电商客户反馈处理场景 实现

本篇博客主要是将LangChain的基础应用到业务场景中去。，接口部分不再展示。相应的代码会放到github，项目位置：/AICustomerService ，感兴趣的可以去看一下，这个场景后面还会更新代码，最基础的逻辑已完成。前端页面的话，后续会截图展示在博客中。

需求场景：现在有一个电商平台客户反馈处理的场景。

1. 文档概述

项目	内容
场景名称	智能电商客户反馈处理系统 (Intelligent Feedback Processing System, IFPS)
版本号	V1.0
目标用户	客服团队、运营团队、产品经理、技术运维
核心价值	提升客诉响应速度，实现分级处理，降低人工成本，挖掘用户痛点数据。

2.背景及痛点

目前电商平台日均产生海量用户反馈(评论、工单、IM聊天记录)，主要解决以下痛点：

1. 响应滞后：人工筛选紧急客诉耗时久，导致高优先级问题处理不及时(如物流丢件、资金安全)处理不及时，引发舆情风险

2. 分类不准，依赖人工打标，标准不一、难以准确统计各类问题占比，无法知道业务改进

3. 回复效率低：客服人员需要重复撰写相似回复，占用大量时间

4. 情感盲区，难以实时量化用户情绪变化，无法在用户流失前进行干预

3. 功能需求详解

1. 智能问题分类

   目标是精准识别用户情绪倾向及强度，将非结构化文本映射到标准化的业务标签体系，便于路由和统计

• 一级分类：自动归类至核心业务域，包括物流配送 、商品质量 、售后服务、 支付结算、 账号安全、 平台活动、 其他。
• 二级细分：在一级分类下自动提取具体问题点。
  • 例：物流 -> 发货延迟 、 包裹破损、 快递员态度差。
  • 例：商品 -> 假货嫌疑 、 描述不符、 缺少配件。
• 关键词提取：自动提取反馈中的核心实体（如订单号、商品SKU、快递单号、具体日期）

2. 情感分析

目标：精准识别用户情绪倾向及强度，为后续优先级判定提供基础数据。

• 功能描述：
  • 极性判断：自动将反馈标记为 正面 (Positive)、中性 (Neutral)、负面 (Negative)。

3. 紧急程度动态评估

   目标：基于规则引擎与AI模型，计算工单优先级，实现“急事急办”。

Python代码实现

import json
import os
import re
import time

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.runnables import RunnableParallel, RunnableLambda, RunnablePassthrough
from langchain_openai import ChatOpenAI

# 创建模型client
model = ChatOpenAI(
    model="qwen3-max",
    temperature=0,
    base_url= "https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key= os.getenv("DASHSCOPE_API_KEY") 
)


# 带重试的调用模型函数
def call_qwen_with_retry(prompt,max_retry=3,retry_delay=2):
    """调用模型，并重试"""
    for i in range(max_retry):
        try:
            return model.invoke(prompt).content
        except Exception as e:
            time.sleep(retry_delay)
            print(f"第{i+1}次重试，错误信息：{e}")
    raise Exception("调用模型失败")

# 业务逻辑处理

# 获取订单信息
def get_order_info(feedback:str) -> dict:
    """获取订单信息"""
    prompt = f"""
    你是一名电商订单处理专家，请从用户反馈中提取订单ID：
    {feedback}
    订单ID通常是以订单ORD开头的10位数字组合，例如：ORD2023010101，如果找不到，请返回"订单ID未找到"
    请严格按照JSON格式返回结果：
    {{"order_id": "提取结果"}}
    """
    try:
        match = re.search(r"ORD\d{10}", feedback)
        return {"order_id": match.group(0) if match else "订单ID未找到"}
    except Exception as e:
        print(f"获取订单信息失败：{e}")
        result = call_qwen_with_retry(prompt)
        return json.loads(result.strip())

# 情感分析
def analyze_sentiment(feedback:str) ->dict:
    """分析用户反馈"""
    prompt = f"""
        请分析以下用户反馈的情感倾向
        {feedback}
        要求：
        1. 判断用户反馈的情感倾向，并返回结果为"POSITIVE(积极)/NEUTRAL(中性)/NEGATIVE(消极)",
        2. 评价信誉度（0-1）
        3. 提取3个关键词
        返回的结果为JSON格式：
        {{
            "sentiment": "POSITIVE(积极)/NEUTRAL(中性)/NEGATIVE(消极)",
            "credit": "信誉度",
            "keywords": [关键词 1, 关键词 2, 关键词 3]
        }}
    """
    try:
        result = call_qwen_with_retry(prompt)
        paser = JsonOutputParser()
        result = paser.parse(result)
        return result
    except Exception as e:
        print(f"情感分析失败：{e}")
        return {
            "sentiment": "NEGATIVE",
            "credit": 0.7,
            "keywords": []
        }

# 问题分类
def classify_problem(feedback:str) -> dict :
    prompt = f"""
    你是一名电商客服专家，请从用户反馈中提取问题类型：{feedback}
    分类的选项：
        - 物流问题：配送延迟、物流损坏等
        - 产品质量：商品瑕疵、功能故障等
        - 客户服务：客服态度、响应速度等
        - 支付问题：扣款异常、退款延迟等
        - 退货退款：退货流程、退款金额等
        - 其他：无法归类的反馈
    要求：
    1.选择一个最合适的问题类型，并返回结果为"物流问题"、"产品质量"、"客户服务"、"支付问题"、"退货退款"、"其他"
    2.按照相关度进行排序
    返回的结果为JSON格式：
    {{
        "problem_type": [分类 1、分类 2、分类 3] 
    }}
    """
    try:
        result = call_qwen_with_retry(prompt)
        output_paseter = JsonOutputParser()
        result = output_paseter.parse(result)
        return result
    except Exception as e:
        print(f"问题分类失败：{e}")
        return {
            "problem_type": ["其他"]
        }


# 处理订单紧急程度
def handle_order_urgency(feedback:str) -> dict:
    prompt = f"""
        你作为一名电商客服主管，请从用户反馈的紧急程度：{feedback}
        评估标准：
        - High: 包含"紧急“、”立刻“、”马上“ 或者威胁投诉
        - Medium: 表达强烈不满但无立即行动要求
        - Low: 一般反馈或者建议
        要求：
        1.选择一个最合适的订单紧急程度，并返回结果为"紧急(High)"、"一般(Medium)"、"不紧急(Low)"
        2.按照相关度进行排序
        返回的结果为JSON格式：
        {{
            "urgency_level": "紧急程度",
            "reason": "原因",
            "sla": "服务时间 (小时)"  
        }}
    """
    try:
        result = call_qwen_with_retry(prompt)
        output_passer = JsonOutputParser()
        result =  output_passer.parse(result)
        result["sla"] = int(result["sla"])
        return result
    except Exception as e:
        print(f"订单紧急程度评估失败：{e}")
        return {
            "urgency_level": "Medium",
            "reason": "无法评估",
            "sla":24
        }

# 生成最终的答案
def generate_response(data:dict) -> dict:
    print(data)
    prompt_template = """
        你作为一名电商客服专家，请根据下列分析结果生成客户回复：
        ### 客户反馈原文
        {feedback}
        ### 分析结果
        - 订单ID：{order_id}
        - 情感倾向：{sentiment}
        - 信誉度：{credit}
        - 问题类型：{problem_type}
        - 紧急程度：{urgency_level},需要在{sla}小时内处理
        {key_phrases_section}
        ### 回复要求
        1. 请使用中文回复
        2. 根据情感倾向调整语气
            - 积极反馈：表达感谢，适当赞美
            - 消极反馈：诚恳道歉，明确解决方案
        3. 包含订单ID、问题类型
        4. 明确说明处理时间和后续步骤
        5. 长度在100-150字，避免重复，使用自然口语
        6. 结尾处询问是否还有其他问题
        请直接输出答案，不需要额外说明
    """
    # 构建关键词短语
    key_phrases= data.get('keywords',[])
    if key_phrases:
        ### 关键短语
        key_phrases_section = "- 关键要点:"+ "，".join(key_phrases[:3])
    else:
        key_phrases_section = ""

    prompt = prompt_template.format(
        feedback=data["origin_feedback"],
        order_id=data["order_id"],
        sentiment=data["sentiment"],
        credit=data.get('credit',0.8),
        problem_type=data["problem_type"],
        urgency_level=data["urgency_level"],
        sla=data["sla"],
        key_phrases_section=key_phrases_section
    )

    try:
        result = call_qwen_with_retry(prompt)
        # 添加紧急表示
        if data["urgency_level"] == "High":
            result = f"[紧急] {result}"
        return {
            "final_response": result,
            "assigned_team":data["problem_type"][0] if data["problem_type"] else "其他",
            "result":data
        }
    except Exception as e:
        print(f"回复生成失败：{e}")
        return {
            "final_response": "感谢您的反馈，我们团队会尽快处理问题",
            "assigned_team": "其他",
        }


# lcel处理链

# 1.基本信息的提取
extract_parallel_chain = RunnableParallel(
    order_id = RunnableLambda(get_order_info),
    origin_feedback = lambda x: x
)

# 2. 并行任务分析
analyze_chain = RunnableParallel(
    sentiment = RunnableLambda(analyze_sentiment),
    urgency_level = RunnableLambda(handle_order_urgency),
    problem_type = RunnableLambda(classify_problem)
)
print("analyze_chain:",analyze_chain)
# 3. 组合完整流程
process_chain = (
    extract_parallel_chain
    |
    RunnablePassthrough.assign(
        analysis=lambda x: analyze_chain.invoke(x["origin_feedback"])
    )
    |{
        "order_id": lambda x: x["order_id"]["order_id"],
        "origin_feedback": lambda x: x["origin_feedback"],
        "sentiment": lambda x: x["analysis"]["sentiment"].get("sentiment","NEGATIVE"),
        "problem_type": lambda x: x["analysis"]["problem_type"].get("problem_type",["其他"]),
        "keywords": lambda x: (x["analysis"]["sentiment"].get("keywords",[])),
        "credit" : lambda x: x["analysis"]["sentiment"]["credit"],
        "urgency_level": lambda x:x["analysis"]["urgency_level"]["urgency_level"],
        "sla": lambda x: x["analysis"]["urgency_level"]["sla"],
        "reason": lambda x: x["analysis"]["urgency_level"].get("reason","无法评估"),
    }
    | RunnableLambda(generate_response)
)