中小贸易与餐饮团餐企业的销售每天在微信中接收大量客户询价,产品、数量、交期等信息散落在口语化消息里,人工复制进表格效率低、易遗漏、口径不一,管理层无法实时掌握汇总数据。本作品面向有询价和订单接待场景的中小企业,把非结构化的客户消息自动转换为结构化台账,减少销售重复劳动
点击空白处退出提示
中小贸易与餐饮团餐企业的销售每天在微信中接收大量客户询价,产品、数量、交期等信息散落在口语化消息里,人工复制进表格效率低、易遗漏、口径不一,管理层无法实时掌握汇总数据。本作品面向有询价和订单接待场景的中小企业,把非结构化的客户消息自动转换为结构化台账,减少销售重复劳动
① 消息输入:粘贴客户微信询价原文,支持长消息与多产品内容;
② 字段抽取:大模型自动识别客户名称、产品、数量、交期、备注,输出规整的 JSON;
③ 清洗校验:代码节点处理格式异常、补齐默认字段、自动判定是否为询价消息;
④ 自动落表:通过飞书开放平台 API 写入多维表格,包含 tenant_access_token 获取与鉴权;
⑤ 消息通知:处理结果同步推送到飞书群机器人,便于销售及时查看
我独立完成工作流设计与交付:开始节点变量设计、LLM 抽取提示词编写(含相对日期推算与 JSON 输出约束)、Python代码节点数据清洗与兜底、飞书tenant_access_token 获取、多维表格写入节点配置、密钥环境保护。
技术栈:DifyWorkflow、DeepSeek、Python、飞书开放平台API、HTTP/Webhook。
亮点与难点:设计10条格式各异的测试消息(微信口语、错别字、中英混杂、多产品、缺字段、非询价干扰项),抽取正确率10/10,干扰项全部识别;工程上解决了模型"字段已抽出却判定为非询价"的自相矛盾问题,以及思考过程污染 JSON解析的典型问题。






评论