企业官网建设流程全解析

15 分钟给客服反馈装上情绪风险筛查：用 llm 的 schema 与模板串起批量流水线

【免费下载链接】llmAccess large language models from the command-line项目地址: https://gitcode.com/gh_mirrors/llm/llm

客服后台每天沉淀几百条用户留言，偶尔藏着“最近撑不下去了”这种需要立刻人工跟进的信号，逐条人肉翻根本来不及。llm 是把大语言模型接进终端的命令行工具，内置结构化输出、提示词模板和嵌入向量库。读完可以用几条命令跑通单条筛查、模板复用与整文件批处理这条链路。

场景与价值：把反馈筛查变成可复用的流水线

从零自研要自己写 API 调用、解析模型返回的 JSON、再想办法存结果，每一步都可能出错；换成固定的情感分析模型，标签只有正面/中性/负面，给不出“判断依据 + 跟进建议”。用 llm 的做法是把整套流程压成命令行组合，核心能力有这么几条：

• --schema结构化输出：让模型按你定义的字段返回风险等级、依据与建议，而不是一段自由文本
• 模板机制：把“系统提示词 + schema”打包成一个名字，之后llm -t 名字一条命令跑完
• 嵌入向量（llm embed/llm similar）支持相似案例检索；本地模型插件可让敏感文本不出网

环境与准备：最小可运行配置

前置要求 Python 3.10+。用 pip 安装命令行工具（OpenAI 模型支持默认内置）：

pip install llm

装完后终端里能执行llm --version，返回一个版本号即安装成功。

把 API key 存一次（按提示粘贴），之后所有命令都不用再传：

llm keys set openai

保存成功会返回一条确认信息。

（可选）跑llm models查看当前可用的模型与别名列表，方便后面在批量筛查时挑一个更便宜的模型。

相关文档：安装、API key 管理与日志开关

核心实操：从单条留言到整文件风险清单 🔍

第一步：单条留言跑通结构化提取

做什么：让模型读一条用户留言，输出情绪标签、风险等级（0-3）、判断依据和一句话跟进建议。字段用简洁语法传，冒号后的描述会作为提示给模型：

echo '最近连续失眠，感觉活着没什么意思' | llm \ --system '你是客服情绪风险筛查助手，只输出结构化结果。' \ --schema 'emotion: 情绪标签, risk int: 风险等级0到3, evidence: 判断依据, suggestion: 一句话跟进建议'

你会看到一行符合字段的 JSON，比如{"emotion": "低落", "risk": 3, "evidence": "持续失眠且提到'活着没什么意思'", "suggestion": "建议24小时内人工回访"}。

容易踩的坑：别把类型写成risk: 0-3，那样该字段按字符串处理，模型可能直接返回“0-3”；显式写risk int声明整数。拿不准简洁语法是否正确，可先用llm schemas dsl '...'验证。

相关文档：Schemas 结构化输出与简洁语法

第二步：把筛查规则固化成模板

做什么：把上一步的系统提示词和 schema 打包成可复用模板，之后不必再复制长串参数：

llm --system '你是客服情绪风险筛查助手，只输出结构化结果。' \ --schema 'emotion: 情绪标签, risk int: 风险等级0到3, evidence: 判断依据, suggestion: 一句话跟进建议' \ --save risk-screen

保存后用llm templates能看到risk-screen条目，之后任何文本直接管道喂入即可：

cat message.txt | llm -t risk-screen

得到与第一步相同结构的 JSON 结果。这里的坑是一次只能使用一个模板，换模型要配合-m，模板内容可以随时用llm templates show risk-screen核对。

第三步：批量处理整份留言文件

做什么：把一批留言（每行一条）放进messages.txt，用 fragment 选项-f一次载入整个文件，--schema-multi让模型对每条留言各输出一个对象、外层包在items数组里：

llm -f messages.txt \ --system '逐条分析文件中的每条用户留言，分别给出情绪标签、风险等级(0到3)、判断依据和一句话跟进建议。' \ --schema-multi 'emotion: 情绪标签, risk int: 风险等级0到3, evidence: 判断依据, suggestion: 一句话跟进建议'

看到{"items": [ ... ]}，每条留言一个结构化对象。这些数据会同时写进本地 SQLite 日志，随时可用同一 schema 取回：

llm logs --schema-multi 'emotion, risk int, evidence, suggestion' \ --data-key items --data-array > screen_results.json

得到一份可筛选、可入库的 JSON 数组风险清单，加--data-ids还能带上日志 ID 方便回溯原始 prompt。要留意的坑：批量是一次请求处理整个文件，文件过长会超出模型上下文，应拆分文件或退回逐行--schema。

相关文档：SQLite 日志查询与 --data 选项

进阶用法：向量库找相似案例与本地模型

用嵌入向量库做相似案例匹配

先设默认嵌入模型，再把历史高危留言写入cases集合（--store同时保存原文）：

llm embed-models default 3-small llm embed cases case-001 -c '用户连续一周失眠，称对什么都没兴趣' --store llm similar cases -c '最近总睡不着，提不起劲'

similar命令按相似度返回集合中的条目，JSON 行里带id、score和content，新留言进来时可以直接调出历史案例的处理经验。坑在于：集合的模型在首次写入时就固定了，不同嵌入模型不要混写进同一个集合。

相关文档：Embeddings CLI：embed 与 similar

敏感数据切到本地模型

文本含个人信息、不想出网时，装一个本地模型插件，模板调用时加-m即可：

llm install llm-ollama llm -t risk-screen -m <本地模型ID>

本地模型推理更慢、结构化输出不如云端模型稳，更适合隐私要求高、对速度不敏感的场景。

边界与注意：提前说好的几件事

• 风险等级是模型的判断，同一条留言在不同模型下打分可能不同；高危案例必须人工复核，输出不能当诊断依据
• 留言属于不可信外部文本，若开启--functions等工具能力，要防提示注入——模型可能被文本诱导执行非预期动作
• 所有 prompt 与结果默认写入本地 SQLite 日志，文本含个人数据时优先本地模型，或llm logs off关闭日志
• llm similar目前是暴力检索，百万级案例库不适用
• 各模型对 schema 的支持程度不同，换模型前先确认它支持结构化输出

流水线已经跑通，下一步看 Schemas 文档把字段扩展成自己的工单结构，或按插件目录接入本地模型。

【免费下载链接】llmAccess large language models from the command-line项目地址: https://gitcode.com/gh_mirrors/llm/llm