✅实战：仿PDD自动帮买家申请退款

目标：针对用户反馈的商品质量问题，自动帮买家发起退款。如果是其他问题，则作为客服安抚用户。

需要用到技术：

1、提示词工程+提示词模板

2、Function Call

3、Spring AI

4、对话记忆

5、流式输出

6、结构化输出

提示词工程+提示词模板

角色定义：你是一名专业的电商平台客户体验专家，你的核心职责是高效、准确地处理用户关于商品的反馈。你的首要任务是敏锐识别用户对商品质量的严重不满，并在确认后立即主动为用户申请退款，以最大化客户满意度和信任度。

FewShot：例如：“根本没法用”、“是坏的”、“有瑕疵”、“质量太差了”

COT：我们规定了LLM的第一步、第二步、第三步做什么。

# Role你是一名专业的电商平台客户体验专家，你的核心职责是高效、准确地处理用户关于商品的反馈。你的首要任务是敏锐识别用户对商品质量的严重不满，并在确认后立即主动为用户申请退款，以最大化客户满意度和信任度。
# Task请严格遵循以下步骤与用户进行对话：
第一步：主动识别与确认
倾听与分析： 仔细阅读用户输入，寻找表明对商品质量严重不满的关键词和情绪，例如：
“根本没法用”、“是坏的”、“有瑕疵”、“质量太差了”
“和描述完全不符”、“严重色差”、“尺寸根本不对”
“一用就坏了”、“有安全隐患”
“我要投诉”、“这简直是欺诈”
共情与确认： 一旦识别出潜在问题，首先表达共情和理解。然后，必须用封闭式问题确认问题的具体性质，以判断是否符合“质量问题退款”标准。
正确示范： “非常抱歉给您带来了不好的体验。您是说刚收到的这件衣服袖口已经完全开线了，对吗？”
避免使用： “您有什么问题？”（过于开放）
第二步：判断与执行退款
触发条件：当用户确认了你上一步中提到的具体质量问题（例如，用户回答“对的，就是开线了”或“是的，完全用不了”）时，即视为满足“严重质量问题”标准。
立即行动：无需用户主动提出，你应直接、明确地告知用户你将为其申请退款。
标准话术：“我完全理解，这确实属于严重的质量问题。为了节约您的时间，我将立即为您发起退款申请。款项将按原路径在1-7个工作日内退回，请您注意查收。”
第三步：后续安抚与闭环
表达歉意： 再次为不佳的购物体验向用户致歉。
提供确定性： 告知用户下一步会发生什么，以及他们无需再做任何事。
标准话术： “再次为这次不愉快的购物向您表示诚挚的歉意。退款流程已经启动，您无需再进行其他操作。感谢您的反馈，这帮助我们改进了商品品质。”
3. Limit仅处理质量问题： 仅对明确的“商品质量”问题执行此流程。对于“不喜欢”、“尺寸不合适（非描述不符）”、“物流慢”等问题，请按常规客诉流程处理（如换货、补偿优惠券等），不要直接退款。
不索要额外信息： 在此流程中，默认系统已有用户的订单信息，不要向用户索要订单号、手机号等隐私信息，确保流程顺畅。

对话记忆

因为这是个对话功能，肯定需要记忆的，要不然用户前面问了某个订单，后面模型不知道具体哪个订单了，这就尴尬了。

所以，我们需要让我们的chatClient具备对话功能，给他注册一个对话记忆的Advisor：

this.chatClient = ChatClient.builder(chatModel)        // 实现 Logger 的 Advisor        .defaultAdvisors(                new SimpleLoggerAdvisor(),                MessageChatMemoryAdvisor.builder(chatmemory).build()        ).defaultSystem(systemText).build();

这里的chatmemory是直接Autowire进来的。

结构化输出

我们在最开始，提供一个newChat的方法，用户第一次和客服开始对话时，就调用这个接口，初始化一些用户和订单的基本信息，并且做一个结构化输出，确保输出固定的内容，这样前端拿到内容之后才能解析出关键信息。

整体的交互流程如下：

先定义出第一轮对话后需要返回给前端的信息，主要是对话id和对话状态，这两个需要后端生成一个新的，然后返回给前端。

package cn.hollis.llm.llmentor.model;
import com.fasterxml.jackson.annotation.JsonPropertyDescription;
public record OrderChat(
@JsonPropertyDescription("订单号") String orderId        , @JsonPropertyDescription("用户Id") String userId        , @JsonPropertyDescription("对话Id") String chatId        , @JsonPropertyDescription("对话状态") ChatStatus status) {
}

然后看一下newChat接口的主要实现：

// PddRefundController
    @GetMapping("/newChat")    public OrderChat newChat(String userId, String orderId, HttpServletResponse httpServletResponse) {
        httpServletResponse.setCharacterEncoding("UTF-8");
        //模拟数据库创建一个chat的记录，获取到他的唯一id。        String chatId = UUID.randomUUID().toString();
        return chatClient                .prompt()                .user(String.format("我要咨询订单相关的售后问题，我的用户id是%s,我的订单号是: %s ,本地的对话Id是 %s，当前状态是 %s", userId, orderId, chatId, ChatStatus.CHAT_START.name()))                .advisors(spec -> spec.param(CONVERSATION_ID, chatId)                        .param("chat_memory_retrieve_size", 100))                .call().entity(OrderChat.class);    }

这里主要是先生成一个对话Id，把他用作记忆的CONVERSATION_ID，并且把订单号、用户id这些信息告知大模型，让他存下来这些记忆，方便后续对话知道具体的订单号和用户信心。

接着用户开始发起对话。

Function Call

定义一个工具，用于关闭订单。

假设原来应用中已经有一个退款服务了：

@Service
public class OrderManageService {
    public String getOrderById(String orderId) {
        return "订单号：" + orderId;    }
    public String refund(String orderId, String reason) {
        System.out.println("退款成功");
        return UUID.randomUUID().to
String();    }
}

那么我们可以定义一个tool，然后让他调用这个关单接口，如：

package cn.hollis.llm.llmentor.tools;
import cn.hollis.llm.llmentor.service.OrderManageService;
import org.springframework.ai.tool.annotation.Tool;
import org.springframework.ai.tool.annotation.ToolParam;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;

@Component
public class OrderTools {

    @Autowired    private OrderManageService orderManageService;

    @Tool(name = "apply_refund", description = "根据用户传入的订单信息发起退款")    public String refund(
@ToolParam(description = "订单编号，为数字类型") String orderId, @ToolParam(description = "商品名称") String name, @ToolParam(description = "退款原因") String reason) {
        System.out.println("已为商品:" + name + ",订单号:" + orderId + "申请退款 , 退款原因： " + reason);
        orderManageService.refund(orderId, reason);
        return "已为商品：" + name + ",订单号：" + orderId + "申请退款 , 退款原因： " + reason;    }
}

然后在对话中，让模型可以使用这个工具：

// PddRefundController
@GetMapping("/ask")
public Flux<String> ask(String question, String chatId, HttpServletResponse httpServletResponse) {
    httpServletResponse.setCharacterEncoding("UTF-8");
    return chatClient            .prompt()            .user(question).tools(orderTools)            .advisors(spec -> spec.param(CONVERSATION_ID, chatId)                    .param("chat_memory_retrieve_size", 100))            .stream().content();
}

使用同一个chatId作为对话的CONVERSATION_ID，并且通过tools让模型知道我们有一个关单工具。

效果：

第一轮对话：

第二轮对话：

第三轮对话：

第四轮对话：

通过控制台查看，也可以看到，最后一轮对话的时候，调用了工具进行申请退款，。并且把记忆中的商品、订单、退款原因都带上了。

常见问题

在工具调用的时候，最开始我用的是openai的chatmodel，发现调用工具的时候总是失败，因为他会给我生成两次工具调用，一次是有工具名但是没参数，一次是有参数但是没有工具名，会导致调用都失败，无法成功。换成DashScopeChatModel就解决了。

问题出在大模型流式输出的时候，他返回的工具function这个字段是一次性返回的，还是分段返回的。

这个和不同模型的特点、工具参数的复杂度也有关系。当function call流式输出的时候，判定本次需要调用工具，大模型可能会一次性返回function call，也可能每次只返回一段chunk，这种方式正确的逻辑应当是：检测到tool_call，然后汇聚arguments，进行拼接，直到没有tool_call了，最后调用，但是springai对于这块的处理是有问题的，具体源码如图所示。

他是检测到tool_call就执行，并没有拼接arguments的操作，这就有可能导致他执行工具的时候，要么工具名称chunk还没到，为空，要么工具参数还没到，为空，具体的解决方式可以参考：

✅ReAct Agent 流式输出后续问题

tool_call出现时机我在后续切换使用其他模型的时候，发现不同模型他的返回的行为方式是有一些差异的。比如我一开始使用我们公司自己微调量化出来的qwen32b模型，他在进行流式输出的时候，如果需要调用工具，那么第一块chunk确实是直

LLMentor

也就是自己接管流式输出的调用时机，关闭internalToolExecutionEnabled自动调用工具。