Routage des tickets

def classify_support_request(ticket_contents):
    # Définir le prompt pour la tâche de classification
    classification_prompt = f"""Vous agirez en tant que système de classification des tickets de support client. Votre tâche est d'analyser les demandes de support client et de produire la classification d'intention appropriée pour chaque demande, ainsi que votre raisonnement.

        Voici la demande de support client que vous devez classifier :

        <request>{ticket_contents}</request>

        Veuillez analyser attentivement la demande ci-dessus pour déterminer l'intention principale et les besoins du client. Considérez ce que le client demande ou ce qui le préoccupe.

        D'abord, rédigez votre raisonnement et votre analyse sur la façon de classifier cette demande à l'intérieur des balises <reasoning>.

        Ensuite, indiquez l'étiquette de classification appropriée pour la demande à l'intérieur d'une balise <intent>. Les intentions valides sont :
        <intents>
        <intent>Support, Feedback, Réclamation</intent>
        <intent>Suivi de commande</intent>
        <intent>Remboursement/Échange</intent>
        </intents>

        Une demande ne peut avoir QU'UNE SEULE intention applicable. N'incluez que l'intention qui est la plus applicable à la demande.

        À titre d'exemple, considérez la demande suivante :
        <request>Bonjour ! J'ai fait installer internet fibre haut débit samedi et mon installateur, Kevin, était absolument fantastique ! Où puis-je envoyer mon avis positif ? Merci pour votre aide !</request>

        Voici un exemple de la façon dont votre sortie devrait être formatée (pour l'exemple de demande ci-dessus) :
        <reasoning>L'utilisateur cherche des informations afin de laisser un retour positif.</reasoning>
        <intent>Support, Feedback, Réclamation</intent>

        Voici quelques exemples supplémentaires :
        <examples>
        <example 2>
        Exemple 2 Entrée :
        <request>Je voulais vous écrire et vous remercier personnellement pour la compassion dont vous avez fait preuve envers ma famille lors des funérailles de mon père ce week-end dernier. Votre personnel a été si prévenant et serviable tout au long de ce processus ; cela nous a vraiment soulagés. Les brochures de visite étaient magnifiques. Nous n'oublierons jamais la gentillesse que vous nous avez témoignée et nous apprécions grandement la fluidité du déroulement. Merci encore, Amarantha Hill au nom de la famille Hill.</request>

        Exemple 2 Sortie :
        <reasoning>L'utilisateur laisse un avis positif sur son expérience.</reasoning>
        <intent>Support, Feedback, Réclamation</intent>
        </example 2>
        <example 3>

        ...

        </example 8>
        <example 9>
        Exemple 9 Entrée :
        <request>Votre site web continue d'envoyer des pop-ups publicitaires qui bloquent tout l'écran. Il m'a fallu vingt minutes juste pour finalement trouver le numéro de téléphone pour appeler et me plaindre. Comment puis-je accéder aux informations de mon compte avec tous ces pop-ups ? Pouvez-vous accéder à mon compte pour moi, puisque votre site web est défectueux ? J'ai besoin de connaître l'adresse enregistrée.</request>

        Exemple 9 Sortie :
        <reasoning>L'utilisateur demande de l'aide pour accéder aux informations de son compte web.</reasoning>
        <intent>Support, Feedback, Réclamation</intent>
        </example 9>

        N'oubliez pas d'inclure toujours votre raisonnement de classification avant votre sortie d'intention réelle. Le raisonnement doit être encadré par des balises <reasoning> et l'intention par des balises <intent>. Ne renvoyez que le raisonnement et l'intention.
        """

import anthropic
import re

# Créer une instance du client API Anthropic
client = anthropic.Anthropic()

# Définir le modèle par défaut
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(ticket_contents):
    # Définir le prompt pour la tâche de classification
    classification_prompt = f"""Vous agirez en tant que système de classification des tickets de support client. 
        ...
        ... Le raisonnement doit être encadré par des balises <reasoning> et l'intention par des balises <intent>. Ne renvoyez que le raisonnement et l'intention.
        """
    # Envoyer le prompt à l'API pour classifier la demande de support.
    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

    # Utiliser la bibliothèque d'expressions régulières de Python pour extraire `reasoning`.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # De même, extraire également l'`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

# Créer une instance du client API Anthropic
client = anthropic.Anthropic()

# Définir le modèle par défaut
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(request, actual_intent):
    # Définir le prompt pour la tâche de classification
    classification_prompt = f"""Vous agirez en tant que système de classification des tickets de support client. 
        ...
        ...Le raisonnement doit être encadré par des balises <reasoning> et l'intention par des balises <intent>. Ne renvoyez que le raisonnement et l'intention.
        """

    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
    )
    usage = message.usage  # Obtenir les statistiques d'utilisation pour l'appel API pour savoir combien de tokens d'entrée et de sortie ont été utilisés.
    reasoning_and_intent = message.content[0].text

    # Utiliser la bibliothèque d'expressions régulières de Python pour extraire `reasoning`.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # De même, extraire également l'`intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

      # Vérifier si la prédiction du modèle est correcte.
    correct = actual_intent.strip() == intent.strip()

    # Renvoyer le raisonnement, l'intention, correct et l'utilisation.
    return reasoning, intent, correct, usage