扣子LLM节点情感分析教程：客户评论意图识别实战

在扣子平台搭建一套能精准识别用户情绪与真实诉求的客服系统，单靠平台默认的意图模型远远不够——它对业务场景下的细微表达缺乏敏感度，尤其是遇到“这破包装根本没法用！！！我要退货！！！”这类携带强烈情绪词与诉求词的评论时，通用模型常把重点误判为“包装咨询”，完全没察觉用户正在愤怒地要求退货。

更稳妥的方案是：构建双通道LLM分析架构。左侧节点专注情感分析，输出JSON格式的sentiment和confidence；右侧节点只做意图识别，从七个预设意图中精确匹配；两路结果通过合并变量与条件分支节点驱动差异化响应策略。下面逐步拆解具体实现。

收集带情感标签的评论语料

从近3个月的售后工单、应用商店评价、社交媒体提及中导出原始文本，筛选至少50条同时带有明确情绪倾向（正面/负面/中性）和具体行为意图（退货/换货/投诉/表扬/物流追问）的样本。人工标注时，为每条评论打上情感极性与主意图两个维度标签。例如：“发货太慢了，等了五天还没出库！！！” → 情感=负面，意图=物流追问；“客服小哥超耐心，帮我重发了两遍还道歉” → 情感=正面，意图=表扬。

注意剔除含隐私信息（手机号、地址）、纯表情符号或无实质语义的短句（比如“？？？”、“嗯”）。但口语化表达与错别字应保留（比如“退换”写成“退换”也无妨，不必统一改为“退换货”），因为LLM节点需要学习真实用户的语言分布状况。

搭建双通道LLM分析工作流

在扣子工作流编辑器中新建工作流，拖入两个并行的LLM节点：左侧负责情感分析，右侧负责意图识别。

情感分析LLM节点配置：粘贴以下结构化指令：
“你是一个电商客服质检员。请严格按JSON格式输出：{'sentiment': '正面'/'负面'/'中性', 'confidence': 0.0–1.0}。仅输出JSON，不加任何解释。待分析文本：{{input}}”

意图识别LLM节点配置：提示词写为：
“你是售后意图分类专家。从以下选项中选一个最匹配的意图：[退货, 换货, 投诉, 表扬, 物流追问, 产品咨询, 售后政策询问]。只返回意图名称，不加标点、不加引号、不解释。待分析文本：{{input}}”

这里有个关键细节：务必关闭该LLM节点的“启用上下文记忆”开关，否则多轮对话中前序消息会污染独立判断结果，导致分类精度下降。

串联分析结果并驱动响应策略

第一步：添加一个“合并变量”节点，将两个LLM节点输出的sentiment和intent字段合并为新变量analysis_result。

第二步：添加“条件分支”节点，设置三组判断逻辑：
① 当sentiment == "负面"且intent == "退货" → 触发高优先级响应流程，自动调用退款接口并推送安抚话术；
② 当sentiment == "正面"且intent == "表扬" → 跳转至内部感谢工单创建节点；
③ 其余组合 → 进入标准客服对话流，同时将analysis_result作为元数据透传给后续所有节点。

第三步：在最终回复模板中插入变量{{analysis_result.sentiment}}和{{analysis_result.intent}}，例如：
“检测到您对本次服务感到{{analysis_result.sentiment}}，主要关注{{analysis_result.intent}}问题。我们已优先处理。”