意向分类

根据呼叫失败原因设置意向分类

呼叫失败的时候，系统会根据呼叫失败原因会自动以下几个分类标签

  • D  用户忙:  （收到回铃(180或者183)信令并且呼叫持续时间大于10秒）或者（空号识别反馈结果为下列值）
  • 关机                power off                        关机
  • 正在通话中       hold on                           正在通话中
  • 用户拒接          not convenient                 用户拒接
  • 无法接通          is not reachable               无法接通
  • 用户正忙          busy now                        用户正忙
  • 来电提醒          call reminder                   各类秘书服务
  • 无人接听          not answer                      无人接听
  • 无法接听          cannot be connected        无法接听
  • 稍后再拨          redial later                      各种稍后再拨提示
  • E  拨打失败：（没收到回铃(180或者183)信令或者呼叫持续时间小于10秒）或者（空号识别反馈结果为下列值）
  • 拨号方式不正确        not a local number        拨号方式不正确
  • 呼入限制                 barring of incoming        呼入限制
  • 线路故障                 line fault                       线路不能呼出，比如SIM卡欠费
  • 网络忙                    line is busy                    网络忙
  • F  无效客户：  （空号识别反馈结果为下列值）
  •  改号                number change                改号
  • 空号                 does not exist                  空号
  • 停机                 out of service                   停机
  • 欠费                 defaulting                        欠费
  • 暂停服务           not in service                   暂停服务
  •  呼叫转移失败    forwarded                        呼叫转移失败
  • G  手机助手 ：话术配置里面，通过多轮对话把各类语音助手，强制挂机，并且设置为G类

节点强制设置意向分类

节点强制设置意向标签，优先级最高。只要执行到这个节点就设置。

根据通话时间，回答次数等信息设置意向分类

根据通话时间，回答次数等信息设置意向标签。根据配置顺序执行，找到一个符合，后续的不再执行。

  • 通话时长 ：AI和通话通话的总时长单位秒
  • 回答次数：用户回答次数，一轮对话只计算一次
  • 积极回答：通过关键词或者正则命中意向为积极的回答分支次数（大模型命中的不算）
  • 消极回答：通过关键词或者正则命中意向为消极的回答分支次数（大模型命中的不算）
  • 有意向节点：执行到意向分类为有意向次数
  • 无意向节点：执行到意向分类为无意向次数
  • 触发知识库：触发知识库次数
  • 触发多轮对话：触发多轮对话次数
  • AI主动挂断：机器人主动挂断设置为1，否则设置为0

使用大模型设置意向分类和总结

需要先设置符合什么条件才进入大模型分析。

注意：大模型提示词里面的意向分类名字不要和系统预设的A-G冲突, 如果你的分类方法和系统预设的不一致，可以通过添加自定义分类标签，来添加你需要的，然后意向提示词里面的分类名字需要和自定义分类名字一致。

  • 推荐选择支持JSON输出格式的大模型  比如 阿里云的，（这样可以用JSON输出格式的系统提示词模板，优点1：支持提取变量，优点2：如果文本输出格式的数据的分类ID经常不按提示词要求输出，可以试试JSON输出格式的模板。）
  • 如果大模型支持深度理解，可以试试打开深度理解。注意：打开深度理解会消耗很多token和返回速度很慢，如果不打开能准确分类，千万不要打开，如果怎么修改提示词都达不到要求，才建议打开试试。
  • 响应超时建议设置1分钟以上，也就是60000以上。开了深度理解会响应很慢，建议设置成2分钟。也就是120000。

系统提示词

  • text格式示例

大模型返回的内容必须是  id:分类，content:总结内容 这样的格式，才可以解析出分类。

Markdown
### 任务
这是一个AI营销电话对话，根据分类方法进行分类，然后对本次通话进行总结。
### 分类方法
A 有明确意向
B 可能有意向
C 明确拒绝
D 用户忙或者拒绝回答
F 用户没有回答
G 手机助手或者语音信箱
### 输出内容
id:分类ID,content:总结
### 输出例子
id:A,content:总结内容
  • json格式示例

大模型返回的内容必须是JSON格式 {"id":"A","content":"总结内容"}

Markdown
### 任务
这是一个AI营销电话对话，根据分类方法进行分类，然后对本次通话进行总结。
### 分类方法
A 有明确意向
B 可能有意向
C 明确拒绝
D 用户忙或者拒绝回答
F 用户没有回答
G 手机助手或者语音信箱
### 输出内容
请以JSON格式输出，"id"属性设置为分类ID,"content"属性设置为总结
### 输出例子
{
        "id": "A",
        "content": "总结内容"
}
  • 收集变量实例

大模型返回的内容必须是输出例子一样的JSON格式，变量名字可以自己随便写，支持多个变量，变量必须放在variables属性下面。

Markdown
### 任务
这是一个AI营销电话对话。
1. 根据分类方法进行分类,把分类ID设置到JSON的id属性。
2. 对本次通话进行总结，把总结内容设置到JSON的content属性。
3. 提取用户地址，设置到JSON的variables.addr属性。
### 分类方法
A 有明确意向
B 可能有意向
C 明确拒绝
D 用户忙或者拒绝回答
F 用户没有回答
G 手机助手或者语音信箱
### 输出内容
请以JSON格式输出，id属性设置为分类ID,content属性设置为总结,variables.addr属性设置为用户地址
### 输出例子
{
        "id": "A",
        "content": "总结内容",
        "variables": {
                "addr": "地址"
        }
}

用户提示词

下面讲解中提交大模型的数据以这个对话内容为例

  • 用户提示词不包含${conversationtext}变量的情况下，会采用多轮对话的方式，把历史对话提交给大模型。用户提示词会设置到最后一个用户输入，提交到大模型的数据如下

JSON
{
        "messages": [{
                "role": "system",
                "content": "系统提示词"
        }, {
                "role": "assistant",
                "content": "机器人放音1"
        }, {
                "role": "user",
                "content": "用户回答一。"
        }, {
                "role": "assistant",
                "content": "机器人放音2"
        }, {
                "role": "user",
                "content": "用户回答二。"
        }, {
                "role": "user",
                "content": "用户提示词"
        }]
}
  • 用户提示词包含  ${conversationtext}  变量的情况，会把变量 ${conversationtext}替换为历史对话内容。把历史对话包含在用户提示词里面的方式提交给大模型。

例子用户提示词为

JSON
##对话内容
${conversationtext}

提交到大模型的数据如下

JSON
{
        "messages": [{
                "role": "system",
                "content": "系统提示词"
        }, {
                "role": "user",
                "content": "##对话内容\nassistant:机器人放音1\nuser:用户回答一。\nassistant:机器人放音二。\nuser:用户回答二。"
        }]
}

重点：2种方式有什么区别，方式1用多轮对话提交给大模型，大模型有时候直接根据历史对话回答问题，不能理解需要总结的意图，所以添加了方式2支持，把历史对话内容直接放到用户提示词，让大模型更好的理解是需要对对话内容进行总结和分类，不是继续回答问题。

把通话时间、回答次数、是否AI挂机信息提交给大模型一起分析

用户提示词语支持这几个变量

${talk_time}    通话时间（单位秒）

${respond_count}  用户回答次数

${proactively_hangup}  AI主动挂机（yes|no）

${conversationtext} 对话内容

系统提示词语例子

Markdown
这是一个AI营销电话对话，请根据客户回答内容，分析客户意向，对本次通话进行分类和总结。
### 分类方法
A 有明确意向（必须符合这2个条件:1.通话时间大于10秒，2.用户回答次数大于3）
B 可能有意向
C 明确拒绝
D 用户忙或者拒绝回答
F 用户没有回答（对话次数小于1次）
G 手机助手或者语音信箱（接电话的人是机主小秘书或者手机助理，并且AI主动挂机为yes,不能为no）
### 输出内容
id设置为分类,content设置为总结
### 输出例子
id:A
content:总结内容

用户提示词语例子

Plain Text
通话时间：${talk_time}秒
用户回答次数：${respond_count}
AI主动挂机：${proactively_hangup}
对话内容：
${conversationtext}

# 人工智能
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

从大厂架构师到AI创业：我是如何用 50 行 Go 代码解决 LLM 幻觉难题的？

技术如果不服务于真实的人性与需求，那只是一堆冰冷的代码。在 AI 浪潮里，初创团队最大的陷阱就是陷入过度工程化。用极简的 Prompt 强约束代替臃肿的 RAG 链路，不仅降低了维护成本，更能给客户交付一个确定性的产品。别让复杂的架构拖慢你前进的脚步，拥抱轻量化，把精力留给真正的商业模式创新吧。

avatar AtomGit开源社区

AI Agent架构设计最佳实践：可扩展、高可靠的智能体系统搭建

AI Agent（智能体）是能自主感知环境、进行推理决策、调用工具执行任务、并能从历史经验中迭代优化的智能实体产品形态决策逻辑工具调用能力记忆能力自主性适用场景规则引擎硬编码规则匹配无无完全被动规则明确的简单场景普通大模型应用大模型直接生成结果仅固定触发的有限调用仅会话级短上下文被动响应通用问答、内容生成场景AI Agent推理+规划+工具调用组合自主判断调用时机和工具长短时记忆+知识库记忆主动完

avatar AtomGit开源社区

联邦学习与 Agent：如何在保护隐私的前提下构建协作智能

本文要介绍的**联邦学习驱动的多智能体系统（FedAgent）**正是解决这个矛盾的最优方案：它将联邦学习的隐私计算能力与多Agent的协作能力深度融合，所有参与方的原始数据永远不会流出本地域，Agent仅通过加密/加噪后的模型参数、推理结果完成联合训练与协同决策，既满足了隐私合规要求，又能获得接近数据集中训练的模型效果。

avatar AtomGit开源社区