AI 助理聽不懂人話？問題不在模型，在於名稱對齊的最後一哩路

當 AI 代理人從鍵盤走向語音輸入，許多看似穩固的知識檢索系統便開始失靈。我認為，這類失效的核心癥結點，往往不在於大型語言模型的推理能力不足，也不是向量資料庫的參數不對，而是一個更前端、卻常被忽略的環節：輸入層的對齊問題。口語中充滿了縮寫、別名與非正式稱謂，如果系統沒有建立一道明確的「名稱正規化」防線，再強大的語意搜尋也只是在噪音中打轉。真正該補強的不是更多向量，而是將使用者意圖精準對應到結構化知識的實體映射（entity mapping）工程。

為什麼一個簡單的 CSV 知識庫，在語音輸入下會失靈？

最近，我在 Zenn.dev 上讀到一篇日本開發者的實務分享，他的經驗恰好印證了這個觀點。這位開發者為他的組織建立了一個輕量級的知識庫，僅由四份 CSV 檔案構成，分別管理人、公司、伺服器與系統的基礎資訊。透過讓 AI 在需要時查詢這幾份簡單的台帳，系統在鍵盤輸入的場景下運作得相當順利。

然而，大約在兩個月前，當他將主要的互動方式從鍵盤全面轉向語音輸入後，問題浮現了。AI 代理人開始頻繁地無法從理應正確無誤的 CSV 台帳中檢索到資訊。例如，當他口頭詢問某個專案「SVR-01」伺服器的狀態時，AI 可能會因為無法將口語發音或簡稱與 CSV 中的正式名稱「Project-Alpha-Server-01」對應起來而回報「查無資料」。這並非模型失智，而是輸入的訊號在進入檢索流程前就已經失真。

為什麼語音輸入會放大「名稱不對齊」問題？

鍵盤輸入在某種程度上強迫使用者進行自我校正。我們會下意識地使用更精確、更正式的詞彙，以確保系統能理解。但語音是一種截然不同的互動介面，它更接近人類自然的溝通模式：充滿彈性、情境與大量的非標準化用詞。

這種現象在技術上稱為「表記ゆれ」（notation variance），也就是同一個實體存在多種不同的文字或口語表達方式。例如：

• 縮寫與全稱：口語中的「GCP」，對應到資料庫裡的「Google Cloud Platform」。
• 別名與正式名稱：同事間稱呼的「田中桑」，對應到人事資料裡的「田中太郎」。
• 專案代號與產品名稱：內部開發代號「Project Titan」，對應到對外發表的「Quantum Analytics Suite v3.0」。

傳統的資訊檢索或自然語言處理（NLP）流程，常依賴命名實體辨識（Named Entity Recognition, NER）來抓取關鍵字。但標準的 NER 模型或許能辨識出「GCP」是一個組織或產品，卻無法在沒有額外脈絡的情況下，將它與「Google Cloud Platform」這個存在於特定資料庫中的字串劃上等號。這便是典型的實體連結（Entity Linking）挑戰，也是語音互動中檢索失靈的主因。

許多團隊投入大量資源優化向量資料庫的 top-k 檢索或 reranking 演算法，卻忽略了最前端的閘口：如果使用者查詢的實體名稱從一開始就無法被正確解析，後端的檢索管線設計得再精妙也無用武之地。

如何建立有效的名稱對齊層？

前述的日本開發者並沒有選擇更複雜的 AI 模型或演算法，而是採取了一個極為務實的作法：他增加了第五份 CSV 檔案。這份檔案的功能很單純，就是一張「別名索引表」（alias index），專門用來映射各種非正式稱謂與其在知識庫中的正式名稱。

這個看似簡單的「第五張表」，本質上就是一個輕量級的名稱正規化與實體對齊層。我認為，這應該成為所有需要處理非結構化輸入的 AI 系統的標準配備，而不僅僅是事後補救的手段。一個有效的對齊層，至少應該包含以下幾個元素：

• 唯一識別碼（Unique ID）：每個實體在系統中的內部 ID。
• 標準名稱（Canonical Name）：資料庫中儲存的官方、完整名稱。
• 別名清單（Aliases）：所有已知的縮寫、簡稱、代號、甚至是常見的錯誤拼寫。
• 語音特徵（Phonetic Features）：針對語音輸入，可額外儲存發音相似的詞彙，以應對語音轉文字（ASR）的可能錯誤。

這個對齊層的實作不一定要是 CSV，它可以是資料庫中的一張對照表、一個 JSON 檔案，或是一個更複雜的知識圖譜。重點在於，這個環節必須被獨立出來，視為一個前處理步驟。在執行任何昂貴的向量檢索或 LLM 推理之前，系統應先通過這個對齊層，將使用者輸入的模糊查詢「正規化」為指向明確資料庫實體的結構化指令。

這不僅是效率問題，更是系統穩健性的問題。正如許多研究指出的，語言模型在處理事實性知識時仍有其侷限，尤其是在面對特定領域（domain-specific）的專有名詞時。與其寄望模型能「憑空」理解「AWS」就是「Amazon Web Services」，不如直接建立一條明確的對應規則。這種作法不僅成本更低、反應更快，也讓系統的行為變得更可預測、更易於除錯與維護。

當 AI 的入口從螢幕與鍵盤，轉移到麥克風與攝影機，我們面對的挑戰也從單純的文字理解，擴展到對複雜、多模態、充滿模糊地帶的人類訊號的解析。在這個轉變過程中，那些看似不起眼、卻能串連起人類語言與機器數據的「對齊層」，將會是決定 AI 代理人是真正得力助手，或僅是一個昂貴玩具的關鍵所在。

延伸閱讀

• A Survey on Deep Learning for Named Entity Recognition (arXiv)
• What is a knowledge graph? (Deutsche Bank)

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。