AI工坊

    5. 数据处理工作流

    项目背景

    你们的客服团队每天会收到大量客户反馈，需要对这些反馈进行情感分析、分类和统计，生成每日反馈报告。

    需求分析

    • 输入：客户反馈文本列表。
    • 对每条反馈进行情感分析（正面/中性/负面）。
    • 提取每条反馈的关键词和主题。
    • 统计各类情感的数量和比例。
    • 生成结构化的分析报告。

    详细步骤

    第一步：创建工作流应用。

    进入「工作室」，点击「创建应用」→ 选择「工作流」→ 命名为"客户反馈分析器"。

    第二步：配置开始节点。

    定义输入变量：feedbacks（段落类型），用于接收客户反馈文本（每条反馈用换行分隔）。

    第三步：添加「代码执行」节点，将文本拆分为列表。

    feedbacks = inputs["feedbacks"]
feedback_list = [f.strip() for f in feedbacks.split("\n") if f.strip()]
return {"feedback_list": feedback_list, "total_count": len(feedback_list)}

    第四步：添加「迭代」节点。

    将 feedback_list 传入迭代节点，对每条反馈执行以下子流程：

    • LLM 节点：分析情感（正面/中性/负面）、提取关键词、归纳主题。要求输出 JSON 格式。

    第五步：添加「代码执行」节点，统计分析结果。

    results = inputs["iteration_results"]
positive = sum(1 for r in results if r["sentiment"] == "正面")
neutral = sum(1 for r in results if r["sentiment"] == "中性")
negative = sum(1 for r in results if r["sentiment"] == "负面")
total = len(results)
return {
    "positive": positive,
    "neutral": neutral,
    "negative": negative,
    "total": total,
    "positive_rate": f"{positive/total*100:.1f}%",
    "negative_rate": f"{negative/total*100:.1f}%"
}

    第六步：添加 LLM 节点生成分析报告。

    将统计数据和原始分析结果传给 LLM，让它生成一份完整的分析报告。

    第七步：添加「输出」节点。

    第八步：测试并发布。

    优化建议

    • 对于大量反馈数据，可以使用触发器定时执行（如每天凌晨 1 点自动运行）。
    • 在迭代节点中使用较快的模型（如 GPT-3.5）以降低成本和提升速度，最后生成报告时再用更强的模型。
    • 可以将分析结果通过 HTTP 请求节点自动发送到 Slack 或企业微信。
    • 持续收集分析数据，可以用于发现客户反馈的长期趋势。