智能客服常需要先判断问题属于订单、支付还是投诉，再交给相应流程或子 Agent。本讲比较基于 LLM 语义理解和基于向量相似度的两种分类方式。
下面分别介绍这两种分类方式。
基于 LLM 的语义理解
1.1 定义分类枚举
enum CustomerServiceCategory {
PRODUCT("产品相关"),
ORDER("订单相关"),
ACCOUNT("账户相关"),
MEMBER("会员相关"),
PAYMENT("支付相关"),
OTHERS("其它问题");
@Getter
private final String desc;
CustomerServiceCategory(String desc) {
this.desc = desc;
}
}
1.2 定义 AIService 接口
interface CustomerServiceCategoryClassifier {
@UserMessage("将客人遇到的问题【{{text}}】归类")
CustomerServiceCategory classify(String text);
}
1.3 测试
@GetMapping(value = "/classify", produces = MediaType.APPLICATION_JSON_VALUE)
public ResponseEntity<String> classify(@RequestParam String query) {
try {
CustomerServiceCategoryClassifier customerServiceClassifier = AiServices.create(CustomerServiceCategoryClassifier.class, ollamaChatModel);
CustomerServiceCategory classify = customerServiceClassifier.classify(query);
return ResponseEntity.ok(classify.getDesc());
} catch (Exception e) {
log.error("classify", e);
return ResponseEntity.ok("{\"error\":\"classify error: " + e.getMessage() + "\"}");
}
}
效果：
原文配图：文本分类：模型判断与向量相似度示意 3。
原文配图：文本分类：模型判断与向量相似度示意 5。
观察日志的话，能看到与LLM的交互：
查看原文日志（未经本站复测）
2025-12-09T21:00:57.280+08:00 INFO 5948 --- [langchain4j-study] [io-8080-exec-10] d.l.http.client.log.LoggingHttpClient : HTTP request:
- method: POST
- url: http://localhost:11434/api/chat
- headers: [Content-Type: application/json]
- body: {
"model" : "deepseek-v3.1:671b-cloud",
"messages" : [ {
"role" : "user",
"content" : "将客人遇到的问题【我的退款为什么还没到账？】归类\nYou must answer strictly with one of these enums:\nPRODUCT\nORDER\nACCOUNT\nMEMBER\nPAYMENT\nOTHERS"
} ],
"options" : {
"stop" : [ ]
},
"stream" : false,
"tools" : [ ]
}
这种方法的准确性完全取决于模型能力的强弱，大多数情况下是OK的，但有些case可能会不太符合我们的预期，比如：
原文配图：文本分类：模型判断与向量相似度示意 1。
一些互联网平台，对于“积分”可能会归到【会员相关】（比如：积分累积到了一定程度，可以兑换成高等级会员），这时候就可以考虑第2种方法。
基于向量数据库的相似度计算
2.1 先梳理已知问题的归类
Map<CustomerServiceCategory, List<String>> getExamples() {
Map<CustomerServiceCategory, List<String>> examples = new HashMap<>();
examples.put(PRODUCT, asList(
"怎么没有产品说明书？",
"产品的保修期过了怎么办？",
"我新买的东西用了一周就坏了？",
"产品无法使用？"
));
examples.put(ORDER, asList(
"我的订单现在到哪里了？",
"能给我一个快递单号吗？",
"我怎么知道我的订单已经发货了？",
"我可以更改配送方式吗？",
"你们提供次日达服务吗？",
"可以选择到店自提吗？",
"我的订单什么时候能到？",
"为什么我的配送延迟了？",
"我可以指定配送日期吗？",
"已经过了预计送达日期，我的订单在哪里？",
"如果出现延迟，我会收到通知吗？",
"天气原因会导致配送延迟多久？",
"我收到了订单，但少了一件商品。",
"包裹送达时是空的。",
"我收到的商品错了，该怎么办？",
"我所有的商品会同时送达吗？",
"为什么我只收到部分订单商品？",
"剩下的商品能更快送达吗？"
));
examples.put(PAYMENT, asList(
"能用支付宝吗?",
"微信支付可以吗?",
"支持信用卡吗?",
"付款时我遇到一个错误",
"可以通过银行转账付款吗？",
"为什么我的付款被拒绝了",
"可以给我发送上一笔订单的发票吗？",
"发票会自动发送到我的电子邮箱吗？",
"如何申请退款？"
));
examples.put(MEMBER, asList(
"我的会员等级变低了?",
"我的积分过期了?",
"我的优惠券不能用了?",
"能给我发个支付95折优惠券吗？",
"满减优惠券当次消费就能用吗？",
"能送100点优惠积分吗？"
));
examples.put(ACCOUNT, asList(
"如何注销账号?",
"我的密码过期了?",
"为什么无法登录",
"登录时手机收不到验证码",
"如果更换账号绑定的手机号"
));
examples.put(OTHERS, asList(
"厂商的联系电话是多少?",
"如何加盟?",
"你们公司还招人吗？"
));
return examples;
}
2.2 使用embedding模型分类
@GetMapping(value = "/classify/embed", produces = MediaType.APPLICATION_JSON_VALUE)
public ResponseEntity<String> classifyEmbed(@RequestParam String query) {
try {
TextClassifier<CustomerServiceCategory> classifier = new EmbeddingModelTextClassifier<>(ollamaEmbeddingModel, getExamples());
List<CustomerServiceCategory> categories = classifier.classify(query);
String result = "";
if (!CollectionUtils.isEmpty(categories)) {
CustomerServiceCategory classify = categories.get(0);
result += classify.getDesc() + ",";
}
return ResponseEntity.ok(StringUtils.trimTrailingCharacter(result, ','));
} catch (Exception e) {
log.error("classify", e);
return ResponseEntity.ok("{\"error\":\"classify error: " + e.getMessage() + "\"}");
}
}
原文配图：文本分类：模型判断与向量相似度示意 4。
刚才的case符合预期了，但该方法有缺陷也十分明显，如果梳理的已知问题分类不够全面，会出现误判，比如：
原文配图：文本分类：模型判断与向量相似度示意 2。
这个问题不在预先准备的问题列表中，示例的分类结果并不理想。两种方式如何取舍，需要结合业务场景。也可以把它们结合起来：同时分类并检查结果是否一致，再按策略处理；或者先用模型完成一轮分类，经人工复核后补充向量分类所用的示例列表。