本研究聚焦湖北电信10001短信营业厅在意图识别上的误匹配问题，提出一套融合语义匹配与大模型推理的混合框架。用户通过短信咨询套餐变更、话费查询等业务时，由于自然语言的模糊性，现有系统常出现误匹配，既影响用户体验，也降低了企业服务效率。为解决这一难题，研究构建了智能短厅混合推理框架。在算法层面，引入 Jaccard 算法计算用户短信与标准文本的相似度，快速筛选初步匹配的业务类别；对经典的 BERT 模型进行微调，利用历史短信数据优化参数，提升语义理解能力；结合 Qwen2.5 RAG 技术，从业务知识库中检索信息，生成更准确的回复。针对训练数据不足的问题，采用同义词替换、句式变换等方法扩充数据集。同时，将 Llama 70b 模型蒸馏到 Llama1b，在减少模型体积的同时保持关键知识，降低部署成本。系统引入Jaccard算法进行初筛，结合微调BERT与Qwen2.5-RAG实现深度语义解析，并通过Llama模型蒸馏提升部署效率。在12类标签场景下，微调与蒸馏结合的方案显著提升了意图识别准确率，混合推理框架总体识别率达到77.04%，优于传统方案。