工单路由

def classify_support_request(ticket_contents):
    # Define the prompt for the classification task
    classification_prompt = f"""您将充当客户支持工单分类系统。您的任务是分析客户支持请求，并为每个请求输出适当的分类意图以及您的推理。

        以下是您需要分类的客户支持请求：

        <request>{ticket_contents}</request>

        请仔细分析上述请求以确定客户的核心意图和需求。考虑客户询问的内容以及关心的问题。

        首先，在 <reasoning> 标签内写出您对如何分类此请求的推理和分析。

        然后，在 <intent> 标签内输出请求的适当分类标签。有效意图为：
        <intents>
        <intent>支持、反馈、投诉</intent>
        <intent>订单跟踪</intent>
        <intent>退款/换货</intent>
        </intents>

        一个请求只能有一个适用的意图。只包含最适用于请求的意图。

        例如，考虑以下请求：
        <request>您好！我在周六安装了高速光纤互联网，我的安装员 Kevin 非常棒！我可以在哪里发送我的正面评价？谢谢您的帮助！</request>

        以下是您的输出应如何格式化的示例（针对上述示例请求）：
        <reasoning>用户寻求信息以便留下正面反馈。</reasoning>
        <intent>支持、反馈、投诉</intent>

        以下是更多示例：
        <examples>
        <example 2>
        示例 2 输入：
        <request>我想写信亲自感谢您在上周末我父亲葬礼期间对我家人表现出的同情。您的员工在整个过程中如此体贴和乐于助人；这真的减轻了我们肩上的负担。探视手册很漂亮。我们永远不会忘记您对我们的善意，我们非常感谢仪式进行得如此顺利。再次感谢，Amarantha Hill 代表 Hill 家族。</request>

        示例 2 输出：
        <reasoning>用户对他们的体验留下正面评价。</reasoning>
        <intent>支持、反馈、投诉</intent>
        </example 2>
        <example 3>

        ...

        </example 8>
        <example 9>
        示例 9 输入：
        <request>您的网站不断发送阻挡整个屏幕的广告弹窗。我花了二十分钟才最终找到电话号码来打电话投诉。在所有这些弹窗的情况下，我怎么可能访问我的账户信息？您能为我访问我的账户吗，因为您的网站坏了？我需要知道档案中的地址是什么。</request>

        示例 9 输出：
        <reasoning>用户请求帮助访问他们的网络账户信息。</reasoning>
        <intent>支持、反馈、投诉</intent>
        </example 9>

        记住始终在实际意图输出之前包含您的分类推理。推理应包含在 <reasoning> 标签中，意图包含在 <intent> 标签中。只返回推理和意图。
        """

import anthropic
import re

# Create an instance of the Claude API client
client = anthropic.Anthropic()

# Set the default model
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(ticket_contents):
    # Define the prompt for the classification task
    classification_prompt = f"""您将充当客户支持工单分类系统。
        ...
        ... 推理应包含在 <reasoning> 标签中，意图包含在 <intent> 标签中。只返回推理和意图。
        """
    # Send the prompt to the API to classify the support request.
    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
        stream=False,
    )
    reasoning_and_intent = message.content[0].text

    # Use Python's regular expressions library to extract `reasoning`.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # Similarly, also extract the `intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

    return reasoning, intent

import anthropic
import re

# Create an instance of the Claude API client
client = anthropic.Anthropic()

# Set the default model
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(request, actual_intent):
    # Define the prompt for the classification task
    classification_prompt = f"""您将充当客户支持工单分类系统。
        ...
        ...推理应包含在 <reasoning> 标签中，意图包含在 <intent> 标签中。只返回推理和意图。
        """

    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
    )
    usage = message.usage  # Get the usage statistics for the API call for how many input and output tokens were used.
    reasoning_and_intent = message.content[0].text

    # Use Python's regular expressions library to extract `reasoning`.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # Similarly, also extract the `intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

      # Check if the model's prediction is correct.
    correct = actual_intent.strip() == intent.strip()

    # Return the reasoning, intent, correct, and usage.
    return reasoning, intent, correct, usage