1.问题分类

定义

问题分类（Question Classification）节点基于大语言模型的推理能力，将用户输入的问题映射到预定义的分类标签，并输出分类结果。

• 输入：用户的原始文本（通常是对话中的 sys.query），也可支持文件变量或图片（需模型具备图像识别能力）。
• 输出：分类结果 class_name，取值为配置的某个类别标签。

典型应用场景

1. 客服意图识别

   • 在智能客服系统中，先对用户提问进行意图分类，再按意图路由到对应的知识库或处理流程。

2. 产品评价分类

   • 在电商平台，对用户评价进行正负面、主题（物流、质量、售后）等维度的自动分类。

3. 邮件/工单批量分类

   • 批量处理大量邮件或工单，自动打标签便于后续分发与统计分析。

示例流程：

1. 问题分类 → 2. 知识检索（根据意图选择不同库） → 3. LLM 回答 或 工单转人工

配置步骤

1. 选择输入变量

   • 一般选择对话系统中的 sys.query；也可接入其他文本或文件变量。

2. 选择推理模型

   • 不同模型在分类的准确性、成本、吞吐上有差异，根据业务量与精度要求选择（如 GPT-3.5、GPT-4 等）。

3. 编写分类标签/描述

   • 为每个类别添加名称及简要描述或示例关键词，帮助模型理解分类标准。

   • 示例：

     • 售后问题：保修、退换货、维修期限等；
     • 使用问题：安装、功能配置、操作步骤等；
     • 其他问题：无法归入以上的通用咨询。

4. 配置下游节点路由

   • 为每个分类标签指定一个或多个下游节点（知识检索、FAQ、工单系统等），实现流程自动分支。

高级设置

• 指令（Prompt Enhancement）

  • 在“高级设置”→“指令”中，可补充额外说明（如“若问题同时涉及多种意图，请按主要意图分类”），提高分类一致性。

• 记忆（Conversation History）

  • 开启后，模型可利用整个对话上下文而非单条消息，适用于多轮交互中意图演变的识别。

• 记忆窗口

  • 关闭时：系统根据模型上下文窗口自动截断历史；
  • 打开时：可精细控制要传入的历史条数（以对数形式设置，适用于长对话）。

• 图片分析

  • 仅当所选模型支持视觉输入时生效，可对用户上传的图片或截图进行意图分类（如“报修截图”“产品外观询问”）。

输出变量

• class_name：

  • 存储分类结果标签，如“售后问题”、“使用问题”或“其他问题”。
  • 下游节点可通过此变量判断走哪条流程分支。

最佳实践

1. 标签设计要互斥且覆盖完整

   • 避免标签过细导致样本稀疏，也避免标签过粗无法细分业务场景。

2. 示例丰富，描述精准

   • 为每个标签在描述中列举 2–3 个典型示例，用简明关键词或示例句，帮助模型理解边界。

3. 定期评估与迭代

   • 通过人工标注或日志分析监控分类准确率，对低性能标签进行合并、拆分或补充示例。

4. 与下游流程联动

   • 确保各分类标签已在后续节点中正确路由，避免“分类正确，但无流程覆盖”的断链问题。

5. 关注成本与性能

   • 在高并发场景，可考虑选用成本更低、推理速度更快的模型；对重要意图再行二次确认或加验。