实战：客服工单智能分类与路由

需求

客服工单自动打标：类别（退款/物流/账号/其他）、紧急度（P0~P3）、情绪（正面/中性/负面），并按结果路由处理。

结构化分类链

from pydantic import BaseModel, Field
from typing import Literal

class Ticket(BaseModel):
    category: Literal["退款", "物流", "账号", "其他"] = Field(description="工单类别")
    urgency: Literal["P0", "P1", "P2", "P3"] = Field(description="紧急度")
    sentiment: Literal["正面", "中性", "负面"] = Field(description="用户情绪")
    summary: str = Field(description="一句话摘要")

classifier = (ticket_prompt | llm.with_structured_output(Ticket))
ticket: Ticket = classifier.invoke({"text": raw_ticket})

Literal 枚举杜绝了"模型自造类别"的问题 —— 比自由文本分类可靠得多。

按结果路由

def route(t: Ticket):
    if t.urgency == "P0":
        return escalate_to_human(t)      # P0 直接转人工
    if t.category == "退款":
        return refund_flow(t)
    return faq_bot(t)

branch = RunnableLambda(lambda t: route(t))

质量保障

• 用 50~100 条历史工单（人工标注）做评测集，分类准确率 < 90% 别全量上线；
• 低置信度处理：让模型额外输出 confidence 字段，低于阈值转人工；
• 兜底策略：解析失败（极少发生）时走规则关键词分类兜底。