豆包文本分类API是工单自动分类最直接低成本方案，需预定义5–8个业务类别并规范输入格式，支持限定集匹配与置信度分级处理，前端清洗可显著提升高置信率。
☞☞☞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☜☜☜
豆包文本分类API 是当前最直接、最低成本的工单自动分类路径。它不依赖你训练模型，也不需要自己搭向量库或写 prompt 工程，只要把工单文本丢过去，就能返回带概率的标签——前提是，你得先定义好业务类别，并控制好输入格式。
为什么不用 RAG 或微调来做分类？
工单分类本质是「多选一」的判别任务，不是生成或检索。RAG 会多绕一次向量召回，容易把“退货”和“换货”这种语义相近但业务动作不同的工单混淆；微调则要准备成千上万条标注样本，而电商/售后类工单的意图标签通常就 5–8 个（如退货退款、物流查询、产品咨询、投诉建议、发票申请），用大模型 API 直接打标更轻、更快、更稳。
classify 接口调用时必须传 categories 参数
豆包的文本分类不是开放标签，而是「限定集匹配」。你必须在请求体里显式声明所有可能的类别，例如：
{
"text": "快递三天没更新了，能查下到哪了吗？",
"categories": ["退货退款", "物流查询", "产品咨询", "投诉建议"]
}
常见错误包括：
- 漏传
categories字段 → 返回400 Bad Request错误 - 类别名含空格或中文标点（如
"物流查询 "）→ 匹配失败，概率全为 0 - 类别数超过 10 个 → 接口拒绝，文档明确限制最大 10 类
- 文本过长（>8192 字符）→ 被截断，关键信息丢失，分类偏移
阈值设 0.6 还是 0.8？看你的业务容忍度
API 返回类似：
立即进入“豆包AI人工智官网入口”；
立即学习“豆包AI人工智能在线问答入口”；
{
"category": "物流查询",
"confidence": 0.72,
"all_scores": {"退货退款": 0.05, "物流查询": 0.72, "产品咨询": 0.18, ...}
}
建议按以下逻辑处理：
- 如果
confidence >= 0.75→ 直接打标，进对应队列 - 如果
0.6 → 标为「待人工复核」，推给二线客服快速确认 - 如果
confidence → 标为「未知意图」，走兜底流程（比如转人工 + 记录 raw text 到日志，用于后续补充类别）
别硬卡 0.9——真实工单里大量口语化表达（如“东西还没收到，急！”、“单号丢了咋整？”）会让模型输出分散，0.9 阈值会导致近 30% 工单被误判为「低置信」。
前端提交前做简单清洗，能省掉一半 bad case
原始工单文本常带干扰信息，比如用户粘贴的订单截图文字、重复感叹号、emoji、客服引导话术（“请填写您的问题”）。这些会稀释语义，拉低 confidence。建议在调用 API 前做三件事：
- 用正则删掉连续 3 个以上标点或空白符：
re.sub(r'[^\w\u4e00-\u9fff]+{3,}', ' ', text) - 截断首尾引导语，比如开头含“您好”“麻烦”“请问”，结尾含“谢谢”“辛苦了”等，可直接 trim
- 合并换行：把 \n\r 替换为空格，避免模型把同一句话切到不同 token 位置
这步看似琐碎，但在双十一大促期间实测，使 confidence >= 0.75 的比例从 61% 提升到 79%。
all_scores 分布。一旦发现某类（比如发票申请）长期低于 0.5，说明这个类别在用户表达中缺乏辨识度，该去补训练短语，而不是怪模型不准。 
