客服Agent实战系列 06-情感分析插件

上一篇我们实现了对话管理，Bot能记住对话历史了。这一篇来解决客服场景的关键问题：用户说"你们的服务太差了！我要投诉！"，Bot怎么识别这是愤怒情绪，及时转人工？这就是情感分析——客服Bot的"情商"。

1什么是情感分析？为什么重要？

情感分析（Sentiment Analysis）是Agent感知模块的高级功能。它的作用是：识别用户情绪，及时响应负面情绪。

用户输入	识别的情感	Bot的处理
"你好"	中性	正常回复
"谢谢"	正面	礼貌感谢
"你们的服务太差了"	负面（愤怒）	安抚+转人工
"我等了很久了"	负面（不耐烦）	道歉+加快处理

图：情感分析流程

情感分析的重要性：

三个关键作用：
1. 及时转人工：识别愤怒情绪，立即转人工客服
2. 调整语气：识别负面情绪，用更温和的语气回复
3. 预警机制：识别情绪变化趋势，提前干预

2情感等级的定义

客服场景的情感分为5个等级：

json[
  {
"level": 1,
"name": "正面",
"keywords": ["谢谢", "感谢", "好的", "满意"],
"response": "礼貌感谢"
  },
  {
"level": 2,
"name": "中性",
"keywords": ["你好", "在吗", "请问"],
"response": "正常回复"
  },
  {
"level": 3,
"name": "轻微负面",
"keywords": ["有点慢", "不太方便"],
"response": "道歉+改进建议"
  },
  {
"level": 4,
"name": "负面",
"keywords": ["太慢了", "等了很久", "不满意"],
"response": "道歉+加快处理"
  },
  {
"level": 5,
"name": "愤怒",
"keywords": ["投诉", "太差了", "垃圾", "骗子"],
"response": "立即转人工"
  }
]

情感等级的处理策略：

等级	情感	处理策略
Level 1	正面	礼貌感谢："感谢您的支持！"
Level 2	中性	正常回复，按意图处理
Level 3	轻微负面	道歉："抱歉给您带来不便..."
Level 4	负面	道歉+加快："非常抱歉，我立即为您处理..."
Level 5	愤怒	立即转人工："非常抱歉，正在为您转接人工客服..."

3情感分析的实现方式

2026年，情感分析有三种主流方式：

方式	优点	缺点	适用场景
关键词匹配	速度快、成本低	准确率低、需要维护关键词库	简单场景、快速分流
小模型分类	准确率高、成本低	需要训练数据、维护模型	情感固定的场景
大模型识别	准确率最高、灵活	成本高、速度慢	复杂场景、情感多变

图：情感等级处理流程

客服场景我们选择关键词匹配 + 大模型识别的混合方案：

混合方案的优势：
1. 常见情绪词（"投诉"、"太差了"）用关键词匹配，速度快
2. 复杂情绪表达用大模型识别，准确率高
3. 情感等级≥4，立即转人工

4实战：实现情感分析插件

我们创建情感分析插件：

plugins/sentiment_analysis/plugin.py：

pythonimport json
from pathlib  import Path
from typing import Dict

classSentimentAnalysisPlugin:
"""情感分析插件"""

def__init__(self, sentiment_file: str = "data/sentiments.json"):
self.sentiments = self._load_sentiments(sentiment_file)
self.keyword_map = self._build_keyword_map()

def_load_sentiments(self, sentiment_file: str) -> list:
"""加载情感定义"""
        path = Path(sentiment_file)
if path.exists():
with open(path, 'r', encoding='utf-8') as f:
return json.load(f)
return []

def_build_keyword_map(self) -> Dict[str, int]:
"""构建关键词映射表"""
        keyword_map = {}
for sentiment inself.sentiments:
for keyword in sentiment.get("keywords", []):
                keyword_map[keyword] = sentiment["level"]
return keyword_map

defanalyze(self, user_input: str) -> Dict:
"""分析用户情感"""
# 第一步：关键词匹配
        sentiment_level = self._keyword_match(user_input)

# 第二步：如果关键词匹配失败，用大模型识别
if sentiment_level == 0:
            sentiment_level = self._llm_analyze(user_input)


# 获取情感信息
        sentiment = self._get_sentiment_by_level(sentiment_level)

return {
"level": sentiment_level,
"name": sentiment.get("name", "未知"),
"response_strategy": sentiment.get("response", "正常回复"),
"need_handoff": sentiment_level >= 4
        }

def_keyword_match(self, user_input: str) -> int:
"""关键词匹配"""
        max_level = 0
        words = user_input.split()

for word in words:
if word inself.keyword_map:
                level = self.keyword_map[word]
                max_level = max(max_level, level)

return max_level

def_llm_analyze(self, user_input: str) -> int:
"""大模型分析（简化版）"""
# 实际项目中会调用大模型API
# 这里简化为返回中性
return2

def_get_sentiment_by_level(self, level: int) -> Dict:
"""根据等级获取情感信息"""
for sentiment inself.sentiments:
if sentiment["level"] == level:
return sentiment
return {"level": 2, "name": "中性", "response": "正常回复"}

5集成到Bot中

将情感分析插件集成到客服Bot：

src/bot.py（更新版）：

pythonfrom plugins.sentiment_analysis.plugin import SentimentAnalysisPlugin

classCustomerServiceBot:
def__init__(self, config_path: str = "config/customer_service.yaml"):
self.config = self._load_config(config_path)
self.system_prompt = self._load_prompt()
self.intent_plugin = IntentRecognitionPlugin()
self.kb_plugin = KnowledgeBasePlugin()
self.dialog_manager = DialogManager(max_history=10)
self.sentiment_plugin = SentimentAnalysisPlugin()

defchat(self, user_input: str) -> str:
# 先分析情感
        sentiment_result = self.sentiment_plugin.analyze(user_input)

# 如果情感等级≥4，立即转人工
if sentiment_result["need_handoff"]:
return"非常抱歉给您带来不便。我立即为您转接人工客服处理。"


# 正常处理意图
        intent_result = self.intent_plugin.recognize(user_input)

# 根据情感调整回复语气
        response = self._process_intent(intent_result, user_input)

# 根据情感等级调整语气
if sentiment_result["level"] == 3:
            response = "抱歉给您带来不便。" + response


return response

6测试情感分析效果

python# 测试情感分析
from plugins.sentiment_analysis.plugin import SentimentAnalysisPlugin

plugin = SentimentAnalysisPlugin()

# 测试正面情绪
print(plugin.analyze("谢谢"))
# 输出：{'level': 1, 'name': '正面', 'need_handoff': False}

# 测试中性情绪
print(plugin.analyze("你好"))
# 输出：{'level': 2, 'name': '中性', 'need_handoff': False}

# 测试负面情绪
print(plugin.analyze("太慢了"))
# 输出：{'level': 4, 'name': '负面', 'need_handoff': True}

# 测试愤怒情绪
print(plugin.analyze("我要投诉"))
# 输出：{'level': 5, 'name': '愤怒', 'need_handoff': True}

# 测试完整Bot
from src.bot import CustomerServiceBot

bot = CustomerServiceBot()
print(bot.chat("你们的服务太差了！"))
# 输出：非常抱歉给您带来不便。我立即为您转接人工客服处理。

7情感分析的优化方向

三个优化方向：
1. 情绪追踪：记录情绪变化趋势，识别情绪升级（如从"有点慢"到"太慢了"）
2. 个性化回复：根据用户历史情绪，调整回复策略
3. 预警机制：情绪等级≥3时，提前预警，准备转人工

优化方法	效果	成本
情绪追踪	识别情绪升级，提前干预	低（记录情绪）
个性化回复	提高用户满意度	中（分析历史）
预警机制	减少投诉率	低（设置阈值）

8总结：情感分析是Bot的"情商"

本篇要点：
1. 情感分析识别情绪：正面、中性、轻微负面、负面、愤怒5个等级
2. 关键词匹配最快：常见情绪词快速识别
3. 大模型识别最准：复杂情绪表达准确识别
4. 等级≥4转人工：负面和愤怒情绪立即转人工
5. 调整回复语气：根据情感等级调整语气

下一篇，我们来写订单查询插件——如何让Bot查询订单状态。

客服Agent实战系列01 · 项目初始化02 · Bot定义：System Prompt设计03 · 意图识别插件04 · 知识库插件05 · 对话管理 06 · 情感分析插件← 你在这里... 共14篇前置系列：Agent开发系列 06：记忆模块