티켓 라우팅

def classify_support_request(ticket_contents):
    # Define the prompt for the classification task
    classification_prompt = f"""당신은 고객 지원 티켓 분류 시스템 역할을 할 것입니다. 당신의 작업은 고객 지원 요청을 분석하고 각 요청에 대한 적절한 분류 의도와 추론을 출력하는 것입니다.

        다음은 분류해야 할 고객 지원 요청입니다:

        <request>{ticket_contents}</request>

        위 요청을 신중히 분석하여 고객의 핵심 의도와 요구사항을 파악하세요. 고객이 무엇을 요청하고 있는지, 무엇에 대해 우려하고 있는지 고려하세요.

        먼저 이 요청을 분류하는 방법에 대한 추론과 분석을 <reasoning> 태그 안에 작성하세요.

        그런 다음 <intent> 태그 안에 요청에 대한 적절한 분류 레이블을 출력하세요. 유효한 의도는 다음과 같습니다:
        <intents>
        <intent>지원, 피드백, 불만</intent>
        <intent>주문 추적</intent>
        <intent>환불/교환</intent>
        </intents>

        요청은 하나의 적용 가능한 의도만 가질 수 있습니다. 요청에 가장 적용 가능한 의도만 포함하세요.

        예를 들어, 다음 요청을 고려해보세요:
        <request>안녕하세요! 토요일에 고속 광섬유 인터넷을 설치했는데 설치 기사 Kevin이 정말 훌륭했습니다! 긍정적인 리뷰를 어디에 보낼 수 있나요? 도움 주셔서 감사합니다!</request>

        다음은 출력 형식의 예입니다(위 예시 요청에 대한):
        <reasoning>사용자는 긍정적인 피드백을 남기기 위한 정보를 찾고 있습니다.</reasoning>
        <intent>지원, 피드백, 불만</intent>

        다음은 몇 가지 추가 예시입니다:
        <examples>
        <example 2>
        예시 2 입력:
        <request>지난 주말 아버지의 장례식 동안 저희 가족에게 보여주신 연민에 대해 개인적으로 감사의 말씀을 드리고 싶었습니다. 직원분들이 이 전체 과정에서 너무 배려심 있고 도움이 되었습니다. 정말 우리 어깨의 짐을 덜어주었습니다. 조문 브로셔가 아름다웠습니다. 우리는 당신이 보여준 친절함을 결코 잊지 않을 것이며 절차가 얼마나 순조롭게 진행되었는지 정말 감사합니다. Hill 가족을 대표하여 Amarantha Hill이 다시 한 번 감사드립니다.</request>

        예시 2 출력:
        <reasoning>사용자가 자신의 경험에 대한 긍정적인 리뷰를 남깁니다.</reasoning>
        <intent>지원, 피드백, 불만</intent>
        </example 2>
        <example 3>

        ...

        </example 8>
        <example 9>
        예시 9 입력:
        <request>당신의 웹사이트가 전체 화면을 차단하는 광고 팝업을 계속 보냅니다. 전화번호를 찾아서 불만을 제기하는 데만 20분이 걸렸습니다. 이 모든 팝업으로 어떻게 내 계정 정보에 액세스할 수 있나요? 웹사이트가 고장났으니 제 계정에 액세스해 주실 수 있나요? 파일에 있는 주소가 무엇인지 알아야 합니다.</request>

        예시 9 출력:
        <reasoning>사용자가 웹 계정 정보에 액세스하는 데 도움을 요청합니다.</reasoning>
        <intent>지원, 피드백, 불만</intent>
        </example 9>

        실제 의도 출력 전에 항상 분류 추론을 포함해야 합니다. 추론은 <reasoning> 태그로, 의도는 <intent> 태그로 둘러싸야 합니다. 추론과 의도만 반환하세요.
        """

import anthropic
import re

# Create an instance of the Claude API client
client = anthropic.Anthropic()

# Set the default model
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(ticket_contents):
    # Define the prompt for the classification task
    classification_prompt = f"""당신은 고객 지원 티켓 분류 시스템 역할을 할 것입니다. 
        ...
        ... 추론은 <reasoning> 태그로, 의도는 <intent> 태그로 둘러싸야 합니다. 추론과 의도만 반환하세요.
        """
    # Send the prompt to the API to classify the support request.
    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
        stream=False,
    )
    reasoning_and_intent = message.content[0].text

    # Use Python's regular expressions library to extract `reasoning`.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # Similarly, also extract the `intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

    return reasoning, intent

import anthropic
import re

# Create an instance of the Claude API client
client = anthropic.Anthropic()

# Set the default model
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(request, actual_intent):
    # Define the prompt for the classification task
    classification_prompt = f"""당신은 고객 지원 티켓 분류 시스템 역할을 할 것입니다. 
        ...
        ...추론은 <reasoning> 태그로, 의도는 <intent> 태그로 둘러싸야 합니다. 추론과 의도만 반환하세요.
        """

    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
    )
    usage = message.usage  # Get the usage statistics for the API call for how many input and output tokens were used.
    reasoning_and_intent = message.content[0].text

    # Use Python's regular expressions library to extract `reasoning`.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # Similarly, also extract the `intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

      # Check if the model's prediction is correct.
    correct = actual_intent.strip() == intent.strip()

    # Return the reasoning, intent, correct, and usage.
    return reasoning, intent, correct, usage