ClassifyXR.ai

客戶支援票證分類與回應系統 (ClassifyXR.ai)

概述

客戶支援票證分類和回應系統是一個複雜的工具，旨在自動化和提升客戶服務體驗。該系統整合了先進的人工智慧模型和檢索增強生成（RAG）技術來對工單進行分類、評估緊迫性、評估客戶情緒並提取關鍵資訊。它檢索相關的知識庫文檔，以提供資訊並產生上下文準確、富有同理心的回應。透過利用多模型人工智慧整合、平行處理和全面的知識庫利用，該系統顯著提高了支援團隊的回應時間、客戶滿意度和營運效率。

特徵

• 多模型 AI 整合：利用多個開源模型（包括 LLaMA 3.1、Mistral 和 Gemma:7B-Instruct）來處理和分類客戶支援票證。系統根據置信度分數選擇最準確的響應。
• 並行處理：使用ThreadPoolExecutor實現並行處理，允許系統同時運行多個模型。這可以減少回應時間，同時保持高品質、準確的結果。
• 知識庫整合：支援從知識庫載入和處理文檔，包括 PDF、DOCX、TXT 和 JSON 文件。利用 FAISS 向量資料庫根據客戶查詢快速且準確地檢索相關資訊。
• 檢索增強生成 (RAG) ：透過使用最大邊際相關性 (MMR) 從知識庫中檢索最相關的文件來增強回應生成。檢索到的信息被整合到生成模型中，以產生上下文準確且資訊豐富的回應。
• 上下文感知回應：產生包含客戶見解、先前的通訊歷史記錄以及從知識庫檢索到的特定資訊的豐富回應。確保回應具有同理心、相關性並符合客戶需求。
• 可自訂的業務上下文：使回應適應特定的業務上下文，動態地將相關業務資訊整合到回應生成中。支援各種票據類別，例如訂單、帳戶、技術問題、計費等。
• 情緒和緊急性檢測：自動偵測票證的情緒（例如，沮喪、憤怒）和緊急性，並優先考慮影響較大的票證，以便在必要時由支援代理進行手動審核。
• 結構化回應：確保根據預先定義的 JSON 模式建立回應，為客戶支援團隊提供清晰、可操作的見解。
• 功能請求處理：透過從知識庫檢索相關產品資訊來管理功能請求，引導客戶使用可能滿足其需求的現有功能。
• 客戶洞察整合：將客戶洞察（包括人口統計、偏好和位置）納入工單分類和回應流程，從而個性化支援體驗。
• 先前的通訊歷史記錄利用：檢索並整合先前的通訊歷史記錄，以提供上下文準確且一致的回應，從而改善整體客戶支援體驗。

用法

• 將您的支援票證定義為字串。
• 使用classify_and_response函數來取得結構化分類資料並產生上下文豐富的回應。
• 系統會自動從知識庫中檢索相關文件以通知回應產生。

安裝

先決條件

• Python 3.7 或更高版本
• 虛擬環境管理器（ venv ）

設定

請依照下列步驟設定專案環境並安裝相依性：

1. 克隆儲存庫：

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

2. 導航到專案目錄：

   python -m venv venv

3. 建立虛擬環境：

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

4. 安裝專案依賴項：

   pip install -r requirements.txt

5. 產生秘密令牌（可選） ：

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

6. 複製環境變數：

   cp -r .env-example .env

7. 配置環境變數：編輯 .env 檔案以根據您的設定設定必要的環境變數。

運行應用程式

要啟動 Flask 應用程序，請使用以下命令：

flask --app app run

貢獻和定制

• 調整business_context和system_prompt以更好地適應您的業務環境。
• 嘗試不同的 AI 模型或嵌入以提高效能。
• 自訂向量資料庫（例如 FAISS）設定以根據您的知識庫最佳化檢索。
• 如果您有用於訓練的特定工單數據，請微調模型，以提高分類和回應準確性。

免責聲明

使用人工智慧模型進行客戶資料處理時，請確保遵守所有資料隱私法規。