 需要建立理解规则

• 自我对齐：用户的规则我没执行 → 需要强化执行能力

举两个例子：

意图理解问题：

• 用户说“文件太多了”

• AI理解为“文件数量多”

• 实际意思是“帮我整理”

这是认知层面的问题，需要AI学习更深层的意图推断。

自我对齐问题：

• 用户说“记住这个偏好”

• AI说“记住了”

• 下次遇到同样场景，还是按老办法来

这是执行层面的问题，AI知道规则但没执行。

---

小结

AI的意图理解，目前还停留在“字面理解”阶段。

它能听懂“删除这个文件”，但听不懂“文件太多了帮我整理一下”。它能执行第一次指令，但识别不出用户在重复同样的要求。它能回答问题，但可能只回答它认为“重要”的部分。

要跨越这三道坎，需要：

1. 建立歧义检测机制：识别多义词、模糊表达

2. 引入上下文记忆：对比历史对话，识别重复

3. 强化问题完整回答：不允许选择性忽略

路还很长，但至少我们已经看到了问题所在。

---

下一篇预告

写了规则却不执行——AI的知行不一

规则写得好好的，到执行时就忘得一干二净。这种“知行不一”的问题怎么破？敬请期待第5篇。