对话分析（Tongyi-Xiaomi-Analysis）

核心功能

对话信息抽取：从非结构化对话中自动提取关键信息，如时间、地点、产品、问题描述、客户诉求等。典型应用：工单系统自动填充、CRM客户信息更新、问题分类和归档。
场景分类：识别对话所属的业务场景，支持自定义场景类别。典型应用：对话自动路由到专业团队、统计不同场景的咨询量、针对性优化服务流程。
满意度挖掘：根据自定义规则综合判定客户满意度等级，支持多维度评估。典型应用：客服绩效考核、服务质量监控、客户体验改进。
复杂质检：支持多条件嵌套、逻辑推理等复杂质检规则，准确执行企业特有的质检规范。典型应用：金融、医疗等高合规要求行业的质检、多步骤业务流程质检、复杂的话术合规检查。
多轮对话理解：自动关联对话的前后内容，准确理解指代关系和上下文依赖，把握用户在多轮交流中的真实意图。典型应用：复杂业务流程的对话分析、长对话的意图理解、上下文相关的信息提取。
深层语义理解：准确识别对话中的隐含语义、情感倾向和言外之意。典型应用：客户情绪监控、潜在投诉预警、销售机会识别。

以上功能可通过自定义Prompt实现，具体用法请参见功能示例。

适用范围

支持的语言：对话分析模型仅支持中文对话分析，不支持其他语言
支持的模型：
- tongyi-xiaomi-analysis-flash：用于信息抽取、场景分类等结构化分析任务，适用于对响应时延要求较高的在线分析，及成本敏感的离线分析任务
- tongyi-xiaomi-analysis-pro：专为处理复杂逻辑推理和深度语义理解而设计，适用于多条件嵌套的质检规则、上下文依赖强的多轮对话分析等场景；相比Flash模型，其推理和理解能力更强，但成本与延迟也相应更高

更多信息请参见模型列表。

模型选型

应用场景	推荐模型	模型优势	使用建议
快速信息提取与场景分类	tongyi-xiaomi-analysis-flash	低时延，成本低，适合高频实时调用	适用于标准化的信息抽取和分类任务，不涉及复杂推理
标准化质检	tongyi-xiaomi-analysis-flash	准确理解对话语义和情感倾向，支持自定义判定规则，满足大部分质检需求	适用于规则明确的质检场景，复杂业务逻辑建议使用 pro 模型
复杂逻辑质检	tongyi-xiaomi-analysis-pro	更强的推理能力，支持多条件嵌套、上下文关联等复杂业务规则	成本较flash高，适用于金融、医疗等对准确性要求极高的场景
多轮对话深度分析	tongyi-xiaomi-analysis-pro	更强的对话理解能力，准确理解指代关系和隐含意图	适用于售后工单分析、投诉根因挖掘等需要全局理解的场景

快速开始

使用建议

规范对话内容格式：建议将对话内容组织为 [轮次] 角色：内容 的格式。使用规范的格式有助于模型解析对话结构，准确识别发言角色、轮次顺序及上下文指代关系。示例：

[1] 客服：您好，欢迎致电AB电商平台，请问有什么可以帮您？
[2] 客户：你好，我上周在你们店买了一台料理机，现在运行时有点异响。
[3] 客服：很抱歉给您带来困扰，请问异响是在开机后立刻出现还是运行一段时间后出现的呢？

编写清晰的规则：清晰的分析规则是模型准确执行任务的关键。模糊或矛盾的规则会导致分析结果不符合预期。规则编写技巧：
- 具体可执行：避免模糊表述。例如，"服务态度好"应改为"响应及时且使用礼貌用语"。
- 明确优先级：多条规则建议明确优先级和执行顺序，避免规则冲突时模型无法判断。
- 提供正反例：在规则中提供正反例，帮助模型准确理解判定标准。
使用特殊标记代替关键术语：当业务中某个术语的定义与日常理解不同时，建议使用特殊标记（例如字母缩写）代替该术语，避免模型按通用知识理解。
调用参数设置：对话分析任务通常要求结果的确定性和准确性。建议使用以下参数配置：
- temperature：设置为 0.0，使模型每次对相同输入返回相同结果，确保分析的一致性
- top_k：设置为 1，使模型总是选择概率最高的词，避免随机性干扰
控制输出格式：为提供可解析及可控的分析结果，建议在 prompt 中明确输出格式，必要时可给定输出示例。

代码示例

前提条件：已获取 API Key。如果通过SDK调用，需要安装最新版SDK。

OpenAI 兼容
DashScope

Python
Java
Node.js
Go
cURL

from openai import OpenAI
import os

dialogue = """
[1] 客服：您好，欢迎致电AB电商平台，请问有什么可以帮您？
[2] 客户：你好，我上周在你们店买了一台料理机，现在运行时有点异响。
[3] 客服：很抱歉给您带来困扰，请问异响是在开机后立刻出现还是运行一段时间后出现的呢？
[4] 客户：差不多开机几秒钟后就有了，而且声音很尖锐。
[5] 客服：了解了，请问您方便拍一段运行过程的视频发给我们技术人员确认吗？
[6] 客户：可以，我一会儿拍好发给你们。
[7] 客服：好的，我们收到视频后会在两小时内给您回复处理方案。
[8] 客户：那如果确定是质量问题，是可以直接换新的吧？
[9] 客服：是的，如果检测为质量问题，我们将为您免费更换新机并承担运费。
[10] 客户：好的，那我等你们的反馈，谢谢你们的耐心解答。
"""

analysis_prompt = f"""
## 客服质检满意度判定规则

### 一、目标
根据客服与客户的对话内容，准确解析客户的情绪与反馈，判定其**满意度等级**（满意 / 不满意 / 一般），并提供判定理由，用于客服质检与服务改进。

### 二、判定流程（必须自上而下匹配，遇到符合条件的规则时立即终止后续判断）

1. **无客户发言**
   - 条件：整段对话中没有客户的内容。
   - 结果：判定为 **一般**。

2. **投诉或强烈不满**
   - 条件：客户直接或间接表示要投诉（对象包括骑手、快递员、商家、客服等），或者在催促问题进度时带有明显焦急、质问、抱怨等消极情绪。
   - 示例：
     - "我要投诉你们的配送员"
     - "怎么还没处理？到底什么时候能好？"
   - 结果：判定为 **不满意**，并立即结束判定。

3. **最后一句负面情绪**
   - 条件：客户的最后一句话中出现负面情绪。
   - 结果：判定为 **不满意**。

4. **无感谢记录**
   - 条件：如果整个对话中客户没有表达"谢谢"等明确感谢语。
   - 结果：判定为 **一般**。

5. **客户主动表示满意或好评**
   - 条件：对话中客户明确表示对客服满意或给予好评。
   - 结果：忽略第4条直接判定为 **满意**。

6. **方案后感谢**
   - 条件：服务结束前，客服提供了赔付、退单、退款等解决方案后，客户明确积极地表示感谢。
   - 注意点：
     - "好的"、"行"不算感谢
     - 没有回复不算认可
   - 结果：判定为 **满意**。

7. **其他情况**
   - 条件：非上述任何情况，且无投诉或明显不满。
   - 结果：判定为 **一般**。

### 三、对话内容
{dialogue}

### 四、输出格式
判定结果需包含两个部分：
1. **满意度标签**：满意 / 不满意 / 一般
2. **判定理由**：基于上述规则的简要说明。

格式：
满意度标签#判定理由

示例：
一般#在整个对话中，客户没有表达过感谢，也未表现出投诉或不满情绪，因此判定为一般。
不满意#客户在催促处理进度时表现出明显不满和质问情绪，符合规则2，判定为不满意。
"""

client = OpenAI(
  api_key=os.getenv("DASHSCOPE_API_KEY"),
  base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
  model="tongyi-xiaomi-analysis-flash",
  messages=[
    {
      'role': 'user',
      'content': analysis_prompt
    }
  ],
  temperature=0,
  extra_body={
    "top_k": 1
  }
)

print(completion.choices[0].message.content)

import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.core.JsonValue;
import com.openai.models.chat.completions.ChatCompletion;
import com.openai.models.chat.completions.ChatCompletionCreateParams;

public class Main {
    public static void main(String[] args) {
        try {
            OpenAIClient client = OpenAIOkHttpClient.builder()
                    .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                    .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1")
                    .build();
            ChatCompletionCreateParams params = ChatCompletionCreateParams.builder()
                    .model("tongyi-xiaomi-analysis-flash")
                    .addUserMessage(getUserMessage())
                    .temperature(0.0)
                    .putAdditionalBodyProperty("top_k", JsonValue.from(1))
                    .build();
            ChatCompletion chatCompletion = client.chat().completions().create(params);
            String content = chatCompletion.choices().get(0).message().content().orElse("未返回有效内容");
            System.out.println(content);

        } catch (Exception e) {
            System.err.println("错误信息：" + e.getMessage());
        }
    }

    private static String getUserMessage() {
        String dialogue ="[1] 客服：您好，欢迎致电AB电商平台，请问有什么可以帮您？\n" +
                "                [2] 客户：你好，我上周在你们店买了一台料理机，现在运行时有点异响。\n" +
                "                [3] 客服：很抱歉给您带来困扰，请问异响是在开机后立刻出现还是运行一段时间后出现的呢？\n" +
                "                [4] 客户：差不多开机几秒钟后就有了，而且声音很尖锐。\n" +
                "                [5] 客服：了解了，请问您方便拍一段运行过程的视频发给我们技术人员确认吗？\n" +
                "                [6] 客户：可以，我一会儿拍好发给你们。\n" +
                "                [7] 客服：好的，我们收到视频后会在两小时内给您回复处理方案。\n" +
                "                [8] 客户：那如果确定是质量问题，是可以直接换新的吧？\n" +
                "                [9] 客服：是的，如果检测为质量问题，我们将为您免费更换新机并承担运费。\n" +
                "                [10] 客户：好的，那我等你们的反馈，谢谢你们的耐心解答。";

        String analysisPrompt = "## 客服质检满意度判定规则\n" +
                "\n" +
                "### 一、目标\n" +
                "根据客服与客户的对话内容，准确解析客户的情绪与反馈，判定其**满意度等级**（满意 / 不满意 / 一般），并提供判定理由，用于客服质检与服务改进。\n" +
                "\n" +
                "### 二、判定流程（必须自上而下匹配，遇到符合条件的规则时立即终止后续判断）\n" +
                "\n" +
                "1. **无客户发言**\n" +
                "   - 条件：整段对话中没有客户的内容。\n" +
                "   - 结果：判定为 **一般**。\n" +
                "\n" +
                "2. **投诉或强烈不满**\n" +
                "   - 条件：客户直接或间接表示要投诉（对象包括骑手、快递员、商家、客服等），或者在催促问题进度时带有明显焦急、质问、抱怨等消极情绪。\n" +
                "   - 示例：\n" +
                "     - \"我要投诉你们的配送员\"\n" +
                "     - \"怎么还没处理？到底什么时候能好？\"\n" +
                "   - 结果：判定为 **不满意**，并立即结束判定。\n" +
                "\n" +
                "3. **最后一句负面情绪**\n" +
                "   - 条件：客户的最后一句话中出现负面情绪。\n" +
                "   - 结果：判定为 **不满意**。\n" +
                "\n" +
                "4. **无感谢记录**\n" +
                "   - 条件：如果整个对话中客户没有表达\"谢谢\"等明确感谢语。\n" +
                "   - 结果：判定为 **一般**。\n" +
                "\n" +
                "5. **客户主动表示满意或好评**\n" +
                "   - 条件：对话中客户明确表示对客服满意或给予好评。\n" +
                "   - 结果：忽略第4条直接判定为 **满意**。\n" +
                "\n" +
                "6. **方案后感谢**\n" +
                "   - 条件：服务结束前，客服提供了赔付、退单、退款等解决方案后，客户明确积极地表示感谢。\n" +
                "   - 注意点：\n" +
                "     - \"好的\"、\"行\"不算感谢\n" +
                "     - 没有回复不算认可\n" +
                "   - 结果：判定为 **满意**。\n" +
                "\n" +
                "7. **其他情况**\n" +
                "   - 条件：非上述任何情况，且无投诉或明显不满。\n" +
                "   - 结果：判定为 **一般**。\n" +
                "\n" +
                "### 三、对话内容\n" +
                dialogue + "\n" +
                "\n" +
                "### 四、输出格式\n" +
                "判定结果需包含两个部分：\n" +
                "1. **满意度标签**：满意 / 不满意 / 一般\n" +
                "2. **判定理由**：基于上述规则的简要说明。\n" +
                "\n" +
                "格式：\n" +
                "满意度标签#判定理由\n" +
                "\n" +
                "示例：\n" +
                "一般#在整个对话中，客户没有表达过感谢，也未表现出投诉或不满情绪，因此判定为一般。\n" +
                "不满意#客户在催促处理进度时表现出明显不满和质问情绪，符合规则2，判定为不满意。\n";

        return analysisPrompt;
    }
}

// 需要 Node.js v18+，需在 ES Module 环境下运行
import OpenAI from "openai";
const openai = new OpenAI(
  {
    apiKey: process.env.DASHSCOPE_API_KEY,
    baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1"
  }
);
const completion = await openai.chat.completions.create({
  model: "tongyi-xiaomi-analysis-flash",
  messages: [
    {
      role: "user",
      content: "请帮我提取下面对话中的关键信息：[1] 客服：您好，欢迎致电AB电商平台，请问有什么可以帮您？[2] 客户：你好，我上周在你们店买了一台料理机，现在运行时有点异响。"
    }
  ],
  temperature: 0,
  top_k: 1
});
console.log(completion.choices[0].message.content);

// OpenAI Go SDK版本不低于 v2.4.0
package main

import (
  "context"
  "fmt"
  "os"

  "github.com/openai/openai-go/v2"
  "github.com/openai/openai-go/v2/option"
)

func main() {
  apiKey := os.Getenv("DASHSCOPE_API_KEY")
  client := openai.NewClient(
    option.WithAPIKey(apiKey),
    option.WithBaseURL("https://dashscope.aliyuncs.com/compatible-mode/v1"),
  )

  chatCompletion, err := client.Chat.Completions.New(
    context.TODO(), openai.ChatCompletionNewParams{
      Messages: []openai.ChatCompletionMessageParamUnion{
        openai.UserMessage("请帮我提取下面对话中的关键信息：[1] 客服：您好，欢迎致电AB电商平台，请问有什么可以帮您？[2] 客户：你好，我上周在你们店买了一台料理机，现在运行时有点异响。"),
      },
      Model:       "tongyi-xiaomi-analysis-flash",
      Temperature: openai.Float(0.0),
    },
    option.WithJSONSet("top_k", 1),
  )
  if err != nil {
    fmt.Fprintf(os.Stderr, "请求失败: %v\n", err)
    os.Exit(1)
  }
  if len(chatCompletion.Choices) > 0 {
    fmt.Println(chatCompletion.Choices[0].Message.Content)
  }
}

curl --location "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "tongyi-xiaomi-analysis-flash",
    "messages": [
        {
            "role": "user",
            "content": "请帮我提取下面对话中的关键信息：[1] 客服：您好，欢迎致电AB电商平台，请问有什么可以帮您？[2] 客户：你好，我上周在你们店买了一台料理机，现在运行时有点异响。"
        }
    ],
    "temperature": 0.0,
    "top_k": 1
}'

Python
Java
cURL

from http import HTTPStatus
import dashscope
import os

dashscope.base_http_api_url = "https://dashscope.aliyuncs.com/api/v1"

dialogue = """
[1] 客服：您好，欢迎致电AB电商平台，请问有什么可以帮您？
[2] 客户：你好，我上周在你们店买了一台料理机，现在运行时有点异响。
[3] 客服：很抱歉给您带来困扰，请问异响是在开机后立刻出现还是运行一段时间后出现的呢？
[4] 客户：差不多开机几秒钟后就有了，而且声音很尖锐。
[5] 客服：了解了，请问您方便拍一段运行过程的视频发给我们技术人员确认吗？
[6] 客户：可以，我一会儿拍好发给你们。
[7] 客服：好的，我们收到视频后会在两小时内给您回复处理方案。
[8] 客户：那如果确定是质量问题，是可以直接换新的吧？
[9] 客服：是的，如果检测为质量问题，我们将为您免费更换新机并承担运费。
[10] 客户：好的，那我等你们的反馈，谢谢你们的耐心解答。
"""

analysis_prompt = f"""
## 客服质检满意度判定规则

### 一、目标
根据客服与客户的对话内容，准确解析客户的情绪与反馈，判定其**满意度等级**（满意 / 不满意 / 一般），并提供判定理由，用于客服质检与服务改进。

### 二、判定流程（必须自上而下匹配，遇到符合条件的规则时立即终止后续判断）

1. **无客户发言**
   - 条件：整段对话中没有客户的内容。
   - 结果：判定为 **一般**。

2. **投诉或强烈不满**
   - 条件：客户直接或间接表示要投诉（对象包括骑手、快递员、商家、客服等），或者在催促问题进度时带有明显焦急、质问、抱怨等消极情绪。
   - 示例：
     - "我要投诉你们的配送员"
     - "怎么还没处理？到底什么时候能好？"
   - 结果：判定为 **不满意**，并立即结束判定。

3. **最后一句负面情绪**
   - 条件：客户的最后一句话中出现负面情绪。
   - 结果：判定为 **不满意**。

4. **无感谢记录**
   - 条件：如果整个对话中客户没有表达"谢谢"等明确感谢语。
   - 结果：判定为 **一般**。

5. **客户主动表示满意或好评**
   - 条件：对话中客户明确表示对客服满意或给予好评。
   - 结果：忽略第4条直接判定为 **满意**。

6. **方案后感谢**
   - 条件：服务结束前，客服提供了赔付、退单、退款等解决方案后，客户明确积极地表示感谢。
   - 注意点：
     - "好的"、"行"不算感谢
     - 没有回复不算认可
   - 结果：判定为 **满意**。

7. **其他情况**
   - 条件：非上述任何情况，且无投诉或明显不满。
   - 结果：判定为 **一般**。

### 三、对话内容
{dialogue}

### 四、输出格式
判定结果需包含两个部分：
1. **满意度标签**：满意 / 不满意 / 一般
2. **判定理由**：基于上述规则的简要说明。

格式：
满意度标签#判定理由

示例：
一般#在整个对话中，客户没有表达过感谢，也未表现出投诉或不满情绪，因此判定为一般。
不满意#客户在催促处理进度时表现出明显不满和质问情绪，符合规则2，判定为不满意。
"""

response = dashscope.Generation.call(
  api_key=os.getenv('DASHSCOPE_API_KEY'),
  model="tongyi-xiaomi-analysis-flash",
  messages=[
    {
      'role': 'user',
      'content': analysis_prompt
    }
  ],
  temperature=0.0,
  top_k=1,
  result_format="message"
)

if response.status_code == HTTPStatus.OK:
  print(response.output.choices[0].message.content)
else:
  print('Request id: %s, Status code: %s, error code: %s, error message: %s' % (
    response.request_id, response.status_code,
    response.code, response.message
  ))

import java.util.Arrays;
import com.alibaba.dashscope.aigc.generation.Generation;
import com.alibaba.dashscope.aigc.generation.GenerationParam;
import com.alibaba.dashscope.aigc.generation.GenerationResult;
import com.alibaba.dashscope.common.Message;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.protocol.Protocol;

public class Main {
    public static GenerationResult callWithMessage() throws ApiException, NoApiKeyException, InputRequiredException {
        Generation gen = new Generation(Protocol.HTTP.getValue(), "https://dashscope.aliyuncs.com/api/v1");

        Message userMsg = Message.builder()
                .role(Role.USER.getValue())
                .content(getContent())
                .build();

        GenerationParam param = GenerationParam.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("tongyi-xiaomi-analysis-flash")
                .messages(Arrays.asList(userMsg))
                .temperature(0.0f)
                .topK(1)
                .resultFormat(GenerationParam.ResultFormat.MESSAGE)
                .build();
        return gen.call(param);
    }

    public static void main(String[] args) {
        try {
            GenerationResult result = callWithMessage();
            System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent());
        } catch (ApiException | NoApiKeyException | InputRequiredException e) {
            System.err.println("错误信息："+e.getMessage());
        }
    }

    private static String getContent() {
        String dialogue ="[1] 客服：您好，欢迎致电AB电商平台，请问有什么可以帮您？\n" +
                "                [2] 客户：你好，我上周在你们店买了一台料理机，现在运行时有点异响。\n" +
                "                [3] 客服：很抱歉给您带来困扰，请问异响是在开机后立刻出现还是运行一段时间后出现的呢？\n" +
                "                [4] 客户：差不多开机几秒钟后就有了，而且声音很尖锐。\n" +
                "                [5] 客服：了解了，请问您方便拍一段运行过程的视频发给我们技术人员确认吗？\n" +
                "                [6] 客户：可以，我一会儿拍好发给你们。\n" +
                "                [7] 客服：好的，我们收到视频后会在两小时内给您回复处理方案。\n" +
                "                [8] 客户：那如果确定是质量问题，是可以直接换新的吧？\n" +
                "                [9] 客服：是的，如果检测为质量问题，我们将为您免费更换新机并承担运费。\n" +
                "                [10] 客户：好的，那我等你们的反馈，谢谢你们的耐心解答。";

        String analysisPrompt = "## 客服质检满意度判定规则\n" +
                "\n" +
                "### 一、目标\n" +
                "根据客服与客户的对话内容，准确解析客户的情绪与反馈，判定其**满意度等级**（满意 / 不满意 / 一般），并提供判定理由，用于客服质检与服务改进。\n" +
                "\n" +
                "### 二、判定流程（必须自上而下匹配，遇到符合条件的规则时立即终止后续判断）\n" +
                "\n" +
                "1. **无客户发言**\n" +
                "   - 条件：整段对话中没有客户的内容。\n" +
                "   - 结果：判定为 **一般**。\n" +
                "\n" +
                "2. **投诉或强烈不满**\n" +
                "   - 条件：客户直接或间接表示要投诉（对象包括骑手、快递员、商家、客服等），或者在催促问题进度时带有明显焦急、质问、抱怨等消极情绪。\n" +
                "   - 示例：\n" +
                "     - \"我要投诉你们的配送员\"\n" +
                "     - \"怎么还没处理？到底什么时候能好？\"\n" +
                "   - 结果：判定为 **不满意**，并立即结束判定。\n" +
                "\n" +
                "3. **最后一句负面情绪**\n" +
                "   - 条件：客户的最后一句话中出现负面情绪。\n" +
                "   - 结果：判定为 **不满意**。\n" +
                "\n" +
                "4. **无感谢记录**\n" +
                "   - 条件：如果整个对话中客户没有表达\"谢谢\"等明确感谢语。\n" +
                "   - 结果：判定为 **一般**。\n" +
                "\n" +
                "5. **客户主动表示满意或好评**\n" +
                "   - 条件：对话中客户明确表示对客服满意或给予好评。\n" +
                "   - 结果：忽略第4条直接判定为 **满意**。\n" +
                "\n" +
                "6. **方案后感谢**\n" +
                "   - 条件：服务结束前，客服提供了赔付、退单、退款等解决方案后，客户明确积极地表示感谢。\n" +
                "   - 注意点：\n" +
                "     - \"好的\"、\"行\"不算感谢\n" +
                "     - 没有回复不算认可\n" +
                "   - 结果：判定为 **满意**。\n" +
                "\n" +
                "7. **其他情况**\n" +
                "   - 条件：非上述任何情况，且无投诉或明显不满。\n" +
                "   - 结果：判定为 **一般**。\n" +
                "\n" +
                "### 三、对话内容\n" +
                dialogue + "\n" +
                "\n" +
                "### 四、输出格式\n" +
                "判定结果需包含两个部分：\n" +
                "1. **满意度标签**：满意 / 不满意 / 一般\n" +
                "2. **判定理由**：基于上述规则的简要说明。\n" +
                "\n" +
                "格式：\n" +
                "满意度标签#判定理由\n" +
                "\n" +
                "示例：\n" +
                "一般#在整个对话中，客户没有表达过感谢，也未表现出投诉或不满情绪，因此判定为一般。\n" +
                "不满意#客户在催促处理进度时表现出明显不满和质问情绪，符合规则2，判定为不满意。\n";

        return analysisPrompt;
    }
}

curl --location "https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation" \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header "Content-Type: application/json" \
--data '{
    "model": "tongyi-xiaomi-analysis-flash",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": "请帮我提取下面对话中的关键信息：[1] 客服：您好，欢迎致电AB电商平台，请问有什么可以帮您？[2] 客户：你好，我上周在你们店买了一台料理机，现在运行时有点异响。"
            }
        ],
        "temperature": 0.0,
        "top_k": 1
    },
    "parameters": {
        "result_format": "message"
    }
}'

功能示例

以下每个功能示例提供可直接运行的 content，替换代码示例中的 content 即可体验。

对话信息抽取

功能说明：从非结构化对话中自动提取关键信息，如时间、地点、产品、问题描述、客户诉求等。适用场景：

工单系统自动填充
CRM 客户信息更新
问题分类和归档

content示例：将以下 prompt 作为 content 传入：请从以下对话中提取关键信息，并按照 JSON 格式输出。对话内容：

[1] 客服：您好，我是小王，请问有什么可以帮您？
[2] 客户：你好，我是上周三在你们南京新街口店买的iPhone 15，订单号是123456789，现在屏幕有点发黄。
[3] 客服：好的，我帮您查一下。您方便告诉我您的手机号码吗？
[4] 客户：138****5678
[5] 客服：收到，我看到您的订单了。关于屏幕发黄的问题，请问是在什么情况下发现的呢？
[6] 客户：就是正常使用的时候发现的，特别是看白色背景的时候很明显。

需要提取的信息：

购买时间
购买门店
产品名称
订单号
客户联系方式
问题描述
问题发现场景

输出格式（JSON）：

{
  "购买时间": "...",
  "购买门店": "...",
  "产品名称": "...",
  "订单号": "...",
  "客户联系方式": "...",
  "问题描述": "...",
  "问题发现场景": "..."
}

注意：如果某项信息在对话中未提及，请填写 "未提及"。

场景分类

功能说明：自动识别对话所属的业务场景，支持自定义场景类别。适用场景：

对话自动路由到专业团队
统计不同场景的咨询量
针对性优化服务流程

content示例：将以下 prompt 作为 content 传入：请判断以下对话属于哪个业务场景。对话内容：

[1] 客服：您好，欢迎致电客服热线，请问有什么可以帮您？
[2] 客户：我想问一下你们的会员有什么优惠活动？
[3] 客服：好的，目前我们有新会员首月8折，老会员推荐好友可获得积分奖励。
[4] 客户：那怎么注册会员呢？
[5] 客服：您可以通过我们的APP或者小程序注册，填写基本信息就可以了。
[6] 客户：好的，谢谢。

可选场景类别：

售前咨询 - 客户询问产品功能、价格、购买方式等
售后投诉 - 客户反映产品问题、服务不满、要求退换货等
物流查询 - 客户询问订单状态、配送进度、物流信息等
会员服务 - 客户咨询会员权益、积分、优惠活动等
技术支持 - 客户寻求产品使用帮助、故障排查等
账户问题 - 客户反映登录、密码、账户安全等问题

输出格式：

场景类别：[从上述类别中选择一个]
置信度：[高/中/低]
判断依据：[简要说明判断理由，1-2句话]

满意度挖掘

功能说明：根据自定义规则综合判定客户满意度，支持多维度评估。适用场景：

客服绩效考核
服务质量监控
客户体验改进

content示例：将以下 prompt 作为 content 传入：请根据以下对话判定客户满意度。对话内容：

[1] 客服：您好，我是客服小李，请问有什么可以帮您？
[2] 客户：我的订单怎么还没发货？已经三天了！
[3] 客服：非常抱歉给您带来不便，我马上帮您查询。请问您的订单号是？
[4] 客户：1234567890
[5] 客服：好的，我看到您的订单了。由于最近物流高峰，发货有些延迟。我立即联系仓库加急处理，今天内一定发出。
[6] 客户：那什么时候能到？
[7] 客服：预计3-5个工作日送达。为了表示歉意，我给您的账户充值了20元优惠券，下次购物可以使用。
[8] 客户：好吧，那你们抓紧发货。
[9] 客服：一定！我会持续关注您的订单，发货后第一时间通知您。还有其他需要帮助的吗？
[10] 客户：没有了。

满意度判定标准：

不满意：客户明确表达投诉、不满、要求赔偿或退款
一般：客户问题得到解决但未表达感谢或认可，或对解决方案持保留态度
满意：客户明确表达感谢、认可服务，或对解决方案表示接受和满意

评估维度：

客户情绪（初始情绪 vs 结束时情绪）
问题解决情况（是否给出解决方案）
客户反馈（是否表达感谢、认可或继续不满）
补偿措施（是否有额外补偿或优惠）

输出格式：

满意度等级：[满意/一般/不满意]
初始情绪：[描述客户最初的情绪状态]
结束情绪：[描述对话结束时客户的情绪状态]
问题是否解决：[是/否/部分解决]
判定理由：[详细说明判定依据，结合评估维度]

复杂质检

功能说明：支持多条件嵌套、逻辑推理等复杂质检规则，准确执行企业特有的质检规范。适用场景：

金融、医疗等高合规要求行业
多步骤业务流程质检
复杂的话术合规检查

content示例：将以下 prompt 作为 content 传入：请根据以下金融行业客服质检规则，对对话进行质检。对话内容：

[1] 客服：您好，欢迎致电XX银行信用卡中心，我是工号8888的客服小张，请问有什么可以帮您？
[2] 客户：我想办理信用卡额度提升。
[3] 客服：好的，请问您的姓名和身份证号是？
[4] 客户：我叫张三，身份证号是110101199001011234。
[5] 客服：好的张三先生，我帮您查询一下。您当前信用卡额度是2万元，根据您的用卡记录和信用评分，可以为您提升到5万元。请问您需要办理吗？
[6] 客户：好的，办理吧。
[7] 客服：好的，请您确认：将您的信用卡额度从2万元提升至5万元，提升后立即生效。请问确认办理吗？
[8] 客户：确认。
[9] 客服：好的，已为您提交申请，预计2个工作日内完成。感谢您的来电，祝您生活愉快，再见。

质检规则（必须严格执行）：一、开场白规则（必检项）

规则1：必须包含"您好"或"欢迎"
规则2：必须自报工号
规则3：必须说明所属机构（如"XX银行信用卡中心"）
判定：以上三项全部满足才算合格

二、身份验证规则（必检项）

规则4：涉及账户操作时，必须核验客户身份（姓名+身份证号或姓名+银行卡号）
判定：涉及账户操作但未核验身份，则为严重违规

三、重要事项告知规则（必检项）

规则5：涉及额度调整、费率变更、产品变更时，必须：
- 明确告知变更前后的具体内容
- 告知生效时间
- 获得客户明确确认（"是"、"确认"、"同意"等明确表述）
判定：以上任一项缺失，则为严重违规

四、结束语规则（建议项）

规则6：建议包含感谢语
规则7：建议包含祝福语
判定：不合格不影响整体质检结果，但会扣分

输出格式：

质检结果：[合格/不合格]
违规项数量：[数字]

详细检查：
1. 开场白规则：[合格/不合格] - [说明]
2. 身份验证规则：[合格/不合格] - [说明]
3. 重要事项告知规则：[合格/不合格] - [说明]
4. 结束语规则：[合格/不合格（建议项）] - [说明]

综合评价：[总结性评价，1-2句话]

多轮对话理解

功能说明：自动关联对话的前后内容，准确理解指代关系和上下文依赖。适用场景：

复杂业务流程的对话分析
长对话的意图理解
上下文相关的信息提取

content示例：将以下 prompt 作为 content 传入：请从以下对话中提取完整的工单信息，需要整合多轮对话中分散的信息。对话内容：

[1] 客服：您好，请问有什么可以帮您？
[2] 客户：我上周买的路由器老是掉线。
[3] 客服：好的，请问您购买的是哪个型号？
[4] 客户：AX3000，白色的那款。
[5] 客服：收到。请问掉线的频率大概是多久一次？
[6] 客户：差不多每隔2-3小时就断一次，特别影响办公。
[7] 客服：了解。请问这个情况是从什么时候开始的？
[8] 客户：就这两天，之前一直用得好好的。
[9] 客服：明白了。那您最近有没有调整过路由器的位置或者更改过设置？
[10] 客户：没有啊，一直放在客厅，设置也没动过。
[11] 客服：好的，这个问题可能是固件版本较旧导致的。我建议您先升级一下固件试试。
[12] 客户：怎么升级？
[13] 客服：您在手机上打开我们的APP，找到这台设备，点击"固件升级"就可以了。
[14] 客户：好的，我现在试试。
[15] 客服：嗯，升级过程大概需要5分钟，这期间网络会断开，您不要关闭路由器电源。
[16] 客户：好的，那升级完成后会自动恢复吗？
[17] 客服：会的，完成后会自动重启，然后您重新连接WiFi就可以了。
[18] 客户：明白了，如果升级后还是掉线呢？
[19] 客服：如果升级后问题依然存在，可能是硬件故障，我会给您安排换货或上门检修。
[20] 客户：好的，那我先试试看。谢谢。

请提取以下信息（注意：这些信息分散在不同轮次的对话中，需要关联上下文）：

产品信息（型号、外观特征、购买时间）
问题描述（具体现象、发生频率）
问题时间线（什么时候开始出现、之前是否正常）
客户操作（是否有特殊操作或调整）
客服诊断（初步判断的原因）
解决方案（建议的处理步骤）
后续预案（如果方案无效的备选方案）

请以结构化格式输出，并标注每条信息来源于哪几轮对话。

深层语义理解

功能说明：准确识别对话中的隐含语义、情感倾向和言外之意。适用场景：

客户情绪监控
潜在投诉预警
销售机会识别

content示例：将以下 prompt 作为 content 传入：请对以下对话进行深层语义分析。对话内容：

[1] 客服：您好，请问有什么可以帮您？
[2] 客户：我的会员怎么突然过期了？上个月还能用的。
[3] 客服：您好，我帮您查询一下。请问您的手机号是？
[4] 客户：138****5678
[5] 客服：好的，我看到您的会员是年费会员，去年10月15日到期的。
[6] 客户：哦，是这样啊。那我之前买的那些优惠券还能用吗？
[7] 客服：会员专属优惠券在会员过期后就无法使用了。不过您可以续费会员，优惠券就能继续使用。
[8] 客户：好吧，我知道了。
[9] 客服：还有其他需要帮助的吗？
[10] 客户：没有了，谢谢。

分析维度：

客户情绪分析
- 第2轮："我的会员怎么突然过期了？上个月还能用的" 的情绪和隐含语义是什么？
- 第6轮："哦，是这样啊" 的情绪变化是什么？
- 第8轮："好吧，我知道了" 的真实情感是什么？
潜在问题识别
- 客户是否存在不满情绪？
- 是否有潜在的投诉风险？
- 是否对服务或规则有误解？
客户真实诉求
- 客户最关心的是什么？
- 客户的问题是否得到满意解决？
- 客户是否有未表达的需求？
改进建议
- 客服的回应是否得当？
- 如何改进可以提升客户满意度？

输出格式：按照上述四个维度，清晰地输出分析结果。

API参考

关于模型的输入与输出参数，请参见文本生成 API 参考。

​核心功能

​适用范围

​模型选型

​快速开始

​使用建议

​代码示例

​功能示例

​API参考