تصنيف النوايا المفتوحة هو مهمة صعبة في أنظمة الحوار. من ناحية، يجب أن يضمن جودة تحديد النوايا المعروفة. ومن ناحية أخرى، يجب أن يتمكن من اكتشاف النوايا المفتوحة (غير المعروفة) دون معرفة سابقة. تقتصر النماذج الحالية على العثور على الحد الفاصل المناسب لموازنة أداء كل من النوايا المعروفة والنوايا المفتوحة. في هذا البحث، نقترح طريقة معالجة ما بعد التدريب لتعلم الحد الفاصل القابل للتكيف (ADB) لتصنيف النوايا المفتوحة. أولاً، نستفيد من العينات المعروفة والمصنفة للنوايا لتدريب النموذج بشكل أولي. ثم، نتعلم تلقائيًا الحد الفاصل الكروي القابل للتكيف لكل فئة معروفة بمساعدة الخصائص الجيدة التدريب. وبشكل خاص، نقترح دالة خسارة جديدة لموازنة كل من المخاطر التجريبية والمخاطر في المساحة المفتوحة. لا تحتاج طريقتنا إلى عينات لنوايا مفتوحة ولا تتطلب تعديل بنية النموذج. بالإضافة إلى ذلك، تتميز طرقتنا بالحساسية المدهشة عند استخدام كميات أقل من البيانات المصنفة وعدد أقل من النوايا المعروفة. أظهرت التجارب الواسعة على ثلاثة مجموعات بيانات معيارية أن طرقتنا حققت تحسينات كبيرة مقارنة بالطرق الرائدة حاليًا. تم إصدار الكود في https://github.com/thuiar/Adaptive-Decision-Boundary.