LikeShop 多商户标准版 AI 评价智能回复:用户评论自动生成回复话术二开方案
一、前言
在多商户平台的日常运营中,商家回复评价是维护客情、提升转化率的关键动作。但现实情况是,一个中等规模的商家每天可能收到十几到几十条评价,逐条人工回复不仅耗时,而且回复质量参差不齐——好评回复千篇一律,差评回复要么情绪化要么敷衍,反而加剧了用户的负面感知。
AI 评价智能回复要解决的不是“自动化”问题,而是“回复质量”问题。好的评价回复需要做到三件事:好评感谢真诚且带引导复购的钩子,中评回应具体问题而非套话,差评先共情再给解决方案而非辩解。这套结构如果完全依赖商家手动撰写,门槛太高;但如果完全交给 AI 自动发送,又存在合规和品牌调性失控的风险。
本文的方案采用 “AI 生成 + 商家确认”的半自动模式:评价产生后,系统根据评价的星级、情绪和内容,自动生成 2~3 条候选回复话术,推送到商家后台;商家一键采纳或微调后发送。这样既降低了商家的操作成本,又保留了人工审核的关口,避免“AI 自动回复差评引发二次舆情”的风险。
二开遵循 LikeShop 的“扩展优先”原则:不修改评价提交的核心链路,不碰商家回复的权限边界,而是新增独立的 AI 回复引擎和触发机制。
二、多商户场景下的三条红线
在动手之前,必须先明确 LikeShop 多商户标准版评价体系中不可逾越的约束,否则 AI 回复模块做得再好,也会破坏系统的安全边界。
2.1 商家只有回复权,没有隐藏/删除权
LikeShop 多商户版的评价权限设计原则非常明确:商家可以对评价进行回复,但评价的显示、隐藏和删除权限只归平台所有。AI 回复模块的定位是辅助商家撰写回复内容,而不是替商家执行“处理评价”的动作。AI 生成的回复最终仍然通过商家原有的回复接口写入 reply 字段,不涉及任何状态变更。
2.2 商家端查询必须带 shop_id 过滤
这是多商户系统最严重的业务风险。商家 A 的评价查询接口如果没有加 shop_id 过滤,会看到商家 B 的评价数据。AI 回复引擎在查询待回复评价、生成话术、写回回复时,所有数据访问都必须以当前登录商家的 shop_id 为过滤条件,shop_id 必须来自服务端会话,不信任前端传入的任何值。
2.3 评价列表只返回审核通过的记录
原生评价列表接口只返回 status = 1(审核通过)的记录,未审核的记录不能在前端展示。AI 回复的触发和生成也应该遵循同样的约束:只对审核通过的评价生成回复建议,避免商家针对一条尚未公开的评价提前回复,造成信息泄露或逻辑错乱。
三、数据层扩展:回复候选表与配置表
3.1 评价主表的关键字段
LikeShop 的商品评价存储在 ls_goods_comment 表中,与回复相关的核心字段包括:shop_id(商户id)、goods_comment(商品评分,1-5星)、comment(评价内容)、reply(商家回复)、status(审核状态)。
不修改 ls_goods_comment 表结构。AI 生成的候选话术存储在新表中,与评价主表通过 comment_id 关联。商家确认采纳后,才通过原有的回复接口写入 reply 字段。
3.2 回复候选表
新建 ls_comment_ai_reply,存储 AI 生成的候选话术:
CREATE TABLE `ls_comment_ai_reply` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`comment_id` int(11) NOT NULL COMMENT '评价id',
`shop_id` int(11) NOT NULL COMMENT '商户id',
`goods_id` int(11) NOT NULL COMMENT '商品id',
`sentiment` varchar(20) DEFAULT '' COMMENT '情绪分类:positive/neutral/negative',
`candidate_no` tinyint(1) DEFAULT '1' COMMENT '候选序号(1/2/3)',
`reply_content` text NOT NULL COMMENT 'AI生成的回复话术',
`is_adopted` tinyint(1) DEFAULT '0' COMMENT '是否已被采纳:0-否;1-是',
`create_time` int(11) DEFAULT '0',
PRIMARY KEY (`id`),
KEY `idx_comment_shop` (`comment_id`,`shop_id`),
KEY `idx_shop_adopted` (`shop_id`,`is_adopted`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='AI评价回复候选表';
is_adopted 是关键字段。商家采纳某条候选后,该条置为 1,其余候选保留但不再推荐。候选表的作用是让 AI 生成与商家确认解耦:生成可以异步、批量进行,商家打开后台时直接看到现成的话术,不需要实时等待大模型响应。
3.3 回复风格配置表
不同商户的品牌调性不同。有的商户偏严肃专业,有的偏亲切活泼。AI 回复的语气应该可配置,而不是写死一种风格:
CREATE TABLE `ls_comment_ai_config` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`shop_id` int(11) NOT NULL,
`tone` varchar(20) DEFAULT 'friendly' COMMENT '语气风格:friendly/professional/warm',
`signature` varchar(100) DEFAULT '' COMMENT '回复落款(如“XX店客服”)',
`forbidden_words` varchar(500) DEFAULT '' COMMENT '禁用词,逗号分隔',
`auto_generate` tinyint(1) DEFAULT '1' COMMENT '是否自动生成候选',
`create_time` int(11) DEFAULT '0',
`update_time` int(11) DEFAULT '0',
PRIMARY KEY (`id`),
UNIQUE KEY `uk_shop` (`shop_id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
auto_generate 控制是否在评价审核通过后自动触发 AI 生成。默认开启,因为候选生成是“只读”操作(不直接发送),没有风险。商家如果不想看到 AI 建议,可以关闭。
四、AI 回复引擎:情绪分层与 Prompt 设计
4.1 为什么不能“一条 Prompt 打天下”
电商评价的回复逻辑高度依赖评价的情绪和内容。好评的核心是“感谢 + 引导复购”,中评的核心是“承认不足 + 给出改进”,差评的核心是“共情 + 解决方案 + 补救措施”。用同一条 Prompt 让模型“根据评价生成回复”,大概率会产出“感谢您的评价,我们会继续努力”这类毫无价值的套话。
有效的做法是先按情绪和内容对评价分层,再针对每一层使用不同的 Prompt 结构。
4.2 情绪分类逻辑
情绪分类不需要动用大模型,用简单的规则即可完成第一层筛选:
| 条件 | 情绪分类 | 说明 |
|---|---|---|
goods_comment >= 4 |
positive | 好评 |
goods_comment == 3 |
neutral | 中评 |
goods_comment <= 2 |
negative | 差评 |
如果评价文本中出现了明确的负面关键词(如“破损”“发错”“异味”“不满意”),即使星级是 4~5 星,也应该降级为 negative 处理,优先安抚。
// server/app/common/logic/CommentSentimentLogic.php
class CommentSentimentLogic
{
private static $negativeKeywords = ['破损', '发错', '异味', '不满意', '失望', '差', '假货', '退货'];
public static function classify(array $comment): string
{
$text = $comment['comment'] ?? '';
foreach (self::$negativeKeywords as $kw) {
if (mb_strpos($text, $kw) !== false) {
return 'negative'; // 关键词优先,覆盖星级判断
}
}
if ($comment['goods_comment'] >= 4) return 'positive';
if ($comment['goods_comment'] == 3) return 'neutral';
return 'negative';
}
}
4.3 分层 Prompt 模板
在数据库中存储三套 Prompt 模板,或直接在代码中按情绪分支:
好评 Prompt(positive) :
你是{shop_name}的客服。用户给了{star}星好评,评价内容是:“{comment}”。
请生成一段真诚的感谢回复,要求:
1. 具体提及用户评价中的某个细节(不要泛泛说“感谢好评”);
2. 自然引导复购或推荐店铺其他商品;
3. 语气{tone},控制在80字以内。
中评 Prompt(neutral) :
你是{shop_name}的客服。用户给了{star}星中评,评价内容是:“{comment}”。
请生成一段回复,要求:
1. 承认用户提到的具体不足,不要辩解;
2. 说明改进措施或邀请用户进一步沟通;
3. 语气真诚克制,控制在100字以内。
差评 Prompt(negative) :
你是{shop_name}的客服。用户给了{star}星差评,评价内容是:“{comment}”。
请生成一段回复,要求:
1. 第一句先共情用户的感受,不要先解释或推卸;
2. 针对用户提到的具体问题给出解决方案(退换/补偿/改进);
3. 引导用户联系客服进一步处理;
4. 语气诚恳,禁止使用“但是”“建议您”等对抗性措辞;
5. 控制在120字以内。
每套 Prompt 生成 2~3 条候选,对应候选表中的 candidate_no 1、2、3。候选之间的差异可以通过温度参数(temperature)和 Prompt 中的“换一种表达方式”指令来控制。
4.4 大模型调用的封装
在 app/common/server/ 下新建 AiReplyServer,封装大模型 API 调用。与评价模块解耦,便于后续切换模型供应商:
class AiReplyServer
{
public static function generate(string $prompt): ?string
{
$apiKey = ConfigService::get('ai_api_key');
if (!$apiKey) return null;
$payload = [
'model' => ConfigService::get('ai_model', 'gpt-4o-mini'),
'messages' => [
['role' => 'system', 'content' => '你是电商客服回复助手。回复必须真诚、具体、不套话。'],
['role' => 'user', 'content' => $prompt],
],
'temperature' => 0.85,
'max_tokens' => 300,
];
// cURL 调用省略,返回 choices[0].message.content
}
}
关键约束:AI 调用必须是异步的。评价审核通过后,不应该在审核请求的同步链路中直接调用大模型(延迟 3~10 秒会拖慢审核操作)。应该通过 LikeShop 已有的消息队列机制异步触发。
五、触发机制:评价审核通过后异步生成
5.1 触发时机
AI 候选话术的生成触发点选在评价审核通过(status 从 0 变为 1)之后,而不是评价提交时。原因有两点:第一,未审核的评价不应该产生任何衍生数据;第二,审核通过意味着评价即将对外展示,商家需要尽快回复,此时生成候选的时机最合适。
5.2 异步任务
在评价审核通过的逻辑中,发布一个异步任务:
// 评价审核通过后(扩展点,不修改核心审核逻辑)
if ($newStatus == 1 && CommentAiConfigModel::where('shop_id', $comment['shop_id'])->value('auto_generate')) {
Queue::instance()
->do('fire')
->job(CommentAiReplyJob::class)
->data(['comment_id' => $comment['id']])
->push();
}
消费者任务中完成情绪分类、Prompt 拼装和 AI 调用:
class CommentAiReplyJob extends BaseJob
{
public function fire($data): bool
{
$comment = CommentModel::where('id', $data['comment_id'])
->where('status', 1)
->where('delete_time', 0)
->find();
if (!$comment) return true;
// 防止重复生成
$exists = CommentAiReplyModel::where('comment_id', $comment['id'])
->where('shop_id', $comment['shop_id'])
->count();
if ($exists > 0) return true;
$sentiment = CommentSentimentLogic::classify($comment);
$config = CommentAiConfigModel::where('shop_id', $comment['shop_id'])->find();
$shopName = ShopModel::where('id', $comment['shop_id'])->value('shop_name');
$prompt = self::buildPrompt($sentiment, $comment, $config, $shopName);
for ($i = 1; $i <= 3; $i++) {
$content = AiReplyServer::generate($prompt);
if ($content) {
CommentAiReplyModel::create([
'comment_id' => $comment['id'],
'shop_id' => $comment['shop_id'],
'goods_id' => $comment['goods_id'],
'sentiment' => $sentiment,
'candidate_no' => $i,
'reply_content'=> $content,
'create_time' => time(),
]);
}
}
return true;
}
}
多商户数据隔离在这个任务中的体现:所有查询和写入都以 $comment['shop_id'] 为准,该值来自评价记录本身,而不是任务数据或请求参数,从源头杜绝了跨商户污染。
六、商家端的使用流程与采纳写回
6.1 商家后台的展示
在商家后台的评价管理列表中,对有 AI 候选但尚未回复的评价,展示一个“AI 建议”标记。点击后展开 2~3 条候选话术,每条旁边提供“采纳”和“编辑后采纳”两个操作。
商家端的查询接口必须带 shop_id 过滤:
// 查询某条评价的AI候选
$candidates = CommentAiReplyModel::where('comment_id', $commentId)
->where('shop_id', $shopId) // 强制隔离
->where('is_adopted', 0)
->order('candidate_no', 'asc')
->select();
6.2 采纳后的写回
采纳操作调用原有的商家回复接口,将选中的候选内容写入 ls_goods_comment.reply,同时将候选表的 is_adopted 置为 1。AI 模块只负责“写草稿”,发送仍然走原有的回复链路,权限边界完全不变。
如果商家对候选做了编辑,以编辑后的内容为准,但 is_adopted 仍然置 1,并在候选表中记录原始 AI 内容和最终发送内容的差异(可选,用于后续优化 Prompt)。
七、二开避坑清单
坑一:AI 自动发送回复,跳过商家确认。 差评场景下 AI 回复一旦措辞不当,会引发二次舆情。必须保留“商家确认”环节,AI 只生成候选,不直接写入 reply。
坑二:查询候选时没有加 shop_id 过滤。 商家 A 可能看到商家 B 的 AI 候选话术。所有候选查询必须以服务端会话中的 shop_id 为准,不信任前端参数。
坑三:对未审核评价生成候选。 未审核的评价可能被驳回,提前生成候选没有意义,而且存在信息泄露风险。触发条件必须是 status = 1。
坑四:同步调用大模型阻塞审核操作。 评价审核是后台的高频操作,不能因为 AI 生成而变慢。必须走异步队列。
坑五:Prompt 中直接嵌入用户评价原文而不做长度限制。 恶意用户可能提交超长评价文本来耗尽 token 或注入指令。Prompt 拼装前应截断评价内容(如最多 200 字),并对特殊字符做基础过滤。
坑六:一条评价重复生成候选。 如果审核逻辑因重试等原因多次触发,候选表会出现重复记录。任务入口需要检查 comment_id + shop_id 是否已有候选,存在则跳过。
坑七:AI 回复内容没有禁用词校验。 不同商户可能有品牌禁用词。在写入候选表之前,应使用 ls_comment_ai_config.forbidden_words 做一次过滤,命中禁用词的候选不展示。
八、总结
LikeShop 多商户标准版 AI 评价智能回复的二开,核心可以概括为四条线:
数据层:新增 ls_comment_ai_reply(候选话术)和 ls_comment_ai_config(商户风格配置),不修改 ls_goods_comment 主表。
生成层:按星级和关键词做情绪分层,好评/中评/差评各用一套 Prompt 结构,通过异步队列在评价审核通过后生成 2~3 条候选。
权限层:所有查询和写入强制以 shop_id 为过滤条件,shop_id 来自服务端会话和评价记录本身,AI 模块不触碰隐藏/删除权限。
使用层:AI 只写候选表,商家确认后通过原有回复接口写入 reply,发送链路和权限边界完全不变。
守住三条底线:AI 不自动发送、候选查询必带 shop_id、只对审核通过的评价生成。这样既能把商家从重复的评价回复劳动中解放出来,又不会破坏多商户评价体系的权限设计和数据隔离约束。