用 Python 调 DeepSeek API,我把客服回复效率提了3倍

电商公司客服组六个姑娘，从早八点到晚十一点，每人每天要回三四百条消息。屏幕上一排排对话框，手指在键盘上飞快敲，旁边还贴着一张A4纸，上面密密麻麻写满了“标准话术”。

有天客服组长小周吐槽：“同一个问题，’这个奶瓶能不能放微波炉加热’，今天已经回了十七遍了。每次还得翻话术表，找到对应的回复，复制过来，改改语气，再发出去。一条消息快的话一分钟，慢的话三四分钟。”

她揉了揉手腕，说腱鞘炎又犯了。

当时就想，这事儿能不能用AI搞一下。

研究了几个国产大模型的API。DeepSeek的接口价格不贵，响应速度也快，用来做客服回复草稿正合适。思路很简单：把客户的消息丢给大模型，让它根据我们预设的客服人设和产品信息，生成一条得体的回复草稿。客服人员只需要看一眼，觉得没问题就直接发出去，不用从头打字了。

我用的是DeepSeek的Chat Completion接口，兼容OpenAI的格式，requests库就能搞定。

下面是完整代码。先搭了一个系统提示词，告诉AI它是一个母婴店的客服，语气要亲切、专业。然后做了一个带上下文记忆的多轮对话功能，这样AI能记住客户之前聊了什么，不会每句话都当新问题来处理。

import requestsimport json# DeepSeek API 配置API_KEY = "sk-your-deepseek-api-key"# 替换成你自己的API KeyAPI_URL = "https://api.deepseek.com/chat/completions"# 系统提示词：定义客服角色和回复风格SYSTEM_PROMPT = """你是"贝贝母婴旗舰店"的资深客服小贝。你的回复要求：1. 语气亲切自然，像朋友聊天，适当使用"亲"、"宝妈"等称呼2. 回答要专业准确，涉及产品材质、适用年龄等信息时要具体3. 回复控制在50字以内，简洁明了4. 如果客户问的问题你不确定，建议客户咨询产品详情页或联系品牌方5. 遇到退换货问题，引导客户提供订单号，告知7天无理由退换政策6. 不要用生硬的模板感，每条回复要有温度常见产品信息：- PPSU奶瓶：耐高温180度，可微波炉加热（中低火），不含BPA- 硅胶安抚奶嘴：食品级硅胶，建议3个月更换一次- 婴儿湿巾：99.9%纯水，无酒精无香精，新生儿可用"""def chat_with_customer(customer_message, conversation_history=None):"""    根据客户消息生成客服回复草稿    参数:        customer_message: 客户发来的消息内容        conversation_history: 之前的对话记录（列表格式）    返回:        AI生成的回复草稿    """# 构建消息列表，先放系统提示词messages = [{"role": "system", "content": SYSTEM_PROMPT}]# 如果有历史对话，加进去（记住之前聊了啥）if conversation_history:for item in conversation_history:messages.append({"role": item["role"],"content": item["content"]            })# 把当前客户消息加到最后messages.append({"role": "user", "content": customer_message})# 请求头headers = {"Content-Type": "application/json","Authorization": f"Bearer {API_KEY}"    }# 请求体payload = {"model": "deepseek-chat","messages": messages,"temperature": 0.7,   # 稍微有点创造性，回复不那么死板"max_tokens": 200,    # 客服回复不需要太长"top_p": 0.9    }# 发送请求response = requests.post(API_URL, headers=headers, json=payload, timeout=30)response.raise_for_status()result = response.json()# 提取回复内容reply = result["choices"][0]["message"]["content"]return replydef batch_generate_replies(customer_messages):"""    批量处理客户消息，每条都带上之前的对话上下文    参数:        customer_messages: 客户消息列表，每条是字符串    返回:        包含所有回复的列表    """history = []results = []for msg in customer_messages:print(f"\n客户说：{msg}")# 带着前面的对话去生成回复reply = chat_with_customer(msg, conversation_history=history)print(f"AI草稿：{reply}")# 把这一轮对话记录到历史里history.append({"role": "user", "content": msg})history.append({"role": "assistant", "content": reply})results.append({"customer_msg": msg,"ai_reply": reply        })returnresults# ============ 实际使用 ============if __name__ == "__main__":# 模拟一个客户的连续提问test_messages = ["你好，你们那个PPSU奶瓶能放微波炉加热吗？","中低火大概多久？我宝宝才3个月","好的，那奶嘴多久换一次呀","我家宝宝老是咬奶嘴，是不是该换了",    ]print("="*50)print("客服回复草稿生成器 - 开始工作")print("="*50)replies = batch_generate_replies(test_messages)print("\n"+"="*50)print("所有回复生成完毕")print("="*50)

跑完之后，效果是这样的：

==================================================客服回复草稿生成器 - 开始工作==================================================客户说：你好，你们那个PPSU奶瓶能放微波炉加热吗？AI草稿：亲，可以的呢~咱们的PPSU奶瓶耐高温180度，微波炉中低火加热完全没问题哦。不过建议加热后摇匀试试温度再给宝宝喝，安全第一呀~客户说：中低火大概多久？我宝宝才3个月AI草稿：宝妈，3个月的宝宝肠胃比较娇嫩，建议中低火加热30-40秒就够了。加热后记得滴几滴奶在手腕内侧试试温度，不烫手再喂宝宝哦~有其他问题随时问我呀！客户说：好的，那奶嘴多久换一次呀AI草稿：亲，咱们的硅胶奶嘴建议3个月更换一次哦。如果奶嘴出现发黄、变形或者小洞变大的情况，就要提前换啦~为了宝宝健康，定期更换更放心呢！客户说：我家宝宝老是咬奶嘴，是不是该换了AI草稿：宝妈，宝宝咬奶嘴可能是出牙期的表现呢~如果奶嘴被咬出裂痕或变形了就要马上换哦。出牙期可以给宝宝准备牙胶，减少咬奶嘴的情况。需要我推荐适合的牙胶吗？==================================================所有回复生成完毕==================================================

光有这个脚本还不够。实际工作中，客服不会跑来跑Python代码。所以我又花了一个下午，把这个功能包了一层Flask接口，对接到了她们的客服工作台里。

from flask import Flask, request, jsonifyapp = Flask(__name__)# 存储每个会话的历史记录（实际生产中应该用Redis或数据库）session_store = {}@app.route("/api/generate_reply", methods=["POST"])def generate_reply():"""    供客服工作台调用的接口    请求体: {"session_id": "客户会话ID", "message": "客户消息"}    """data = request.jsonsession_id = data.get("session_id", "default")message = data.get("message", "")if not message:return jsonify({"error": "消息不能为空"}), 400# 获取或初始化会话历史if session_id not in session_store:session_store[session_id] = []history = session_store[session_id]# 生成回复reply = chat_with_customer(message, conversation_history=history)# 更新会话历史（只保留最近10轮，避免上下文过长）history.append({"role": "user", "content": message})history.append({"role": "assistant", "content": reply})session_store[session_id] = history[-20:]return jsonify({"reply": reply,"session_id": session_id    })@app.route("/api/clear_session", methods=["POST"])def clear_session():"""    清除会话历史（客户结束对话时调用）    """session_id = request.json.get("session_id", "")if session_id in session_store:del session_store[session_id]return jsonify({"status": "ok"})if __name__ == "__main__":app.run(host="0.0.0.0", port=5000)

客服工作台那边加个按钮，点一下就把客户消息发到这个接口，返回的草稿直接显示在输入框里。客服看一眼，觉得没问题就点发送。觉得需要改，就手动调几个字。

用了两周之后，我又根据客服的反馈做了几个优化。

第一个是分类处理。不同类别的问题，系统提示词应该不一样。退换货问题要严谨，引导客户提供订单号。产品咨询可以轻松一点，带点推荐。投诉类的问题要安抚情绪，措辞得更小心。我加了一个简单的意图识别，根据关键词先分类，再选对应的提示词。

# 问题分类和对应的提示词CATEGORY_PROMPTS = {"product": "你是产品顾问，语气轻松专业，重点介绍产品特性和使用方法。","refund": "你是售后专员，语气诚恳耐心，引导客户提供订单号，说明退换政策。","complaint": "你是客户关怀经理，先表达歉意和理解，再给出解决方案。绝不推卸责任。","logistics": "你是物流查询助手，提供快递单号查询方法，说明发货时效。"}def detect_category(message):"""    简单的关键词分类（也可以用大模型做意图识别，更准但更慢）    """if any(kwinmessage for kw in ["退款", "退货", "退换", "不想要"]):return "refund"elif any(kwinmessage for kw in ["投诉", "差评", "举报", "工商"]):return "complaint"elif  any(kwinmessage for kw in ["快递", "发货", "物流", "到货"]):return "logistics"else:return "product"

第二个优化是控制上下文长度。聊久了历史记录会越来越长，token费用也跟着涨。我设了个上限，只保留最近10轮对话，更早的就丢掉。对于客服场景来说，10轮之前的内容基本不会再提到了。

第三个是加了个“安全阀”。如果AI返回的回复里出现了敏感词（比如“赔偿”、“法律责任”这类），就自动标记为“需人工审核”，不让客服直接发送。

你看，四条连续提问，AI都记住了之前的上下文。第二条回复提到了“3个月的宝宝”，第四条还联想到了出牙期。这些回复客服人员扫一眼就能直接发出去，不用再从头打。

小周她们组用了这个工具之后，每条消息的处理时间从平均两分钟降到了四十秒左右。一天下来，每人能多处理将近一百条消息，加班时间也少了。小周的腱鞘炎倒是没好，但至少不用那么拼命敲键盘了。

说几个踩过的坑。提示词里的产品信息一定要准确，AI会照着编。我最初在提示词里写了“奶瓶耐温200度”，其实只有180度，AI就直接告诉客户可以高温消毒两小时，这要是客户真这么干了，奶瓶就废了。后来我改成了精确的参数，AI才不会再瞎编。

另外，temperature这个参数别设太高。客服回复不是写小说，不需要太多创造性。0.5到0.7之间比较合适，太高了回复会飘，有时候还会编造不存在的产品功能。

代码里那个SYSTEM_PROMPT是整个方案的关键，你可以根据自己的业务场景改。把产品信息、常见问题、回复风格都写进去，越具体越好，AI生成的回复就会贴合你的实际需求。

https://ima.qq.com/wiki/?shareId=f2628818f0874da17b71ffa0e5e8408114e7dbad46f1745bbd1cc1365277631c