Ticket-Routing

def classify_support_request(ticket_contents):
    # Definieren Sie den Prompt für die Klassifizierungsaufgabe
    classification_prompt = f"""Sie werden als Kundensupport-Ticket-Klassifizierungssystem agieren. Ihre Aufgabe ist es, Kundensupportanfragen zu analysieren und die entsprechende Klassifizierungsabsicht für jede Anfrage auszugeben, zusammen mit Ihrer Begründung.

        Hier ist die Kundensupportanfrage, die Sie klassifizieren müssen:

        <request>{ticket_contents}</request>

        Bitte analysieren Sie die obige Anfrage sorgfältig, um die Kernabsicht und die Bedürfnisse des Kunden zu ermitteln. Berücksichtigen Sie, worum der Kunde bittet oder worüber er besorgt ist.

        Schreiben Sie zunächst Ihre Begründung und Analyse, wie diese Anfrage zu klassifizieren ist, innerhalb von <reasoning>-Tags.

        Geben Sie dann das entsprechende Klassifizierungslabel für die Anfrage innerhalb eines <intent>-Tags aus. Die gültigen Absichten sind:
        <intents>
        <intent>Support, Feedback, Beschwerde</intent>
        <intent>Bestellverfolgung</intent>
        <intent>Rückerstattung/Umtausch</intent>
        </intents>

        Eine Anfrage darf NUR EINE zutreffende Absicht haben. Geben Sie nur die Absicht an, die am besten auf die Anfrage zutrifft.

        Betrachten Sie als Beispiel die folgende Anfrage:
        <request>Hallo! Ich hatte am Samstag Hochgeschwindigkeits-Glasfaser-Internet installiert und mein Installateur, Kevin, war absolut fantastisch! Wo kann ich meine positive Bewertung abgeben? Vielen Dank für Ihre Hilfe!</request>

        Hier ist ein Beispiel dafür, wie Ihre Ausgabe formatiert sein sollte (für die obige Beispielanfrage):
        <reasoning>Der Benutzer sucht nach Informationen, um positives Feedback zu hinterlassen.</reasoning>
        <intent>Support, Feedback, Beschwerde</intent>

        Hier sind noch einige weitere Beispiele:
        <examples>
        <example 2>
        Beispiel 2 Eingabe:
        <request>Ich wollte Ihnen persönlich für das Mitgefühl danken, das Sie meiner Familie während der Beerdigung meines Vaters am vergangenen Wochenende entgegengebracht haben. Ihr Personal war während des gesamten Prozesses so rücksichtsvoll und hilfsbereit; es hat uns wirklich eine Last von den Schultern genommen. Die Besuchsbroschüren waren wunderschön. Wir werden die Freundlichkeit, die Sie uns gezeigt haben, nie vergessen, und wir sind so dankbar dafür, wie reibungslos die Abläufe verliefen. Nochmals vielen Dank, Amarantha Hill im Namen der Familie Hill.</request>

        Beispiel 2 Ausgabe:
        <reasoning>Benutzer hinterlässt eine positive Bewertung seiner Erfahrung.</reasoning>
        <intent>Support, Feedback, Beschwerde</intent>
        </example 2>
        <example 3>

        ...

        </example 8>
        <example 9>
        Beispiel 9 Eingabe:
        <request>Ihre Website sendet ständig Werbe-Popups, die den gesamten Bildschirm blockieren. Es hat mich zwanzig Minuten gekostet, endlich die Telefonnummer zu finden, um mich zu beschweren. Wie kann ich möglicherweise auf meine Kontoinformationen zugreifen mit all diesen Popups? Können Sie für mich auf mein Konto zugreifen, da Ihre Website kaputt ist? Ich muss wissen, welche Adresse hinterlegt ist.</request>

        Beispiel 9 Ausgabe:
        <reasoning>Der Benutzer bittet um Hilfe beim Zugriff auf seine Web-Kontoinformationen.</reasoning>
        <intent>Support, Feedback, Beschwerde</intent>
        </example 9>

        Denken Sie daran, immer Ihre Klassifizierungsbegründung vor Ihrer eigentlichen Absichtsausgabe anzugeben. Die Begründung sollte in <reasoning>-Tags und die Absicht in <intent>-Tags eingeschlossen sein. Geben Sie nur die Begründung und die Absicht zurück.
        """

import anthropic
import re

# Erstellen Sie eine Instanz des Anthropic API-Clients
client = anthropic.Anthropic()

# Setzen Sie das Standardmodell
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(ticket_contents):
    # Definieren Sie den Prompt für die Klassifizierungsaufgabe
    classification_prompt = f"""Sie werden als Kundensupport-Ticket-Klassifizierungssystem agieren. 
        ...
        ... Die Begründung sollte in <reasoning>-Tags und die Absicht in <intent>-Tags eingeschlossen sein. Geben Sie nur die Begründung und die Absicht zurück.
        """
    # Senden Sie den Prompt an die API, um die Supportanfrage zu klassifizieren.
    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

    # Verwenden Sie die reguläre Ausdrucksbibliothek von Python, um `reasoning` zu extrahieren.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # Extrahieren Sie auf ähnliche Weise auch den `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

# Erstellen Sie eine Instanz des Anthropic API-Clients
client = anthropic.Anthropic()

# Setzen Sie das Standardmodell
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(request, actual_intent):
    # Definieren Sie den Prompt für die Klassifizierungsaufgabe
    classification_prompt = f"""Sie werden als Kundensupport-Ticket-Klassifizierungssystem agieren. 
        ...
        ...Die Begründung sollte in <reasoning>-Tags und die Absicht in <intent>-Tags eingeschlossen sein. Geben Sie nur die Begründung und die Absicht zurück.
        """

    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
    )
    usage = message.usage  # Holen Sie sich die Nutzungsstatistiken für den API-Aufruf, wie viele Eingabe- und Ausgabe-Tokens verwendet wurden.
    reasoning_and_intent = message.content[0].text

    # Verwenden Sie die reguläre Ausdrucksbibliothek von Python, um `reasoning` zu extrahieren.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # Extrahieren Sie auf ähnliche Weise auch den `intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

      # Überprüfen Sie, ob die Vorhersage des Modells korrekt ist.
    correct = actual_intent.strip() == intent.strip()

    # Geben Sie die Begründung, Absicht, korrekt und Nutzung zurück.
    return reasoning, intent, correct, usage