意向分类
根据呼叫失败原因设置意向分类
呼叫失败的时候，系统会根据呼叫失败原因会自动以下几个分类标签
- D 用户忙: （收到回铃(180或者183)信令并且呼叫持续时间大于10秒）或者（空号识别反馈结果为下列值）
- 关机 power off 关机
- 正在通话中 hold on 正在通话中
- 用户拒接 not convenient 用户拒接
- 无法接通 is not reachable 无法接通
- 用户正忙 busy now 用户正忙
- 来电提醒 call reminder 各类秘书服务
- 无人接听 not answer 无人接听
- 无法接听 cannot be connected 无法接听
- 稍后再拨 redial later 各种稍后再拨提示
- E 拨打失败：（没收到回铃(180或者183)信令或者呼叫持续时间小于10秒）或者（空号识别反馈结果为下列值）
- 拨号方式不正确 not a local number 拨号方式不正确
- 呼入限制 barring of incoming 呼入限制
- 线路故障 line fault 线路不能呼出，比如SIM卡欠费
- 网络忙 line is busy 网络忙
- F 无效客户： （空号识别反馈结果为下列值）
- 改号 number change 改号
- 空号 does not exist 空号
- 停机 out of service 停机
- 欠费 defaulting 欠费
- 暂停服务 not in service 暂停服务
- 呼叫转移失败 forwarded 呼叫转移失败
- G 手机助手 ：话术配置里面，通过多轮对话把各类语音助手，强制挂机，并且设置为G类
节点强制设置意向分类
节点强制设置意向标签，优先级最高。只要执行到这个节点就设置。
根据通话时间，回答次数等信息设置意向分类
根据通话时间，回答次数等信息设置意向标签。根据配置顺序执行，找到一个符合，后续的不再执行。
- 通话时长 ：AI和通话通话的总时长单位秒
- 回答次数：用户回答次数，一轮对话只计算一次
- 积极回答：通过关键词或者正则命中意向为积极的回答分支次数（大模型命中的不算）
- 消极回答：通过关键词或者正则命中意向为消极的回答分支次数（大模型命中的不算）
- 有意向节点：执行到意向分类为有意向次数
- 无意向节点：执行到意向分类为无意向次数
- 触发知识库：触发知识库次数
- 触发多轮对话：触发多轮对话次数
- AI主动挂断：机器人主动挂断设置为1，否则设置为0
使用大模型设置意向分类和总结
需要先设置符合什么条件才进入大模型分析。
|------------------------------------------------------------------------------------------------------|
| 注意：大模型提示词里面的意向分类名字不要和系统预设的A-G冲突, 如果你的分类方法和系统预设的不一致，可以通过添加自定义分类标签，来添加你需要的，然后意向提示词里面的分类名字需要和自定义分类名字一致。 |
- 推荐选择支持JSON输出格式的大模型 比如++阿里云++的，（这样可以用JSON输出格式的系统提示词模板，优点1：支持提取变量，优点2：如果文本输出格式的数据的分类ID经常不按提示词要求输出，可以试试JSON输出格式的模板。）
- 如果大模型支持深度理解，可以试试打开深度理解。注意：打开深度理解会消耗很多token和返回速度很慢，如果不打开能准确分类，千万不要打开，如果怎么修改提示词都达不到要求，才建议打开试试。
- 响应超时建议设置1分钟以上，也就是60000以上。开了深度理解会响应很慢，建议设置成2分钟。也就是120000。
系统提示词
- text格式示例
大模型返回的内容必须是 id:分类，content:总结内容 这样的格式，才可以解析出分类。
|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| Markdown ### 任务 这是一个AI营销电话对话，根据分类方法进行分类，然后对本次通话进行总结。 ### 分类方法 A 有明确意向 B 可能有意向 C 明确拒绝 D 用户忙或者拒绝回答 F 用户没有回答 G 手机助手或者语音信箱 ### 输出内容 id:分类ID,content:总结 ### 输出例子 id:A,content:总结内容 |
- json格式示例
大模型返回的内容必须是JSON格式 {"id":"A","content":"总结内容"}
|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| Markdown ### 任务 这是一个AI营销电话对话，根据分类方法进行分类，然后对本次通话进行总结。 ### 分类方法 A 有明确意向 B 可能有意向 C 明确拒绝 D 用户忙或者拒绝回答 F 用户没有回答 G 手机助手或者语音信箱 ### 输出内容 请以JSON格式输出，"id"属性设置为分类ID,"content"属性设置为总结 ### 输出例子 { "id": "A", "content": "总结内容" } |
- 收集变量实例
大模型返回的内容必须是输出例子一样的JSON格式，变量名字可以自己随便写，支持多个变量，变量必须放在variables属性下面。
|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| Markdown ### 任务 这是一个AI营销电话对话。 1. 根据分类方法进行分类,把分类ID设置到JSON的id属性。 2. 对本次通话进行总结，把总结内容设置到JSON的content属性。 3. 提取用户地址，设置到JSON的variables.addr属性。 ### 分类方法 A 有明确意向 B 可能有意向 C 明确拒绝 D 用户忙或者拒绝回答 F 用户没有回答 G 手机助手或者语音信箱 ### 输出内容 请以JSON格式输出，id属性设置为分类ID,content属性设置为总结,variables.addr属性设置为用户地址 ### 输出例子 { "id": "A", "content": "总结内容", "variables": { "addr": "地址" } } |
用户提示词
下面讲解中提交大模型的数据以这个对话内容为例
- 用户提示词不包含${conversationtext}变量的情况下，会采用多轮对话的方式，把历史对话提交给大模型。用户提示词会设置到最后一个用户输入，提交到大模型的数据如下
|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| JSON { "messages": [{ "role": "system", "content": "系统提示词" }, { "role": "assistant", "content": "机器人放音1" }, { "role": "user", "content": "用户回答一。" }, { "role": "assistant", "content": "机器人放音2" }, { "role": "user", "content": "用户回答二。" }, { "role": "user", "content": "用户提示词" }] } |
- 用户提示词包含 {conversationtext} 变量的情况，会把变量 {conversationtext}替换为历史对话内容。把历史对话包含在用户提示词里面的方式提交给大模型。
例子用户提示词为
|---------------------------------|
| JSON ##对话内容 ${conversationtext} |
提交到大模型的数据如下
|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| JSON { "messages": [{ "role": "system", "content": "系统提示词" }, { "role": "user", "content": "##对话内容\nassistant:机器人放音1\nuser:用户回答一。\nassistant:机器人放音二。\nuser:用户回答二。" }] } |
|---------------------------------------------------------------------------------------------------------------------------|
| 重点：2种方式有什么区别，方式1用多轮对话提交给大模型，大模型有时候直接根据历史对话回答问题，不能理解需要总结的意图，所以添加了方式2支持，把历史对话内容直接放到用户提示词，让大模型更好的理解是需要对对话内容进行总结和分类，不是继续回答问题。 |
把通话时间、回答次数、是否****AI 挂机信息提交给大模型一起分析
用户提示词语支持这几个变量
${talk_time} 通话时间（单位秒）
${respond_count} 用户回答次数
${proactively_hangup} AI主动挂机（yes|no）
${conversationtext} 对话内容
系统提示词语例子
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| Markdown 这是一个AI营销电话对话，请根据客户回答内容，分析客户意向，对本次通话进行分类和总结。 ### 分类方法 A 有明确意向（必须符合这2个条件:1.通话时间大于10秒，2.用户回答次数大于3） B 可能有意向 C 明确拒绝 D 用户忙或者拒绝回答 F 用户没有回答（对话次数小于1次） G 手机助手或者语音信箱（接电话的人是机主小秘书或者手机助理，并且AI主动挂机为yes,不能为no） ### 输出内容 id设置为分类,content设置为总结 ### 输出例子 id:A content:总结内容 |
用户提示词语例子
|--------------------------------------------------------------------------------------------------------------|
| Plain Text 通话时间：{talk_time}秒 用户回答次数：{respond_count} AI主动挂机：{proactively_hangup} 对话内容： {conversationtext} |