用Prompt构建AI电商客服：终于挤出时间摸鱼了！！

引言

根据 AI 大佬吴恩达教授的Prompt Engineering原则。本文将利用OpenAI，创建一个能够根据客户的评论分析客户的心情，并回应的智能AI客服。让AI与自然语言（nlp）相融合，驱动的电商客服转型。

环境配置

首先保证你拥有node.js环境。创建一个新文件，在新文件夹下，初始化一个后端项目，并安装所需要的模块包，本次所需要的有openai和dotenv(用来保护你的个人隐私)。

bash 复制代码

npm init -y // 初始化  生成一个package.json文件
npm i openai  // 安装openai
npm i dotenv  // 安装dotenv

安装后可以在package.json文件的dependencies依赖中找到安装的openai、dotenv和它们的版本号。

在根目录下创建一个.env文件，在.env文件中保存我们的密钥和和转发地址。

bash 复制代码

OPENAI_API_KEY=   你自己的密钥
OPENAI_BASE_URL=  http://api.302.ai/v1   // 我使用的转发地址

如果你还没有你自己的密钥，你可以在302.AI中生成密钥。免费获取1$，用来使用AI。

我们将.env写入到.gitignore文件中，gitignore就不会把.env中的内容提交到远程库，这样就保护了我们的密钥安全。

基础架构

创建main.mjs入口文件，mjs文件允许你使用ECMAScript模块(ESM)

在main.mjs中：

javascript 复制代码

// 导入模块包
import OpenAI from "openai";
import dotenv from "dotenv";  // 模块引入放在头部，不会重复
// .env 本项目 环境变量配置文件
dotenv.config();   // 将.env文件中的内容读取到process.env中

// 全面es6 
// 全局环境对象
const { 
    OPENAI_API_KEY,
    OPENAI_BASE_URL,
} = process.env;

// 实例化openai对象
const client = new OpenAI({
    apiKey: OPENAI_API_KEY,
    baseURL: OPENAI_BASE_URL,
});

// get_completion 函数封装
// async 是 es7 
// 异步函数，用于获取OpenAI的完成结果。
const get_completion = async (prompt, model = 'gpt-3.5-turbo') => {
    // 创建一个包含用户提示的消息数组
    const messages = [
        { role: 'user', content: prompt }
    ];
    
    // 调用OpenAI的API，创建一个聊天完成请求
    const response = await client.chat.completions.create({
        model, // 使用指定的模型
        messages, // 使用创建的消息数组
        temperature: 0, // 设置温度为0，以获得最可能的输出
        // 0~1之间   靠近0 保守   靠近1 随机多样
    });

    // 返回模型生成的第一个完成结果的内容
    return response.choices[0].message.content;
};

简单分析一下上面的代码：

使用import...from将下载的模块包导入
加载环境变量到Node.js应用程序中
使用解构的方法在process.env中解构出要使用的密钥和转发地址
实例化openai对象，使用你的密钥和转发地址
封装了调用OpenAI API逻辑的异步函数get_completion，用于获取OpenAI的完成结果。参数设为下面要设置、修改的提示词(prompt)和你要使用的大模型(LLM)，在这里可以先使用gpt-3.5-turbo，如果效果不好，可以换成gpt-4o

在get_completion中：

创建一个包含用户提示的消息数组，用来模拟用户提出的s问题
创建一个聊天完成请求，调用OpenAI的API，需要设置成await来等待接收到上面的messages。AI设置为聊天模式(chat)，生成文本(completions),creat允许你指定模型、输入提示（prompt）、以及一系列控制生成行为的参数(使用的LLM(model)，用户消息数组(messages)，文本的随机性和多样性(temperature))。
最后返回结果，LLM会给出多个结果，我们在这里只返回一个结果

Prompt Engineering的应用

在设计具体的业务逻辑时，吴恩达教授在其课程中强调了"角色赋予"、"任务明确化"以及"格式约定"的重要性。这意味着我们需要给定清晰的任务描述，让模型知道它应该做什么；同时也要规定好输出格式，以便于后续处理。

先创建main异步函数，并调用。我们将在main函数中使用我们的OpenAI：

javascript 复制代码

const main = async () => {
}
main()

具体实现如下，我给出了一个正面的评论和一个负面的评论：

javascript 复制代码

const main = async () => {
//   const review = `
//   因此，他们仍然以 70-10 左右的价格在季节性销售，价格也比之前的 29 美元低。
//   所以它看起来还不错，但如果你看看底座，刀片锁定到位的部分看起来不如几年前的版本那么好，但我打算非常温柔地使用它（例如，我先在搅拌机中粉碎非常硬的物品，如豆子、冰、米饭等。然后在搅拌机中将它们粉碎成我想要的份量，然后切换到搅拌刀片以获得更细的面粉，并在制作冰沙时先使用十字切割刀片，然后如果我需要它们更细/更少的浆状，则使用平刀片）。制作冰沙的特别提示：将水果和蔬菜切碎并冷冻（如果使用菠菜，请稍微炖一下，然后冷冻直至可以使用；如果制作冰糕，请使用小型或中型食品加工机），这样就可以避免在制作冰沙时添加太多冰块。
//   大约一年后，电机发出奇怪的声音。
//   我打电话给客服，但保修期已过，所以我不得不再买一个。仅供参考：这类产品的整体质量已经下降，因此他们有点指望品牌认知度和消费者忠诚度来维持销售。大约两天后就收到了。
//   `
    const review = `
  需要一盏漂亮的灯放在我的卧室，这盏灯有额外的存储空间，而且价格也不太高。 
  很快就收到了。我们灯的灯串在运输过程中断了，公司很乐意给我们寄来一根新的。
  几天之内就到了。组装起来很容易。
  我缺少一个零件，所以我联系了他们的支持人员，他们很快就给我找到了缺失的零件！ 
  在我看来，Lumina 是一家关心客户和产品的好公司！！
  `;

    const prompt = `
  从评论文本中识别以下项目：
  - 情绪（正面或负面）
  - 评论者是否表达愤怒？（真或假）
  - 评论者购买的商品
  - 制造商品的公司

  评论以三个反引号分隔。
  将您的回复格式化为 JSON 对象，其中
  "情绪"、"愤怒"、"商品"和"品牌"作为键。
  如果信息不存在，请使用"未知"
  作为值。
  让您的回复尽可能简短。
  将愤怒值格式化为布尔值。

  评论文本: '''${review}'''
  `;
  
    const response = await get_completion(prompt);
    console.log(response);
}

负面评论正面评论（如果结果有些问题，可以把大模型换成gpt-4o）

将prompt更改，让AI给出回复

javascript 复制代码

  const prompt = `
    你是一名客服AI助理。
    你的任务是向尊贵的客户发送电子邮件回复。
    给定以'''分隔的评论的客户发送电子邮件，
    生成回复以感谢客户的评论。
    如果情绪是正面或中性的，感谢他们的评论。
    如果情绪是负面的，道歉并建议他们可以联系客户。
    确保使用评论中的具体细节。
    用简洁专业的语气写作。
    在电子邮件中签名为"AI客服代理"
    客户评论：'''${review}'''
  `

负面评论

正面评论

可以看到AI帮助我们分析了客户的心情并成功给出了回复！！！

结论

综上所述，通过结合OpenAI的强大语言模型与吴恩达教授所倡导的Prompt Engineering理念，我们可以构建出既灵活又高效的AI客服解决方案。这样的系统不仅能够快速准确地处理大量客户咨询，还能持续学习和适应新的交流模式，最终为企业带来更好的用户体验和服务质量。