需构建双路LLM工作流：左侧情感分析节点输出JSON格式的sentiment与confidence，右侧意图识别节点仅返回七大意图之一；两路结果经合并变量与条件分支后，驱动差异化响应策略。
☞☞☞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☜☜☜
要在扣子中让客服系统自动判断客户评论是生气、满意还是中立，并同时识别出用户到底想退货、投诉还是咨询售后，不能只靠平台默认意图模型——它对业务场景的细微表达缺乏敏感度，尤其当评论夹杂情绪词与诉求词（如“这破包装根本没法用！！！我要退货！！！”）时，通用模型常把重点错判为“包装咨询”而非“退货+愤怒”。
准备带情感标签的评论语料
从近3个月真实售后工单、应用商店评论、社交媒体提及中导出原始文本，筛选出至少50条明确含情绪倾向（正面/负面/中性）且附带明确动作意图（退货/换货/投诉/表扬/物流追问）的样本。
人工标注每条评论的【情感极性】和【主意图】两个字段，例如：“发货太慢了，等了五天还没出库！！！” → 情感=负面，意图=物流追问；“客服小哥超耐心，帮我重发了两遍还道歉” → 情感=正面，意图=表扬。
删除含隐私信息（手机号、地址）、纯表情符号或无实质语义的短句（如“？？？”、“嗯”），保留口语化表达和错别字（如“退换”标为“退换”，不统一改为“退换货”），因为LLM节点需学习真实用户语言分布。
构建双路LLM分析工作流
在扣子工作流编辑器中新建工作流，拖入两个并行的LLM节点：左侧节点专责情感分析，右侧节点专责意图识别。
方法一：情感分析LLM节点配置
在提示词（Prompt）输入框中粘贴以下结构化指令：
“你是一个电商客服质检员。请严格按JSON格式输出：{‘sentiment’: ‘正面’/‘负面’/‘中性’, ‘confidence’: 0.0–1.0}。仅输出JSON，不加任何解释。待分析文本：{{input}}”
方法二：意图识别LLM节点配置
提示词写为：“你是售后意图分类专家。从以下选项中选一个最匹配的意图：[退货, 换货, 投诉, 表扬, 物流追问, 产品咨询, 售后政策询问]。只返回意图名称，不加标点、不加引号、不解释。待分析文本：{{input}}”
【必须关闭该LLM节点的“启用上下文记忆”开关】，否则多轮对话中前序消息会污染单条评论的独立判断结果。
串联分析结果并生成响应
第一步：添加“合并变量”节点，将两个LLM节点输出的sentiment和intent字段拼入一个新变量analysis_result。
第二步：添加“条件分支”节点，设置三组判断逻辑：
① 当sentiment == “负面” 且 intent == “退货” → 触发高优响应流程，自动调用退款接口并推送安抚话术；
② 当sentiment == “正面” 且 intent == “表扬” → 跳转至内部感谢工单创建节点；
③ 其余组合 → 进入标准客服对话流，但将analysis_result作为元数据透传给后续所有节点。
第三步：在最终回复模板中插入变量{{analysis_result.sentiment}}和{{analysis_result.intent}}，例如：“检测到您对本次服务感到{{analysis_result.sentiment}}，主要关注{{analysis_result.intent}}问题。我们已优先处理。”
