通义千问可实现客服对话自动质检，含三种方法：一、结构化评分法，按预设维度输出JSON格式量化得分与改进建议；二、多轮语义解构法，分步识别风险句、判定合规性并生成替代话术；三、YAML规则驱动法，通过外部配置文件动态调整权重与关键词，确保业务适配性与可维护性。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您需要对客服对话进行自动化质检，并生成客观评分与可执行的改进建议，则可能是由于人工抽检覆盖率低、标准不统一或反馈滞后导致服务质量难以闭环优化。以下是使用通义千问大模型实现客服对话自动评分与改进建议的具体操作步骤：
一、基于预设维度的结构化评分法
该方法利用千问对指令的强遵循能力，将质检标准转化为明确的多维评分项，强制模型按固定格式输出量化得分与依据，适用于标准化程度高、规则清晰的质检场景。
1、准备一段客服对话文本（含客户提问与客服回复），确保包含完整上下文和关键交互节点。
2、向千问输入以下指令：“请严格按以下JSON格式输出：{"service_score": 0-10, "emotion_score": 0-10, "compliance_score": 0-10, "reasoning": [""], "improvement_suggestions": [""]}。其中service_score评估响应及时性与问题解决度；emotion_score评估语气用词是否积极（如含‘您好’‘马上处理’+1分，含‘没办法’‘你找别人’-2分）；compliance_score评估是否遵守服务规范（如未主动报工号-1分，未确认客户信息-1分）。reasoning需逐条列出扣分/加分依据，improvement_suggestions需针对每条reasoning生成一句可操作建议，禁止泛泛而谈。”
3、获取返回结果后，提取JSON中各维度得分并校验reasoning是否与对话原文事实一致，剔除虚构或过度推断条目。
二、多轮语义解构+角色锚定评分法
该方法针对对话中存在隐含情绪、模糊承诺或合规边界不清的情况，通过分步引导模型聚焦不同语义单元，提升细粒度判别准确率，适用于高敏感度服务场景（如金融、医疗客服）。
1、首轮输入：“请识别该对话中所有含‘保证’‘一定’‘绝对’‘肯定’等确定性副词的客服回复句，并逐条列出。”
2、将首轮输出的每个句子单独作为新输入，附加指令：“请判断该句是否存在承诺超限风险（即超出公司政策允许范围或无技术保障支撑），仅回答‘是’或‘否’，不加解释。”
3、对判定为“是”的句子，追加提问：“请说明该句违反的具体服务规范条款编号（如《客服行为守则》第3.2条），并生成一句替代话术，要求保持原意但符合合规要求。”
4、对未被首轮捕获的主干服务行为（如首次响应时长、问题归因准确性），追加提问：“请提取客服在前3句话中是否完成‘复述客户问题+确认关键信息’两个动作，若未完成，请指出缺失项并给出标准话术模板。”
三、YAML规则驱动的动态权重评分法
该方法适用于需适配不同业务线、不同产品类别的质检系统，通过外部配置文件定义维度权重与触发条件，使千问评分结果具备业务可配置性与长期可维护性。
1、在本地配置文件~/.qwen-qc/rules.yaml中定义规则块：service_weight: 0.4, emotion_weight: 0.3, compliance_weight: 0.3, violation_keywords: ["不行", "不能办", "不归我管"]。
2、将对话文本与当前配置文件内容合并为输入，指令为：“请根据以下规则配置计算综合得分：综合得分 = service_score × service_weight + emotion_score × emotion_weight + compliance_score × compliance_weight。service_score由响应完整性决定（满分10分）；emotion_score按positive_words（如‘理解’‘感谢’）与negative_words（含violation_keywords列表）频次加权计算；compliance_score检查是否出现violation_keywords且未加缓冲表述（如‘目前系统限制，但我们可以帮您登记反馈’）。输出必须为JSON，含各子项得分、权重、计算过程及三条改进建议。”
3、运行后解析返回JSON，验证计算过程是否严格匹配YAML中定义的权重与关键词列表，拒绝接受未引用配置参数的自由解释。
