Roteamento de tickets

def classify_support_request(ticket_contents):
    # Define the prompt for the classification task
    classification_prompt = f"""Você estará atuando como um sistema de classificação de tickets de suporte ao cliente. Sua tarefa é analisar solicitações de suporte ao cliente e produzir a classificação de intenção apropriada para cada solicitação, junto com seu raciocínio.

        Aqui está a solicitação de suporte ao cliente que você precisa classificar:

        <request>{ticket_contents}</request>

        Por favor, analise cuidadosamente a solicitação acima para determinar a intenção central e necessidades do cliente. Considere o que o cliente está pedindo ou tem preocupações sobre.

        Primeiro, escreva seu raciocínio e análise de como classificar esta solicitação dentro de tags <reasoning>.

        Então, produza o rótulo de classificação apropriado para a solicitação dentro de uma tag <intent>. As intenções válidas são:
        <intents>
        <intent>Suporte, Feedback, Reclamação</intent>
        <intent>Rastreamento de Pedido</intent>
        <intent>Reembolso/Troca</intent>
        </intents>

        Uma solicitação pode ter APENAS UMA intenção aplicável. Inclua apenas a intenção que é mais aplicável à solicitação.

        Como exemplo, considere a seguinte solicitação:
        <request>Olá! Eu tive internet de fibra de alta velocidade instalada no sábado e meu instalador, Kevin, foi absolutamente fantástico! Onde posso enviar minha avaliação positiva? Obrigado pela sua ajuda!</request>

        Aqui está um exemplo de como sua saída deve ser formatada (para a solicitação de exemplo acima):
        <reasoning>O usuário busca informações para deixar feedback positivo.</reasoning>
        <intent>Suporte, Feedback, Reclamação</intent>

        Aqui estão mais alguns exemplos:
        <examples>
        <example 2>
        Entrada do Exemplo 2:
        <request>Eu queria escrever e pessoalmente agradecer pela compaixão que vocês mostraram à minha família durante o funeral do meu pai neste último fim de semana. Sua equipe foi tão atenciosa e prestativa durante todo esse processo; realmente tirou um peso dos nossos ombros. Os folhetos de velório estavam lindos. Nunca esqueceremos a gentileza que vocês nos mostraram e somos muito gratos por quão suavemente os procedimentos correram. Obrigado, novamente, Amarantha Hill em nome da Família Hill.</request>

        Saída do Exemplo 2:
        <reasoning>Usuário deixa uma avaliação positiva de sua experiência.</reasoning>
        <intent>Suporte, Feedback, Reclamação</intent>
        </example 2>
        <example 3>

        ...

        </example 8>
        <example 9>
        Entrada do Exemplo 9:
        <request>Seu site continua enviando pop-ups de anúncios que bloqueiam a tela inteira. Levei vinte minutos apenas para finalmente encontrar o número de telefone para ligar e reclamar. Como posso possivelmente acessar as informações da minha conta com todos esses pop-ups? Vocês podem acessar minha conta para mim, já que seu site está quebrado? Preciso saber qual é o endereço em arquivo.</request>

        Saída do Exemplo 9:
        <reasoning>O usuário solicita ajuda para acessar as informações de sua conta web.</reasoning>
        <intent>Suporte, Feedback, Reclamação</intent>
        </example 9>

        Lembre-se de sempre incluir seu raciocínio de classificação antes de sua saída de intenção real. O raciocínio deve estar encerrado em tags <reasoning> e a intenção em tags <intent>. Retorne apenas o raciocínio e a intenção.
        """

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"""Você estará atuando como um sistema de classificação de tickets de suporte ao cliente. 
        ...
        ... O raciocínio deve estar encerrado em tags <reasoning> e a intenção em tags <intent>. Retorne apenas o raciocínio e a intenção.
        """
    # 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"""Você estará atuando como um sistema de classificação de tickets de suporte ao cliente. 
        ...
        ...O raciocínio deve estar encerrado em tags <reasoning> e a intenção em tags <intent>. Retorne apenas o raciocínio e a intenção.
        """

    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