ClassifyXR.ai

客户支持票证分类和响应系统 (ClassifyXR.ai)

概述

客户支持票证分类和响应系统是一个复杂的工具，旨在自动化和提升客户服务体验。该系统集成了先进的人工智能模型和检索增强生成（RAG）技术来对工单进行分类、评估紧迫性、评估客户情绪并提取关键信息。它检索相关的知识库文档，以提供信息并生成上下文准确、富有同理心的响应。通过利用多模型人工智能集成、并行处理和全面的知识库利用，该系统显着提高了支持团队的响应时间、客户满意度和运营效率。

特征

• 多模型 AI 集成：利用多个开源模型（包括 LLaMA 3.1、Mistral 和 Gemma:7B-Instruct）来处理和分类客户支持票证。系统根据置信度分数选择最准确的响应。
• 并行处理：使用ThreadPoolExecutor实现并行处理，允许系统同时运行多个模型。这可以减少响应时间，同时保持高质量、准确的结果。
• 知识库集成：支持从知识库加载和处理文档，包括 PDF、DOCX、TXT 和 JSON 文件。利用 FAISS 矢量数据库根据客户查询快速准确地检索相关信息。
• 检索增强生成 (RAG) ：通过使用最大边际相关性 (MMR) 从知识库中检索最相关的文档来增强响应生成。检索到的信息被集成到生成模型中，以生成上下文准确且信息丰富的响应。
• 上下文感知响应：生成包含客户见解、之前的通信历史记录以及从知识库检索到的特定信息的丰富响应。确保响应具有同理心、相关性并符合客户需求。
• 可定制的业务上下文：使响应适应特定的业务上下文，动态地将相关业务信息集成到响应生成中。支持各种票据类别，例如订单、帐户、技术问题、计费等。
• 情绪和紧急性检测：自动检测票证的情绪（例如，沮丧、愤怒）和紧急性，并优先考虑影响较大的票证，以便在必要时由支持代理进行手动审核。
• 结构化响应：确保根据预定义的 JSON 模式构建响应，为客户支持团队提供清晰、可操作的见解。
• 功能请求处理：通过从知识库检索相关产品信息来管理功能请求，引导客户使用可能满足其需求的现有功能。
• 客户洞察集成：将客户洞察（包括人口统计、偏好和位置）纳入工单分类和响应流程，从而个性化支持体验。
• 以前的通信历史记录利用：检索并集成以前的通信历史记录，以提供上下文准确且一致的响应，从而改善整体客户支持体验。

用法

• 将您的支持票证定义为字符串。
• 使用classify_and_response函数获取结构化分类数据并生成上下文丰富的响应。
• 系统会自动从知识库中检索相关文档以通知响应生成。

安装

先决条件

• Python 3.7 或更高版本
• 虚拟环境管理器（ venv ）

设置

按照以下步骤设置项目环境并安装依赖项：

1. 克隆存储库：

   git clone https://github.com/prdepyadv/classifyxr.ai.git

2. 导航到项目目录：

   python -m venv venv

3. 创建虚拟环境：

    . . v env S cripts A ctivate.ps1 # (For Windows)
       or
   . venv/bin/activate  # (For Linux or MacOS)

4. 安装项目依赖项：

   pip install -r requirements.txt

5. 生成秘密令牌（可选） ：

   python -c ' import secrets; print(secrets.token_hex()) '

6. 复制环境变量：

   cp -r .env-example .env

7. 配置环境变量：编辑 .env 文件以根据您的设置设置必要的环境变量。

运行应用程序

要启动 Flask 应用程序，请使用以下命令：

flask --app app run

贡献和定制

• 调整business_context和system_prompt以更好地适应您的业务环境。
• 尝试不同的 AI 模型或嵌入以提高性能。
• 自定义矢量数据库（例如 FAISS）设置以根据您的知识库优化检索。
• 如果您有用于训练的特定工单数据，请微调模型，以提高分类和响应准确性。

免责声明

使用人工智能模型进行客户数据处理时，确保遵守所有数据隐私法规。