通义晓蜜对话分析专注于对话信息抽取、场景分类、满意度判定等分析需求,擅长处理复杂业务逻辑的质检规则,支持自定义分析标准,具备强大的多轮对话理解和语义推理能力。
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
适用范围
- 支持的地域:仅支持北京地域,需使用该地域的API Key
- 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
- 模型支持隐式缓存,命中缓存的 Token 按照隐式缓存计量计费。
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:
-
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:已获取与配置 API Key。如果通过SDK调用,需要安装最新版SDK。
- OpenAI兼容
- DashScope
Python
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
- 场景分类
- 满意度挖掘
- 复杂质检
- 多轮对话理解
- 深层语义理解
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