智能文本处理流程通常包括以下几个步骤：

文本预处理：这是文本处理的第一步，包括数据的清洗、分词、词性标注、去除停用词等。预处理的目的是将原始文本数据转换成计算机可以理解和处理的形式。

特征提取：在这一步中，从预处理后的文本中提取出对后续任务有用的特征。这些特征可以是基于词袋模型的词频特征，也可以是基于语义的向量表示等。

模型训练：使用提取的特征训练一个或多个机器学习模型。这些模型可以是分类模型、聚类模型、回归模型等，具体取决于要解决的文本处理任务。

模型评估与优化：使用验证集或测试集评估模型的性能，并根据评估结果对模型进行优化。优化的方法可以包括调整模型参数、改变模型结构、使用集成学习等。

文本处理与应用：将训练好的模型应用于实际的文本处理任务中，如情感分析、文本分类、信息抽取等。

智能文本处理流程并不是一成不变的，具体步骤可能会因应用场景、数据特点等因素而有所变化。同时，随着自然语言处理技术的不断发展，新的方法和模型也不断涌现，为智能文本处理提供了更多的可能性。