Intentclassification very unreliable, what pipeline components should I use

Hey, my chatbot has been struggling to identify intents correctly. Sometimes it even confuses very simple ones like agree with disagree. Im thinking that the problem might be my pipeline configuration, but I don’t really know which dials to turn honestly. Can somebody maybe have a look at my intents and pipeline and tell me which components might be more suited?

nlu.yml
version: "3.1"
nlu:
- intent: give_name
  examples: |
    - [Max](PERSON)
    - mein name ist [Flo](PERSON)
    - [Stefan](PERSON)
    - ich heiße [Chris](PERSON)
    - ich bin [Lisa](PERSON)
    - man nennt mich [Peter](PERSON)
    - nenn mich [Clara](PERSON)
    - [Ben](PERSON)
    - [Lou](PERSON)
    - [Selina](PERSON)
    - [Maya](PERSON)
    - Ich heiße [Jonas](PERSON)
    - ich bin [Flo](PERSON)
- intent: greet
  examples: |
    - hey
    - hallo
    - hi
    - guten morgen
    - guten tag
    - guten abend
    - moin
    - hey dude
    - was geht
    - alles klar bei dir
    - whats up
    - na digga
    - na bruder
    - na alter
- intent: goodbye
  examples: |
    - tschüss
    - ciao
    - bis bald
    - bis dann
    - bye
    - auf wiedersehen
    - schönen tag noch
    - man sieht sich
    - bye bye
    - bis später
- intent: agree
  examples: |
    - Ja, in Ordnung
    - Klar, ist okay
    - Ok
    - gerne doch
    - Ja
    - ist ok
    - finde ich auch
    - ich stimme zu
    - yes
    - yeah, okay
    - ja
    - okay
- intent: disagree
  examples: |
    - nein
    - nee
    - bitte nicht
    - eher nicht
    - nicht wirklich
    - ne man
    - nope
    - Nope
    - Nein leider nicht
    - nein, danke
    - das kann ich bestätigen
    - leider nicht
    - Nö
    - noch nicht
    - eigentlich nicht
- intent: search
  examples: |
    - zeige mir Videos von [Hunden](keyword)
    - zeige mir bitte Videos von [Katzen](keyword)
    - Ich möchte etwas über den [chinesischen Restsatz](keyword) lernen
    - Ich will etwas über die [Zellteilung](keyword) lernen
    - ich verstehe das [Atommodell] noch nicht
    - woraus besteht die [Atomhülle][keyword]?
    - kannst du mir ein Video über [Python](keyword) zeigen?
    - ich verstehe die [Mitose](keyword) noch nicht so gut
    - Wie funktioniert der [Corona-Virus](keyword) genau ?
    - Ich will ein Video zu [Puls](keyword)
    - kannst du mir [Klaustrophobie](keyword) erklären?
    - könntest du mir ein Video über [Rippen](keyword) schicken?
    - Erkläre mir bitte die [Metamorphose](keyword)
    - ich möchte [Gedichte](keyword) üben
    - ich will mehr über die [Steinzeit] wissen
    - Ich brauche Informationen über [Ägypten](keyword)
    - warum ist die [Erde](keyword) rund
    - Kannst du mir sagen, warum die (Dinosaurier)[keyword] ausgestorben sind ?
    - Zeige mir Videos von [Schlangen](keyword)
    - zeige mir Videos zu [nullstelle](keyword)
    - ich will etwas zu [Anatomie](keyword) wissen
    - Warum sind [Blätter](keyword) grün?
- intent: too_short
  examples: |
    - Das Video war zu kurz
    - es war zu kurz
    - nicht lang genug
    - zu wenig Informationen
    - Zu schnell vorbei
    - Ich fand das Video zu kurz.
    - Das Video hätte länger sein können
    - Das Thema wurde abgekürzt
- intent: too_long
  examples: |
    - das video war zu lang
    - das war nicht kurz genug
    - es ging mir zu lange
    - mir wäre ein kürzeres Video lieber gewesen
    - das Video fand ich zu lange
    - Ich fand das Video zu lang.
    - Das Video hätte kürzer sein sollen
    - wenn das Video kürzer gewesen wäre, hätte es mir mehr geholfen
- intent: too_deep
  examples: |
    - Es waren zu viele Informationen
    - Das Video ging mir zu tief
    - es war zu ausführlich
    - Das waren zu viele Details
    - Das Thema wurde zu tief erklärt
    - Ich hatte nach einem Überblick gefragt
    - Es hätte mehr in die Breite gehen sollen
    - die grundsätzlichen Themen wurden nicht genug beleuchtet
- intent: too_shallow
  examples: |
    - das video war zu oberflächlich
    - ich hätte mir mehr Informationen gewünscht
    - ich habe mehr infos gebraucht
    - Ich hab mir mehr Tiefe gewünscht.
    - Die Informationen waren zu oberflächlich
    - Ich bräuchte tiefergehendes Wissen.
    - es war nur grundlegendes wissen
    - ich brauche mehr Details
    - das Video war nicht detailiert genug
    - das video hatte nicht alles wonach ich gesucht habe
- intent: too_difficult
  examples: |
    - das war mir zu schwer
    - das war zu anstrengend
    - ich habe nichts verstanden
    - das waren zu viele komplexe wörter
    - es wurden Sachen vorausgesetzt, die ich noch nicht kannte
    - Das Video war zu komplex.
    - Es war zu schwierig
    - Das Video war für meine Altersklasse zu schwer.
- intent: too_simple
  examples: |
    - ich habe mir mehr Komplexität gewünscht
    - ich wusste alles schon
    - ich habe nichts neues gelernt
    - da war nichts neues dabei
    - Das Thema wurde zu einfach erklärt
    - es war zu basic
    - Das Video war für Leute mit weniger Wissen

config.yml
# The config recipe.
# https://rasa.com/docs/rasa/model-configuration/
recipe: default.v1

# Configuration for Rasa NLU.
# https://rasa.com/docs/rasa/nlu/components/
language: de

pipeline:
  - name: SpacyNLP
    model: "de_core_news_lg"
  - name: SpacyTokenizer
  - name: SpacyFeaturizer
    alias: "spacy"
  - name: SpacyEntityExtractor
    dimensions: ["PERSON"]
  - name: RegexFeaturizer
    alias: "regex"
  - name: LexicalSyntacticFeaturizer
    alias: "lexical"
  - name: CountVectorsFeaturizer
    alias: "count1"
  - name: CountVectorsFeaturizer
    alias: "count2"
    analyzer: "word"
    min_ngram: 1
    max_ngram: 3
  - name: DIETClassifier
    epochs: 70
  - name: LogisticRegressionClassifier
    max_iter: 100
    solver: liblinear
    tol: 0.0001
    random_state: 42
  - name: EntitySynonymMapper

# Configuration for Rasa Core.
# https://rasa.com/docs/rasa/core/policies/
policies:
# # No configuration for policies was provided. The following default policies were used to train your model.
# # If you'd like to customize them, uncomment and adjust the policies.
# # See https://rasa.com/docs/rasa/policies for more information.
  - name: MemoizationPolicy
  - name: RulePolicy
  - name: UnexpecTEDIntentPolicy
    max_history: 5
    epochs: 80
  - name: TEDPolicy
    max_history: 5
    epochs: 80
    constrain_similarities: true

I recommend using the suggested pipeline to start and then customizing from there.