Die offene Absichtsklassifikation ist eine herausfordernde Aufgabe in Dialogsystemen. Einerseits sollte sie die Qualität der Identifizierung bekannter Absichten gewährleisten. Andererseits muss sie die offene (unbekannte) Absicht ohne vorheriges Wissen erkennen. Aktuelle Modelle haben Schwierigkeiten, die geeignete Entscheidungsgrenze zu finden, um die Leistung sowohl bei bekannten Absichten als auch bei der offenen Absicht auszubalancieren. In dieser Arbeit schlagen wir eine Post-Processing-Methode vor, um eine adaptive Entscheidungsgrenze (ADB) für die offene Absichtsklassifikation zu lernen. Zunächst nutzen wir die etikettierten Stichproben bekannter Absichten, um das Modell vorzutrainieren. Anschließend lernen wir automatisch die adaptive sphärische Entscheidungsgrenze für jede bekannte Klasse unter Verwendung gut trainierter Merkmale. Insbesondere schlagen wir eine neue Verlustfunktion vor, um sowohl das empirische Risiko als auch das offene Raumrisiko auszugleichen. Unsere Methode benötigt keine Stichproben von offenen Absichten und erfordert keine Änderungen an der Modellarchitektur. Darüber hinaus zeigt sich unser Ansatz überraschend unempfindlich gegenüber weniger etikettierten Daten und weniger bekannten Absichten. Ausführliche Experimente auf drei Benchmark-Datensätzen zeigen, dass unsere Methode im Vergleich zu den bislang besten Methoden signifikante Verbesserungen erzielt. Der Quellcode wird unter https://github.com/thuiar/Adaptive-Decision-Boundary veröffentlicht.