Skip to main content
专项模型

通义晓蜜对话分析(Tongyi-Xiaomi-Analysis)

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
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
    更多信息请参见选择模型
  • 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:
[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
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
```text
{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。
```
"""

# 获取API Key:https://help.aliyun.com/zh/model-studio/get-api-key
# 若没有配置环境变量,请用阿里云百炼API Key将下行替换为:api_key="sk-xxx"
client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 华北2(北京)地域的URL。调用时将 {WorkspaceId} 替换为真实的业务空间ID。
    base_url="https://{WorkspaceId}.cn-beijing.maas.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)

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
content示例
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:
1. 购买时间
2. 购买门店
3. 产品名称
4. 订单号
5. 客户联系方式
6. 问题描述
7. 问题发现场景

输出格式(JSON):
```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"。

API参考

关于模型的输入与输出参数,请参见文本生成
Token Plan
模型调优
模型压缩目录节点
用量统计与性能监控
资产中心
服务支持