متنی
اتوماسیون کسب‌وکار
Precise, Systematic
Support teams, Automation builders, Operations managers
ChatGPT, Claude, Gemini

پرامپت دسته بندی تیکت با هوش مصنوعی؛ تشخیص قصد، تگ گذاری و روتینگ خودکار پیام مشتری عصبانی، خریدار و اسپم در n8n و Make

قیمت

رایگان

—·۲·DrPrompt

پیام مشتری را بده و برچسب دقیق بگیر: تشخیص قصد (سوال، خرید، شکایت، اسپم)، احساس و فوریت، صف مقصد و خلاصه یک‌خطی، همه در JSON ثابت برای روتینگ خودکار در n8n و Make.

وقتی صدها پیام در روز می‌رسد، خواندن و تقسیم دستی کند است و پیام عصبانی گم می‌شود. این پرامپت دسته بندی تیکت را خودکار می‌کند: تشخیص قصد، تگ گذاری عصبانی، خریدار یا اسپم و روتینگ به صف درست در ورک فلو n8n و Make با خروجی JSON. برای نمونه‌های بیشتر، پرامپت اتوماسیون کسب‌وکار را ببین.

آنچه تحویل می‌گیری

  • برچسب قصد اصلی و فرعی
  • احساس و فوریت با معیار روشن
  • صف مقصد طبق قواعد خودت
  • confidence و ارجاع به بررسی انسانی
  • JSON ثابت برای Switch یا Router

چطور از این پرامپت استفاده کنیم؟

  1. برچسب‌ها، صف‌ها و قواعد روتینگ را تعریف کن.
  2. پرامپت را در نود AI ورک فلو بگذار و حالت JSON را روشن کن.
  3. خروجی queue را به نود Switch یا Router وصل کن.
  4. هفته اول، برچسب‌ها را با بررسی انسانی مقایسه کن.

راهنمای جایگذارها

  • [برچسب‌های قصد]: فهرست ثابت دسته‌ها.
  • [صف‌ها]: تیم یا کانال مقصد.
  • [قواعد روتینگ]: کدام برچسب به کدام صف برود.

نمونه خروجی

{"intent":"refund_request","secondary_intents":["complaint"],"sentiment":"angry","urgency":"high","queue":"manager","confidence":0.86,"order_id":"48213","language":"fa","summary":"مشتری بابت تأخیر سفارش ۴۸۲۱۳ درخواست بازگشت وجه دارد"}

نکته‌های مهم

  • برچسب‌ها را کم و متمایز نگه دار؛ ده دسته مبهم از پنج دسته روشن بدتر است.
  • پیام‌های human_review را بخوان و قواعد را بهتر کن.
  • داده شخصی مشتری را فقط در سرویس‌های مجاز پردازش کن.

پرامپت‌ها و دسته‌های مرتبط

سوالات متداول

intent classification چیست؟

تشخیص اینکه کاربر با پیامش چه می‌خواهد، مثل خرید، شکایت یا سوال، تا پیام به جای درست برود.

پیام فینگلیش را هم می‌فهمد؟

بله؛ زبان پیام هم در خروجی ثبت می‌شود.

اگر مطمئن نباشد چه می‌شود؟

با confidence کمتر از ۰٫۶، پیام به صف بررسی انسانی می‌رود.

# نقش
تو یک دسته‌بند (classifier) تیکت پشتیبانی هستی. هر پیام ورودی را طبق طبقه‌بندی ثابت برچسب می‌زنی و فقط JSON برمی‌گردانی تا ورک فلو آن را به صف درست بفرستد.

# تنظیمات (یک‌بار توسط کاربر پر می‌شود)
- برچسب‌های قصد: [question، purchase_intent، order_status، refund_request، complaint، technical_issue، partnership، spam، other]
- صف‌ها: [sales، support، finance، tech، manager، discard]
- قواعد روتینگ: [مثلاً complaint با فوریت بالا → manager؛ purchase_intent → sales]
- زبان پیام‌ها: [فارسی، فینگلیش، انگلیسی]

# ورودی هر بار
- متن پیام: [متن]
- کانال: [ایمیل / فرم سایت / دایرکت / تلگرام]

# قواعد
1. فقط یک برچسب قصد اصلی از فهرست؛ اگر چند قصد هست، اصلی را بگذار و بقیه را در secondary_intents.
2. احساس: positive | neutral | negative | angry. فوریت: low | medium | high. معیار high: تهدید به شکایت رسمی، پرداخت ناموفق، از کار افتادن کامل سرویس، یا نشانه خطر جانی.
3. اسپم: تبلیغ نامرتبط، لینک مشکوک، متن تصادفی. پیام کوتاه مشتری واقعی را اسپم نزن.
4. confidence بین ۰ و ۱؛ اگر کمتر از ۰٫۶ بود، queue را "human_review" بگذار.
5. summary حداکثر ۱۵ کلمه، بدون داده حساس (شماره کارت، رمز).
6. اطلاعات کلیدی مثل شماره سفارش را اگر در متن هست استخراج کن؛ وگرنه null.
7. فقط JSON، بدون توضیح یا Markdown.

# قالب خروجی
{"intent":"","secondary_intents":[],"sentiment":"","urgency":"","queue":"","confidence":0.0,"order_id":null,"language":"","summary":""}

# حالت راه‌اندازی (فقط بار اول)
اگر تنظیمات را نداده‌ام، به جای JSON، یک طبقه‌بندی پیشنهادی و ۸ پیام نمونه با برچسب درست بده، و راهنمای کوتاه اتصال در n8n (نود Switch بر اساس queue) و Make (Router) بنویس.

پرامپت‌های مرتبط

آماده کپی
آماده کپی
آماده کپی
آماده کپی

مقالات مرتبط

دکترپرامپت

اتوماسیون کسب‌وکار

دستیار هوش مصنوعی سازمانی؛ ۴ نوع کاربردی، ساخت پایگاه دانش، امنیت و راه‌اندازی در ۶ هفته

راهنمای ساخت دستیار هوش مصنوعی سازمانی: تفاوت با چت‌بات عمومی، چهار جریان کاری (پایگاه دانش، خدمات مشتری، گزارش، اتوماسیون)، پایگاه دانش و RAG به زبان ساده، امنیت و برنامه‌ی شش هفته‌ای.

۱۴۰۵/۷/۲۶

دکترپرامپت

کسب و کار

آموزش هوش مصنوعی برای کارمندان؛ ۸ کار روزمره اداری با پرامپت آماده، قوانین امنیت و برنامه دو هفته‌ای

راهنمای عملی هوش مصنوعی برای کارهای اداری: فرمول پنج‌جزئی پرامپت، ۸ کار روزمره با پرامپت آماده، خطاهای رایج و روش بررسی خروجی، داده‌هایی که نباید وارد کرد و برنامه‌ی یادگیری دو هفته‌ای.

۱۴۰۵/۷/۲۶

دکترپرامپت

کسب و کار

هوش مصنوعی در منابع انسانی؛ ۱۴ کاربرد عملی از جذب تا نگهداشت، پرامپت‌های آماده و مرزهای اخلاقی

راهنمای عملی هوش مصنوعی در منابع انسانی: ۱۴ کاربرد از آگهی شغلی تا تحلیل نظرسنجی کارکنان، پرامپت آماده برای هر مرحله، کارهایی که نباید به مدل سپرد و چک‌لیست اخلاقی.

۱۴۰۵/۷/۲۶

دکترپرامپت

کسب و کار

هوش مصنوعی در سازمان؛ کاربردها در هر واحد، مزایا، ریسک‌ها و پرامپت‌های آماده

نقشه‌ی کاربرد هوش مصنوعی در سازمان به تفکیک واحد: مدیریت، مالی، منابع انسانی، فروش، خدمات مشتری، عملیات، IT و حقوقی؛ همراه با پرامپت آماده، اعداد پژوهشی و ریسک‌ها.

۱۴۰۵/۷/۲۶

امتیاز و نظرات

— · 0 امتیاز

امتیاز شما

نظرات

پرامپت دسته بندی تیکت با هوش مصنوعی؛ تشخیص قصد، تگ گذاری و روتینگ خودکار پیام مشتری عصبانی، خریدار و اسپم در n8n و Make

رایگان