工單路由

def classify_support_request(ticket_contents):
    # Define the prompt for the classification task
    classification_prompt = f"""您將作為客戶支援工單分類系統。您的任務是分析客戶支援請求，並為每個請求輸出適當的分類意圖以及您的推理。

        以下是您需要分類的客戶支援請求：

        <request>{ticket_contents}</request>

        請仔細分析上述請求以確定客戶的核心意圖和需求。考慮客戶要求什麼或對什麼有擔憂。

        首先，在 <reasoning> 標籤內寫出您對如何分類此請求的推理和分析。

        然後，在 <intent> 標籤內輸出請求的適當分類標籤。有效的意圖是：
        <intents>
        <intent>支援、回饋、投訴</intent>
        <intent>訂單追蹤</intent>
        <intent>退款/換貨</intent>
        </intents>

        一個請求只能有一個適用的意圖。只包含最適用於請求的意圖。

        例如，考慮以下請求：
        <request>您好！我在星期六安裝了高速光纖網路，我的安裝人員 Kevin 非常棒！我可以在哪裡發送我的正面評價？謝謝您的幫助！</request>

        以下是您的輸出應該如何格式化的範例（針對上述範例請求）：
        <reasoning>用戶尋求資訊以便留下正面回饋。</reasoning>
        <intent>支援、回饋、投訴</intent>

        以下是更多範例：
        <examples>
        <example 2>
        範例 2 輸入：
        <request>我想寫信親自感謝您在上週末我父親葬禮期間對我家人表現出的同情心。您的員工在整個過程中如此體貼和樂於助人；這真的減輕了我們肩上的負擔。瞻仰手冊很漂亮。我們永遠不會忘記您對我們的善意，我們非常感謝儀式進行得如此順利。再次感謝，Amarantha Hill 代表 Hill 家族。</request>

        範例 2 輸出：
        <reasoning>用戶對他們的體驗留下正面評價。</reasoning>
        <intent>支援、回饋、投訴</intent>
        </example 2>
        <example 3>

        ...

        </example 8>
        <example 9>
        範例 9 輸入：
        <request>您的網站不斷發送阻擋整個螢幕的廣告彈窗。我花了二十分鐘才終於找到電話號碼來撥打和投訴。在所有這些彈窗的情況下，我怎麼可能存取我的帳戶資訊？您能為我存取我的帳戶嗎，因為您的網站壞了？我需要知道檔案中的地址是什麼。</request>

        範例 9 輸出：
        <reasoning>用戶請求幫助存取他們的網路帳戶資訊。</reasoning>
        <intent>支援、回饋、投訴</intent>
        </example 9>

        記住始終在實際意圖輸出之前包含您的分類推理。推理應該包含在 <reasoning> 標籤中，意圖包含在 <intent> 標籤中。只返回推理和意圖。
        """

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"""您將作為客戶支援工單分類系統。
        ...
        ... 推理應該包含在 <reasoning> 標籤中，意圖包含在 <intent> 標籤中。只返回推理和意圖。
        """
    # 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"""您將作為客戶支援工單分類系統。
        ...
        ...推理應該包含在 <reasoning> 標籤中，意圖包含在 <intent> 標籤中。只返回推理和意圖。
        """

    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