LikeShop 单商户 Java 版 AI 退换货分析:售后原因自动归类与优化建议二开落地

简介: LikeShop Java版AI退换货分析方案:通过Spring AI解析非结构化售后描述,构建两级归因标签体系(15–25个可执行标签),异步存入独立分析表;严守二开红线——不改主链路、不碰原表、不阻塞流程,将沉睡的售后文本转化为商品优化、责任分派与闭环改进的运营洞察。

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。

目录
相关文章
|
3天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
1599 1
|
6天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
6天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
3天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
2684 0
|
18天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
8302 58
|
13天前
|
Linux 开发工具 iOS开发
2026最新codex下载安装保姆级使用教程(下载+安装+登录+使用,含所有历史版本)
本文详解OpenAI Codex国内快速上手指南:提供Win/macOS/Linux全平台免安装包、npm/Homebrew等多方式安装、账号/API Key双登录、简体中文切换,覆盖下载、安装、汉化、使用及高频避坑(如微软商店失败、npm超时等),10分钟即可跑通。
2988 9
|
19天前
|
JavaScript API iOS开发
DeepSeek Harness下载、安装、配置一篇搞定(2026整理,送常用插件)
DeepSeek Harness(DSH)是DeepSeek于2026年开源的MIT协议AI Agent框架,支持插件化组装模型、工具、沙箱与UI,兼容主流大模型。本文提供免Node.js的桌面端安装包(Win/macOS),含详细图文教程及热门插件推荐。
5758 69
|
7天前
|
云安全 人工智能 安全
|
11天前
|
人工智能 安全 API
DeepSeek Harness下载、安装、配置一篇搞定(2026整理,送常用插件)
DeepSeek Harness(dsh)是DeepSeek AI于2026年开源的轻量级Agent运行框架,基于Cordis内核,践行“一切皆插件”理念。支持Web/桌面双端,开箱即用;内置多模型接入、丰富插件生态(超3.5万),适配编程、办公、创作等场景。(239字)
1901 1