情感分析工具节点

情感分析工具节点为 AI Agent 提供分析文本情感倾向和强度的能力。与 Sentiment Analysis Action 节点不同，Tool 版本由 AI 根据对话需求自主决定是否调用。

使用场景

典型应用

智能客服优化 - AI 识别用户情绪，优先处理负面反馈
情感化对话 - AI 根据用户情感调整回复风格和内容
对话路由 - AI 根据情感将对话路由到不同处理流程
舆情监控 - AI 自动分析用户反馈的情感趋势
风险预警 - AI 识别愤怒或沮丧的用户，及时介入
满意度评估 - AI 自动评估客户对产品或服务的满意度

Tool vs Action 的区别

特性	Sentiment Analysis Action	Sentiment Analysis Tool
执行方式	直接执行	AI 按需调用
使用场景	固定的情感分析流程	AI Agent 需要时分析情感
调用时机	每次都执行	AI 决定何时调用
输入来源	预先配置	AI 从对话中提取文本

示例对比:

Action 方式 (固定流程):
用户输入 → 情感分析 → 根据情感处理

Tool 方式 (智能交互):
用户: "这个产品真难用！"
AI: (识别需要分析情感) → 调用情感分析工具 → 识别为负面 → 调整回复策略
用户: "太棒了，我很满意！"
AI: (识别需要分析情感) → 调用情感分析工具 → 识别为正面 → 表达感谢

节点配置

基础设置(参数面板)

工具名称 (toolName)

AI Agent 调用工具时使用的唯一标识符。

字段属性:

必填字段
在工作流中必须唯一
不支持表达式
格式要求:
- 只能包含字母、数字、下划线和连字符
- 必须以字母开头
- 不能与工作流中其他工具节点的工具名称重复

配置示例:

javascript

// 1. 简洁明确的工具名称
toolName: "analyzeSentiment"

// 2. 描述性的工具名称
toolName: "detectUserEmotion"

// 3. 带前缀的工具名称
toolName: "sentimentAnalysisTool"

命名建议:

使用小驼峰或下划线: analyzeSentiment 或 analyze_sentiment
见名知意: 名称要清楚表达工具的功能
避免过长: 建议在 20 个字符以内
避免特殊字符: 只使用字母、数字、下划线和连字符

重要说明:

AI Agent 通过工具名称来识别和调用工具，而不是节点名称
工具名称在工作流中必须唯一，如果有重复会自动添加后缀
建议使用英文命名，以便与 AI 的调用保持一致

工具描述 (toolDescription)

描述工具的功能和使用场景，AI 根据描述决定何时调用。

字段属性:

必填字段
支持表达式
支持多行文本

配置示例:

javascript

// 1. 清晰描述工具功能
"分析文本的情感倾向和强度。输入参数: input(要分析的文本)。返回: sentiment(情感分类), score(情感强度), label(情感标签)。适用于识别用户情绪状态。"

// 2. 说明使用场景
"分析用户消息的情感倾向。
输入参数:
- input: 用户消息文本
返回:
- sentiment: 情感分类 ("positive" | "negative" | "neutral")
- score: 情感强度评分 (-1 到 1)
- label: 情感标签 (如"积极"、"消极"、"中性")

当需要了解用户情绪时调用 analyzeSentiment 工具。"

// 3. 说明特殊用途
"识别客户反馈的情感倾向，用于优先处理负面反馈。
输入: input(客户反馈文本)
返回: sentiment, score, label
适用场景: 分析客户评价、投诉、建议时调用 detectCustomerSentiment 工具。"

模型 (model)

选择用于情感分析的 AI 模型。

字段属性:

必填字段
支持主流 LLM 提供商
模型选择影响分析准确度

推荐模型:

yaml

GPT-3.5-turbo: 性价比高，适合大多数场景
GPT-4: 准确度更高，复杂情感识别
Claude: 擅长细腻情感分析

输入文本 (input)

要分析情感的文本内容。AI 会从对话中提取并填充此字段。

字段属性:

必填字段
支持表达式
支持多行文本
AI 会自动从对话中提取文本

配置示例:

javascript

// 1. AI 从对话中提取
input: ""  // AI 会自动填充用户消息

// 2. 从上下文获取
input: $('Chat Trigger').message

// 3. 组合多个信息源
input: `用户反馈: ${$('Chat Trigger').message}
历史评价: ${$('Previous Reviews').averageRating}`

中性情感范围下限 (neutralLowerBound)

中性情感的评分下限。

字段属性:

数字类型
范围：-1 到 1
默认值：-0.2

说明: 评分在 [neutralLowerBound, neutralUpperBound] 范围内的被判定为中性情感。

中性情感范围上限 (neutralUpperBound)

中性情感的评分上限。

字段属性:

数字类型
范围：-1 到 1
默认值：0.2

说明:

评分 > neutralUpperBound：正面情感
评分 < neutralLowerBound：负面情感
评分在两者之间：中性情感

知识库 (knowledgeBaseId)

可选，用于提供情感分析的上下文参考。

字段属性:

可选字段
用于特定领域的情感分析

允许自由发挥 (allowImprovise)

是否允许 AI 在预定义情感之外输出自定义情感标签。

默认值: false

自定义标签 (customLabels)

为字段提供自定义显示标签。

字段属性:

可选字段
键值对格式

高级设置(设置面板)

总是输出 (alwaysOutput)

即使分析失败也输出空项。

默认值: false

仅执行一次 (executeOnce)

是否仅使用第一个输入项执行一次。

默认值: false

失败重试 (retryOnFail)

分析失败时是否自动重试。

默认值: false

最大重试次数 (maxTries)

失败后的最大重试次数。

默认值: 3

重试等待时间 (waitBetweenTries)

每次重试之间的等待时间（毫秒）。

默认值: 1000 (1秒)

节点描述 (nodeDescription)

为节点添加自定义描述。

yaml

nodeDescription: "分析客户反馈的情感倾向"

输出数据

返回情感分类和评分。

输出结构:

javascript

{
  sentiment: "positive",  // 情感分类：positive/negative/neutral
  score: 0.85,           // 情感强度评分：-1（极度负面）到 1（极度正面）
  label: "积极"           // 情感标签
}

访问输出:

javascript

// 获取情感分类
$('Sentiment Analysis Tool').sentiment

// 获取情感强度
$('Sentiment Analysis Tool').score

// 获取情感标签
$('Sentiment Analysis Tool').label

// 条件判断
$('Sentiment Analysis Tool').sentiment === "positive"

工作流示例

示例 1: 智能客服情感识别

Chat Trigger
  → AI Agent Node
    System Prompt: "你是智能客服助手，需要识别用户情绪并提供相应的服务。"
    
    Tools: [Sentiment Analysis Tool]
      Tool Name: "analyzeSentiment"
      Tool Description: "分析用户消息的情感倾向。输入: input(用户消息)。返回: sentiment(情感分类), score(情感强度), label(情感标签)。当需要了解用户情绪时调用此工具。"
      Model: "GPT-3.5-turbo"
      Input: ""  // AI 从对话中提取
  → Answer Node

对话示例:
用户: "这个产品太难用了，我要退货！"
AI: (调用 analyzeSentiment 工具)
分析结果: {sentiment: "negative", score: -0.8, label: "消极"}
AI: "非常抱歉给您带来不便。我理解您的不满，让我立即为您处理退货事宜..."

用户: "太棒了，这个功能我很满意！"
AI: (调用 analyzeSentiment 工具)
分析结果: {sentiment: "positive", score: 0.9, label: "积极"}
AI: "很高兴听到您的满意！感谢您的反馈，我们会继续努力..."

示例 2: 情感化对话路由

Chat Trigger
  → AI Agent Node
    System Prompt: "你是客服助手，根据用户情感提供不同服务。"
    
    Tools: [Sentiment Analysis Tool]
      Tool Name: "detectEmotion"
      Tool Description: "检测用户情感状态。输入: input。返回: sentiment, score。"
      Model: "GPT-4"
  → Conditional Branch
    条件: $('Sentiment Analysis Tool').sentiment === "negative" && $('Sentiment Analysis Tool').score < -0.7
    → [True] → AI Agent (紧急处理流程)
      系统提示: "用户情绪非常负面，需要立即安抚和解决问题"
    → [False] → Answer Node (正常流程)

示例 3: 满意度评估

Chat Trigger
  → AI Agent Node
    System Prompt: "你是客户满意度调查助手。"
    
    Tools: [Sentiment Analysis Tool]
      Tool Name: "evaluateSatisfaction"
      Tool Description: "评估客户满意度。输入: input(客户反馈)。返回: sentiment, score。"
      Model: "GPT-3.5-turbo"
  → Code Node
    代码: |
      const sentiment = $('Sentiment Analysis Tool');
      const satisfaction = sentiment.sentiment === "positive" && sentiment.score > 0.6
        ? "high"
        : sentiment.sentiment === "negative" && sentiment.score < -0.6
        ? "low"
        : "medium";
      
      return { satisfaction, ...sentiment };
  → Answer Node

最佳实践

1. 编写清晰的工具描述

好的工具描述:

"分析用户消息的情感倾向和强度。
输入参数:
- input: 用户消息文本
返回:
- sentiment: 情感分类 ("positive" | "negative" | "neutral")
- score: 情感强度评分 (-1 到 1)
- label: 情感标签

使用场景:
- 识别用户情绪状态
- 判断是否需要紧急处理
- 调整回复策略和语气

示例: 当用户表达强烈不满或满意时调用 analyzeSentiment 工具。"

2. 合理设置中性情感范围

javascript

// 1. 默认设置（较宽松）
neutralLowerBound: -0.2
neutralUpperBound: 0.2

// 2. 严格设置（更偏向明确的情感）
neutralLowerBound: -0.1
neutralUpperBound: 0.1

// 3. 宽松设置（更多中性判断）
neutralLowerBound: -0.3
neutralUpperBound: 0.3

3. 在 System Prompt 中指导 AI 使用

javascript

System Prompt: `当你调用情感分析工具后:
1. 如果 sentiment === "negative" 且 score < -0.7:
   - 表达理解和歉意
   - 提供解决方案
   - 询问是否需要进一步帮助

2. 如果 sentiment === "positive" 且 score > 0.7:
   - 表达感谢和高兴
   - 鼓励用户继续使用
   - 可以推荐相关产品

3. 如果 sentiment === "neutral":
   - 保持专业和友好的语气
   - 正常回答问题`

4. 结合其他工具使用

javascript

Tools: [
  Tool 1 - Sentiment Analysis Tool
    Tool Name: "analyzeSentiment"
    Tool Description: "分析用户情感"
  
  Tool 2 - HTTP Request Tool
    Tool Name: "escalateToHuman"
    Tool Description: "转接人工客服"
  
  Tool 3 - Code Tool
    Tool Name: "recordFeedback"
    Tool Description: "记录用户反馈"
]

// AI 会根据情感分析结果决定是否转接人工或记录反馈

常见问题

Q1: AI 如何知道何时调用情感分析工具?

A: AI 根据以下因素决定:

工具描述: 是否提到需要识别用户情绪
对话上下文: 用户消息是否表达强烈情感
任务需求: 是否需要根据情感调整策略

优化建议:

在工具描述中明确说明适用场景
提供调用示例
说明分析的情感类型

Q2: 如何处理混合情感?

A: 情感分析工具会返回整体情感倾向:

javascript

// 如果用户说"产品质量不错，但客服态度很差"
// 工具会分析整体情感，可能返回:
{
  sentiment: "negative",  // 整体偏向负面
  score: -0.3,           // 中等负面强度
  label: "消极"
}

Q3: 情感分析准确度如何提高?

1. 选择合适的模型

javascript

// 复杂情感分析使用更强的模型
model: "GPT-4"  // 而非 GPT-3.5

2. 使用知识库提供上下文

javascript

knowledgeBaseId: "kb_customer_feedback"  // 特定领域的情感分析

3. 调整中性情感范围

javascript

// 根据业务需求调整
neutralLowerBound: -0.1  // 更严格的中性判断
neutralUpperBound: 0.1

Q4: 可以多次调用情感分析工具吗?

A: 可以！AI 可以在同一对话中多次调用:

用户: "这个产品不好用"
AI: (第1次调用) → 识别为负面情感
AI: "抱歉，能详细说明一下问题吗？"

用户: "现在好多了，谢谢！"
AI: (第2次调用) → 识别为正面情感
AI: "很高兴问题解决了！"

Q5: 如何根据情感分析结果采取行动?

方案 1: 在 System Prompt 中指导

javascript

System Prompt: `根据情感分析结果:
- 负面且强烈 (score < -0.7): 立即提供解决方案，必要时转人工
- 正面且强烈 (score > 0.7): 表达感谢，可以推荐相关产品
- 中性: 正常处理`

方案 2: 结合条件分支

AI Agent (调用情感分析工具)
  → Conditional Branch
    条件: sentiment === "negative" && score < -0.7
    → [True] → 转人工客服
    → [False] → 继续对话

下一步

AI Agent 节点 - 了解如何使用 AI Agent
情感分析 Action 节点 - 了解 Action 版本
Entity Recognition Tool 节点 - 从对话提取信息

Chat 触发器

情感分析工具节点 ​

使用场景 ​

典型应用 ​

Tool vs Action 的区别 ​

节点配置 ​

基础设置(参数面板) ​

工具名称 (toolName) ​

工具描述 (toolDescription) ​

模型 (model) ​

输入文本 (input) ​

中性情感范围下限 (neutralLowerBound) ​

中性情感范围上限 (neutralUpperBound) ​

知识库 (knowledgeBaseId) ​

允许自由发挥 (allowImprovise) ​

自定义标签 (customLabels) ​

高级设置(设置面板) ​

总是输出 (alwaysOutput) ​

仅执行一次 (executeOnce) ​

失败重试 (retryOnFail) ​

最大重试次数 (maxTries) ​

重试等待时间 (waitBetweenTries) ​

节点描述 (nodeDescription) ​

输出数据 ​

工作流示例 ​

示例 1: 智能客服情感识别 ​

示例 2: 情感化对话路由 ​

示例 3: 满意度评估 ​

最佳实践 ​

1. 编写清晰的工具描述 ​

2. 合理设置中性情感范围 ​

3. 在 System Prompt 中指导 AI 使用 ​

4. 结合其他工具使用 ​

常见问题 ​

Q1: AI 如何知道何时调用情感分析工具? ​

Q2: 如何处理混合情感? ​

Q3: 情感分析准确度如何提高? ​

Q4: 可以多次调用情感分析工具吗? ​

Q5: 如何根据情感分析结果采取行动? ​

下一步 ​

相关资源 ​

情感分析工具节点

使用场景

典型应用

Tool vs Action 的区别

节点配置

基础设置(参数面板)

工具名称 (toolName)

工具描述 (toolDescription)

模型 (model)

输入文本 (input)

中性情感范围下限 (neutralLowerBound)

中性情感范围上限 (neutralUpperBound)

知识库 (knowledgeBaseId)

允许自由发挥 (allowImprovise)

自定义标签 (customLabels)

高级设置(设置面板)

总是输出 (alwaysOutput)

仅执行一次 (executeOnce)

失败重试 (retryOnFail)

最大重试次数 (maxTries)

重试等待时间 (waitBetweenTries)

节点描述 (nodeDescription)

输出数据

工作流示例

示例 1: 智能客服情感识别

示例 2: 情感化对话路由

示例 3: 满意度评估

最佳实践

1. 编写清晰的工具描述

2. 合理设置中性情感范围

3. 在 System Prompt 中指导 AI 使用

4. 结合其他工具使用

常见问题

Q1: AI 如何知道何时调用情感分析工具?

Q2: 如何处理混合情感?

Q3: 情感分析准确度如何提高?

Q4: 可以多次调用情感分析工具吗?

Q5: 如何根据情感分析结果采取行动?

下一步

相关资源