一、售后数据“沉睡”与归因断层
LikeShop 单商户 Java 版原生售后表 ls_after_sale 中,与归因直接相关的字段是 reason(VARCHAR,售后原因)和 description(VARCHAR,问题描述)。但在实际运营中,这两个字段的信息价值几乎从未被系统性地利用。
reason 往往是用户从下拉选项中随意勾选的结果,“质量问题”可能涵盖商品瑕疵、功能故障、批次色差等完全不同的责任环节。description 才是真正的信息金矿——用户写“收到的是蓝色,我买的是黑色”或者“L码比尺码表标注小了三公分”——但它是非结构化的自由文本,原生系统没有任何解析机制。
归因断层导致三个直接的运营盲区:
商品页问题无法定位。 “和图片颜色不一样”到底是光线问题、修图过度还是批次色差,只看 reason 区分不出来。归因粒度必须细到“描述误导”这一层。
责任部门无法分派。 尺码偏差该找商品运营,发错货该找仓库,配送延迟该找物流。没有细粒度标签,售后数据就只是一堆退款金额,驱动不了任何环节改进。
优化动作无法规模化。 人工抽样翻看 description 效率极低,且不可持续。AI 的价值在于把归因分析从“抽样”变成“全量”。
AI 退换货分析要做的不是“自动同意退款”,而是把非结构化的售后文本转化为可行动的运营洞察。
二、二开红线:不碰售后主链路
LikeShop Java 版二开的核心原则是:不修改官方包内的类,自定义包独立维护。Java 版基于 Spring Boot,官方核心节点会发布对应事件,二开通过 @EventListener 监听即可。
AI 退换货分析必须遵守这个边界。具体三条红线:
售后状态机不修改。 售后审核、退款、退货物流仍然走原生的状态流转。AI 分析是旁路能力,不能插入任何 AfterSaleService 的方法体中。
ls_after_sale 表结构不修改。 归因结果存储在独立表中,通过 after_sale_id 关联。直接加字段会增加升级冲突风险。
分析失败不影响售后可用性。 大模型超时、额度不足、输出格式异常,都不能回滚售后单的创建,也不能阻塞用户提交售后。这是最高优先级约束。
三、归因标签体系:两级分类与责任映射
3.1 为什么不复用 reason 枚举
原生 reason 是为“给用户选”设计的,不是为“给运营分析”设计的。用户选“质量问题”可能指商品瑕疵,也可能指“用了一次就坏了”,责任环节完全不同。行业实践建议:平台原始退款原因不能直接作为最终分析标签,店铺应建立一套内部标签体系,数量控制在 15~30 个之间。
3.2 两级标签与责任部门
新建 ls_after_sale_reason_tag 字典表:
CREATE TABLE ls_after_sale_reason_tag (
id BIGINT PRIMARY KEY AUTO_INCREMENT,
parent_code VARCHAR(50) NOT NULL COMMENT '一级分类编码',
parent_name VARCHAR(50) NOT NULL COMMENT '一级分类名称',
child_code VARCHAR(50) NOT NULL COMMENT '二级标签编码',
child_name VARCHAR(100) NOT NULL COMMENT '二级标签名称',
responsible_dept VARCHAR(50) DEFAULT '' COMMENT '责任部门:goods/warehouse/logistics/cs',
improvement_hint VARCHAR(255) DEFAULT '' COMMENT '默认改善动作提示',
status TINYINT DEFAULT 1,
UNIQUE KEY uk_child_code (child_code)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
一级分类与二级标签的初始设计:
| 一级分类 | 二级标签示例 | 责任部门 | 典型改善动作 |
|---|---|---|---|
| 商品问题 | 质量瑕疵、功能故障、批次色差 | goods | 品控抽检、供应商考核 |
| 描述问题 | 尺码偏差、图片色差、功能夸大 | goods | 更新尺码表、重拍主图、修改详情文案 |
| 仓库问题 | 发错货、漏发、包装破损 | warehouse | 拣货复核、包装规范 |
| 物流问题 | 配送延迟、快递丢件、暴力运输 | logistics | 更换承运商、保价协商 |
| 用户主观 | 不喜欢、买错、不想要 | — | 无需产品改进,关注选品 |
| 客服问题 | 响应慢、态度差、承诺未兑现 | cs | 客服培训、话术规范 |
二级标签总数控制在 15~25 个。初始版本只覆盖高频场景,后续根据 AI 输出的“未归类”样本逐步补充。
四、Spring AI 结构化输出:让大模型直接返回 Java 对象
4.1 技术选型
LikeShop Java 版基于 Spring Boot 2.7.5 + Java 1.8,Spring AI 的结构化输出能力可以通过 ChatClient.entity(Class) 实现:Spring AI 根据 Java 类的字段生成 JSON Schema,拼到 Prompt 中告诉大模型按格式输出,然后自动解析返回的 JSON 为 Java 对象。相比让大模型自由生成文本再手动解析 JSON,entity() 把结构化约束内建到了调用链路中,避免了格式解析的脆弱性。
4.2 结构化输出 DTO
public record AfterSaleAnalysisResult(
@JsonProperty("primary_category") String primaryCategory,
@JsonProperty("child_tag") String childTag,
@JsonProperty("root_cause_detail") String rootCauseDetail,
@JsonProperty("confidence") double confidence,
@JsonProperty("need_manual_review") boolean needManualReview
) {
}
root_cause_detail 是 AI 对具体问题的自然语言归纳,比如“用户反馈L码实际胸围比尺码表标注小3cm”。它比单一标签更有信息量,供运营人员快速理解问题实质,不需要回到原始 description 去翻看。
4.3 分析 Service
@Service
public class AfterSaleAnalysisService {
private final ChatClient chatClient;
public AfterSaleAnalysisService(ChatClient.Builder builder) {
this.chatClient = builder.build();
}
private static final String SYSTEM_PROMPT = """
你是电商售后归因分析专家。根据用户提交的售后原因和问题描述,输出结构化归因结果。
一级分类可选:商品问题、描述问题、仓库问题、物流问题、用户主观、客服问题、其他。
如果信息不足以判断,child_tag 输出"未归类",need_manual_review 设为 true。
confidence 反映你的判断把握程度(0-1),低于 0.6 时 need_manual_review 必须为 true。
不要编造用户未提及的信息。
""";
public AfterSaleAnalysisResult analyze(String reason, String description) {
String userContent = "售后原因:" + reason
+ "\n问题描述:" + (description == null ? "(无)" : description);
return chatClient.prompt()
.system(SYSTEM_PROMPT)
.user(userContent)
.call()
.entity(AfterSaleAnalysisResult.class);
}
}
4.4 规则兜底与置信度阈值
大模型输出存在不确定性,必须设计降级路径。置信度低于 0.6 时标记 need_manual_review = true,结果仍然存储但不参与自动聚合报表,等待人工修正。对于 reason 已是明确枚举且 description 为空的售后单,跳过 AI 调用,直接走关键词映射规则,节省成本。
五、数据层:独立分析结果表
新建 ls_after_sale_ai_analysis,不修改 ls_after_sale:
CREATE TABLE ls_after_sale_ai_analysis (
id BIGINT PRIMARY KEY AUTO_INCREMENT,
after_sale_id BIGINT NOT NULL,
order_id BIGINT NOT NULL,
goods_id BIGINT NOT NULL,
sku_id BIGINT DEFAULT 0,
primary_category VARCHAR(50) DEFAULT '' COMMENT '一级归因分类',
child_tag VARCHAR(100) DEFAULT '' COMMENT '二级归因标签',
root_cause_detail VARCHAR(500) DEFAULT '' COMMENT '根因细节描述',
confidence DECIMAL(3,2) DEFAULT 0 COMMENT 'AI置信度',
need_manual_review TINYINT DEFAULT 0 COMMENT '是否需要人工复核',
manual_category VARCHAR(50) DEFAULT '' COMMENT '人工修正后的一级分类',
manual_tag VARCHAR(100) DEFAULT '' COMMENT '人工修正后的标签',
model_version VARCHAR(50) DEFAULT '',
create_time DATETIME NOT NULL,
update_time DATETIME NOT NULL,
UNIQUE KEY uk_after_sale (after_sale_id),
INDEX idx_goods_tag (goods_id, child_tag),
INDEX idx_primary (primary_category)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
goods_id + child_tag 的联合索引是生成商品优化建议的核心查询路径。manual_category/manual_tag 用于人工修正,查询聚合时优先使用人工修正值。
六、事件驱动与异步编排
6.1 监听售后创建事件
在二开自定义包的 listener/ 目录下新建监听器,不修改官方 AfterSaleService:
@Component
@RequiredArgsConstructor
public class AfterSaleCreatedListener {
private final RocketMQTemplate mqTemplate;
@EventListener
public void onAfterSaleCreated(AfterSaleCreatedEvent event) {
mqTemplate.convertAndSend(
"after_sale_analysis_topic",
String.valueOf(event.getAfterSaleId())
);
}
}
关键设计:监听器只负责投递消息,不做业务查询和 AI 调用。消息发送失败也不应回滚售后单创建。售后流程的可用性优先级高于分析链路。这与 LikeShop Java 版 AI 客服异步化改造的原则一致——大模型推理是高耗时操作,不适合承载在同步接口链路中。
6.2 消费者执行分析
@Service
@RequiredArgsConstructor
public class AfterSaleAnalysisConsumer {
private final AfterSaleMapper afterSaleMapper;
private final AfterSaleItemMapper itemMapper;
private final AfterSaleAnalysisService analysisService;
private final AfterSaleAiAnalysisMapper analysisMapper;
@RocketMQMessageListener(topic = "after_sale_analysis_topic", consumerGroup = "after_sale_ai_group")
public void onMessage(String afterSaleIdStr) {
Long afterSaleId = Long.valueOf(afterSaleIdStr);
// 幂等:已有分析结果则跳过
if (analysisMapper.selectByAfterSaleId(afterSaleId) != null) return;
AfterSale afterSale = afterSaleMapper.selectById(afterSaleId);
if (afterSale == null) return;
try {
AfterSaleAnalysisResult result = analysisService.analyze(
afterSale.getReason(), afterSale.getDescription()
);
AfterSaleItem item = itemMapper.selectByAfterSaleId(afterSaleId);
AfterSaleAiAnalysis record = new AfterSaleAiAnalysis();
record.setAfterSaleId(afterSaleId);
record.setOrderId(afterSale.getOrderId());
record.setGoodsId(item != null ? item.getGoodsId() : 0L);
record.setSkuId(item != null ? item.getSkuId() : 0L);
record.setPrimaryCategory(result.primaryCategory());
record.setChildTag(result.childTag());
record.setRootCauseDetail(result.rootCauseDetail());
record.setConfidence(result.confidence());
record.setNeedManualReview(result.needManualReview() ? 1 : 0);
record.setModelVersion("spring-ai-v1");
analysisMapper.insert(record);
} catch (Exception e) {
log.warn("售后AI分析失败, afterSaleId={}", afterSaleId, e);
}
}
}
分析失败时不抛异常,记录日志后由人工复核兜底。这是异步旁路分析的正确姿态——分析可以丢,售后不能停。
七、行动层:从标签聚合到可执行建议
归因标签是中间产物,真正的价值在于聚合到商品维度,输出可执行的优化建议。
7.1 商品级归因聚合
public List<GoodsReasonStat> aggregateByGoods(Long goodsId, LocalDate start, LocalDate end) {
return analysisMapper.selectList(
new LambdaQueryWrapper<AfterSaleAiAnalysis>()
.eq(AfterSaleAiAnalysis::getGoodsId, goodsId)
.ge(AfterSaleAiAnalysis::getCreateTime, start.atStartOfDay())
.le(AfterSaleAiAnalysis::getCreateTime, end.atTime(LocalTime.MAX))
.and(w -> w.eq(AfterSaleAiAnalysis::getNeedManualReview, 0)
.or().isNotNull(AfterSaleAiAnalysis::getManualTag))
).stream()
.collect(Collectors.groupingBy(a ->
a.getManualTag() != null ? a.getManualTag() : a.getChildTag(),
Collectors.counting()))
.entrySet().stream()
.map(e -> new GoodsReasonStat(goodsId, e.getKey(), e.getValue()))
.sorted(Comparator.comparingLong(GoodsReasonStat::getCount).reversed())
.toList();
}
7.2 建议生成的规则映射
不直接让大模型“自由发挥”生成建议,而是基于聚合结果做规则映射。原因是建议需要稳定、可追溯、可执行。规则存储在 ls_after_sale_reason_tag.improvement_hint 中,聚合查询时按标签匹配输出。
| 聚合信号 | 生成建议 |
|---|---|
| “描述问题-尺码偏差”占比 > 30% | 更新商品尺码对照表,在详情页增加“建议选大半码”提示 |
| “仓库问题-发错货”占比 > 10% | 核查该 SKU 的拣货位是否与相邻 SKU 相似,增加扫码复核 |
| “商品问题-质量瑕疵”集中在某个批次 | 联系供应商对该批次做质检复盘,考虑下架或定向召回 |
| “物流问题-配送延迟”集中在某承运商 | 评估更换承运商或增加保价/时效附加服务 |
如果后续希望引入大模型对聚合结果做综合研判,可以在规则基础上增加一层可选的 AI 总结,但核心建议仍由规则驱动,保证可解释性。
八、二开避坑清单
坑一:修改官方 AfterSaleService 插入 AI 调用。 官方包升级时会被覆盖。AI 调用必须放在 custom/listener/ 下的独立监听器中,通过 Spring 事件机制挂载。
坑二:同步调用大模型阻塞售后创建。 售后创建是用户端高频操作,AI 推理延迟 3~10 秒会直接拖垮体验。必须走 RocketMQ 异步,且分析失败不影响售后主流程。
坑三:直接复用原生 reason 枚举作为归因标签。 原生枚举是为用户选择设计的,覆盖面窄、颗粒度粗。必须建立独立的两级归因标签体系,reason 仅作为 AI 输入特征之一。
坑四:没有人工修正入口。 AI 必然有误判,尤其是 description 极短或语义模糊的售后单。人工修正不仅是纠错手段,更是后续优化 Prompt 和标签体系的训练数据来源。
坑五:低置信度结果参与自动聚合。 confidence < 0.6 且 need_manual_review = true 的记录,在生成商品优化建议时必须排除或单独标注,避免错误标签污染决策。
坑六:把分析结果写回 ls_after_sale 表。 修改官方表结构会增加升级冲突风险。分析结果是旁路数据,应存储在独立的 ls_after_sale_ai_analysis 表中。
九、总结
LikeShop 单商户 Java 版 AI 退换货分析的二开,核心是三条线:
归因层:建立独立的两级标签体系(一级分类 + 二级标签 + 责任部门),替代原生 reason 枚举的分析能力不足。AI 以 reason + description 为输入,通过 Spring AI 的 entity() 结构化输出归因标签和根因细节,置信度低于阈值时转人工。
数据层:分析结果存储在独立的 ls_after_sale_ai_analysis 表中,不修改 ls_after_sale 主表。通过 goods_id + child_tag 索引支持商品维度的归因聚合。
行动层:售后创建事件通过 Spring @EventListener + RocketMQ 异步触发分析,分析失败不影响售后流程。归因结果聚合到商品维度后,按预设规则映射为具体的优化建议,驱动商品页、仓库、物流、客服等环节的改进。
守住三条底线:AI 分析不阻塞售后流程、不修改官方表结构、低置信度结果不参与自动决策。这样既能把售后 description 中沉睡的运营信号激活,又不会给 LikeShop 的原生售后状态机带来任何风险。