LLM 情感语言控制原型：B2B 客户服务场景的提示工程研究

研究背景：AI 客服的语言艺术\n\n大语言模型（LLM）在企业客服场景的应用日益广泛，但如何控制模型的语言风格以适应不同的客户情境，仍是一个充满挑战的研究课题。特别是在 B2B（企业对企业）场景中，客户关系的复杂性和业务影响的严重性，对 AI 客服的语言表达提出了更高要求。\n\n当服务失败发生时（如交付延迟、系统故障、账单错误），客服回应的语言风格直接影响客户满意度和关系修复效果。过于正式可能显得冷漠，过于随意可能显得不专业；过度道歉可能显得软弱，回避责任则可能激化矛盾。\n\nMartine Ouedraogo 开发的这个研究原型，正是为了系统探索如何通过提示工程（Prompt Engineering）控制 LLM 的语言输出，为 B2B 客服场景提供可量化的语言风格调优工具。\n\n## 项目核心：可控语言风格生成\n\n### 研究假设\n\n项目的核心假设是：通过显式的语言学参数，可以可预测地控制 LLM 的输出风格。这些参数包括：\n\n1. 情感语域（Emotional Register）：模型回应的情感色彩\n2. 熟悉度（Familiarity Level）：与客户的关系亲疏程度\n\n项目特别强调：AI 并不真正"感受"情感，研究的是通过参数控制产生的语言变化，而非模拟真实情感。\n\n### 五大 B2B 失败场景\n\n原型覆盖了 B2B 客户服务中最常见的五种失败场景：\n\n1. 物流延迟（Retard de livraison）\n- 场景：承诺的交付时间未能兑现\n- 客户关切：项目进度、违约风险、信任危机\n\n2. SaaS 系统故障（Panne logicielle SaaS）\n- 场景：关键业务系统不可用\n- 客户关切：业务中断、数据安全、恢复时间\n\n3. 账单错误（Erreur de facturation）\n- 场景：收费金额或项目有误\n- 客户关切：财务影响、流程混乱、信任问题\n\n4. SLA 违约（Non-respect SLA）\n- 场景：未达到服务等级协议承诺\n- 客户关切：合同效力、赔偿问题、合作关系\n\n5. 工单无响应（Ticket sans réponse）\n- 场景：客户支持请求被忽视或延迟处理\n- 客户关切：被忽视感、问题恶化、服务质量\n\n## 语言学参数设计\n\n### 四维度情感语域\n\n项目定义了四种情感语域，每种对应不同的语言策略：\n\n中性（Neutre）\n- 特征：客观陈述，最小情感表达\n- 适用：例行公事、低影响问题\n- 语言标记：事实性词汇，避免情感形容词\n\n共情（Empathique）\n- 特征：承认客户感受，表达理解\n- 适用：客户明显受挫、情绪化的场景\n- 语言标记："我们理解您的困扰"、"非常抱歉"\n\n安抚（Rassurant）\n- 特征：强调问题解决，重建信心\n- 适用：客户担心后果、需要保证的场景\n- 语言标记："请放心"、"我们将全力解决"\n\n高度专业（Très professionnel）\n- 特征：严格正式，强调程序合规\n- 适用：法律敏感、高价值合同场景\n- 语言标记：敬语、完整句式、法律术语\n\n### 三级别熟悉度\n\n高度正式（Très formel）\n- 特征：严格使用敬语，保持距离感\n- 适用：新客户、高层沟通、正式书面往来\n\n半正式（Semi-formel）\n- 特征：适当亲近，保持专业底线\n- 适用：长期合作客户、日常业务沟通\n\n熟悉（Familier）\n- 特征：友好亲近，适度非正式\n- 适用：深度合作关系、已建立信任的客户\n\n### 参数组合矩阵\n\n4 种情感语域 × 3 种熟悉度 = 12 种组合 每种场景\n\n5 种场景 × 12 种组合 = 60 种测试条件，为系统研究提供了丰富的实验空间。\n\n## 技术架构与实现\n\n### 双模式运行设计\n\n项目的一大特色是支持两种运行模式，兼顾研究灵活性和成本效益：\n\nMock 模式（免费）\n- 无需 API 密钥，零成本运行\n- 基于参数规则生成模拟回应\n- 适合快速原型验证和教学演示\n- 语言风格符合参数设定，但内容固定\n\nOpenAI 模式（付费）\n- 调用 GPT-4o-mini API\n- 真实 LLM 生成，内容动态变化\n- 适合正式研究和生产测试\n- 需要配置 OPENAI_API_KEY\n\n### 元提示（Meta-prompt）设计\n\n项目的核心是一个精心设计的元提示模板，包含以下约束：\n\n伦理约束\n- ✓ 保持专业和尊重\n- ✓ 承认失败/事件，不轻描淡写\n- ✓ 绝不进行情感操控\n- ✓ 提供具体行动计划（步骤、时间、联系人）\n- ✓ 信息不足时主动询问\n\n参数注入\n- 情感语域参数控制情感词汇选择\n- 熟悉度参数控制敬语和句式正式程度\n\n### 自动化评估指标\n\n项目实现了多维度的自动评估，量化分析生成文本的特征：\n\n基础指标\n- 词数（Mots）：文本长度，反映信息丰富度\n\n情感标记\n- 共情标记（Reco）：识别"理解"、"抱歉"等共情词汇\n- 行动标记（Action）：识别"计划"、"处理"等行动承诺词汇\n\n正式度标记\n- 敬语标记（Formalité）：识别"女士/先生"、"请"等正式用语\n- 称呼检测（Vouvoiement）：自动区分"您"（敬称）和"你"（昵称）\n\n这些指标使得语言风格的量化比较成为可能，研究者可以客观评估不同参数组合的效果。\n\n## 快速上手指南\n\n### 环境准备\n\nbash\ngit clone https://github.com/MarteOued/llm-emotions-b2b-prototype.git\ncd llm-emotions-b2b-prototype\npip install -r requirements.txt\n\n\n依赖包括：Python 3.10+、Streamlit、OpenAI SDK、Plotly、Pandas。\n\n### Mock 模式运行（推荐入门）\n\nbash\nstreamlit run app.py\n\n\n在侧边栏选择"🎭 Mode Mock"，即可零成本体验完整功能。\n\n### OpenAI 模式配置\n\nbash\n# 1. 复制配置模板\ncp .env.example .env\n\n# 2. 编辑 .env 文件，添加 API 密钥\n# OPENAI_API_KEY=sk-XXXXXX\n\n# 3. 启动应用\nstreamlit run app.py\n\n\n选择"🤖 Mode OpenAI"即可使用真实 LLM。\n\n## 界面功能详解\n\n### 主界面布局\n\n\n┌────────────────────────────────────────────────────────────────┐\n│ 🧠 LLM Émotions B2B │\n│ Prototype d'étude des variations linguistiques... │\n└────────────────────────────────────────────────────────────────┘\n\n ┌─ 场景：🖥️ SaaS 系统故障 ──────────────────────────────┐\n │ 客户报告服务不可用... │\n └─────────────────────────────────────────────────────────┘\n\n 参数：💙 共情 · 👔 半正式 · 🎭 Mock\n\n [ 🚀 生成回应 ]\n\n 📨 生成结果\n ┌─────────────────────────────────────────────────────────┐\n │ 您好， │\n │ 我们完全理解此次故障给您带来的不便... │\n │ 以下是我们的处理方案... │\n └─────────────────────────────────────────────────────────┘\n\n 📏 指标\n 📝 词数: 142 💙 共情: 3 ⚡ 行动: 4 🎩 正式: 1\n\n\n### 功能模块\n\n场景选择器\n- 五个预设 B2B 失败场景\n- 每个场景以中性事实语言描述，无情感词汇\n\n参数控制面板\n- 情感语域选择器（4 选项）\n- 熟悉度选择器（3 选项）\n- 运行模式切换（Mock / OpenAI）\n\n生成结果区\n- 实时显示 LLM 生成的客服回应\n- 支持重新生成和对比\n\n指标仪表板\n- 实时计算并显示评估指标\n- 可视化指标变化趋势\n\n对比分析区\n- 并排比较多种参数组合\n- Plotly 交互式可视化\n- CSV 历史记录导出\n\n## 研究价值与应用前景\n\n### 提示工程研究\n\n该项目为提示工程领域提供了具体的研究案例，展示了如何通过结构化参数控制 LLM 输出。研究者可以：\n\n- 测试不同参数组合的语言效果\n- 验证元提示设计的有效性\n- 探索更多语言学维度的可控性\n\n### 客服系统优化\n\n对于企业客服系统开发者，该项目提供了：\n\n- 风格调优工具：根据客户画像自动选择最佳语言风格\n- 质量评估框架：量化评估客服回应的专业度\n- 培训素材生成：生成不同风格的示例回应用于培训\n\n### 多语言扩展潜力\n\n虽然当前原型针对法语设计，但其架构可以轻松扩展到其他语言：\n\n- 调整敬语检测逻辑适应不同语言的称呼系统\n- 本地化场景描述和元提示\n- 适配不同文化的商务沟通规范\n\n### 伦理与合规价值\n\n项目内置的伦理约束（禁止情感操控、要求行动计划）为 AI 客服系统提供了合规参考。这些约束可以：\n\n- 防止 AI 使用操纵性语言\n- 确保客户获得实质帮助而非空洞安慰\n- 为监管合规提供技术实现路径\n\n## 代码结构与扩展性\n\n\nllm-emotions-b2b-prototype/\n├── app.py # Streamlit 主界面\n├── prompts.py # 场景、情感、熟悉度定义，元提示模板\n├── llm_client.py # LLM 客户端封装（Mock + OpenAI）\n├── metrics.py # 评估指标计算\n├── requirements.txt # 依赖管理\n├── .env.example # 配置模板\n├── .gitignore\n└── README.md\n\n\n### 模块化设计优势\n\n提示管理层（prompts.py）\n- 集中管理所有提示模板\n- 便于修改和扩展场景/参数\n\n模型抽象层（llm_client.py）\n- 统一接口封装不同 LLM 来源\n- 支持无缝切换 Mock 和真实 API\n\n评估引擎（metrics.py）\n- 可插拔的指标计算\n- 易于添加新的语言学分析维度\n\n## 学术背景与项目信息\n\n该项目由 Martine Ouedraogo 开发，作为里昂第二大学（Université Lumière Lyon 2）数据科学与机器学习硕士（Master 1 Informatique, Data Science & Machine Learning）的研究项目。\n\n开发者信息\n- LinkedIn: Marte Oued\n- 作品集: portfoliomarte.vercel.app\n- GitHub: MarteOued\n\n许可协议\nMIT 许可证，允许自由使用和修改。\n\n## 总结与展望\n\nLLM Émotions B2B Prototype 是一个将语言学理论与工程实践相结合的创新项目。通过系统化的参数设计和量化评估，它为 B2B 客服场景的 AI 语言风格控制提供了可行路径。\n\n项目的价值不仅在于其当前功能，更在于其展示的研究方法论：\n\n1. 参数化控制：将抽象的语言风格转化为可调的工程参数\n2. 双模式设计：平衡研究成本与实验真实性\n3. 伦理内置：将合规约束融入技术架构\n4. 量化评估：用指标驱动风格优化\n\n未来发展方向可能包括：\n\n- 支持更多 LLM 提供商（Claude、Gemini、本地模型等）\n- 引入 A/B 测试框架验证不同风格的效果\n- 开发自动风格推荐系统\n- 扩展至更多行业和场景\n\n对于从事 AI 客服、提示工程或计算语言学研究的人士，这是一个值得深入探索的开源项目。\n\n项目地址：https://github.com/MarteOued/llm-emotions-b2b-prototype