lark-fashion-cockpit-natural-language-router

name	lark-fashion-cockpit-natural-language-router
description	"自然语言路由 Skill — 让飞书机器人听懂人话，把员工口语自动路由到 35 个 sub-skill 并提取参数。员工不用记关键词，直接说人话："今天卖得咋样" → morning-report，"DRS-0429 配什么" → product-matching，"拆这个抖音 URL" → blogger-monitor。让公司全员（含技术小白和年龄大的）都能在飞书移动端用 cockpit。"

自然语言路由 — 让全公司 70 人都能用飞书 cockpit

🎯 痛点： 现在员工要在飞书发"巡检任务"/"问老板"/"拆 NO.001"等固定关键词才能触发 skill。70 人记不住 + 不愿意记。

核心价值： 员工说人话 → DeepSeek 识别意图 → 自动路由到 35 个 sub-skill 之一 + 提取参数。0 学习成本，移动端通用。

---

一、升级前 vs 升级后

员工真实说的话	升级前（关键词路由）	升级后（自然语言路由）
"今天卖得咋样"	❌ 无关键词命中	✅ → morning-report
"看下任务情况"	✅（巧合）	✅
"DRS-0429 配什么款好"	❌	✅ → product-matching, product_id=DRS-0429
"拆这条抖音 [URL]"	❌（要写"拆 [URL]"）	✅ → blogger-monitor, url=URL
"马萍蔓任务到点没"	❌	✅ → task-tracker, filter owner=马萍蔓
"新品 KNT-0501 该备多少件"	❌	✅ → launch-decision, product_id=KNT-0501
"老板会怎么决定这事"	✅（碰巧命中）	✅ → boss-clone-aily
"工厂申丽媛今天交了几单"	❌	✅ → production-supplier, supplier=申丽媛

---

二、技术实现（覆盖到 event-listener.py 现有路由前）

# scripts/intent-router.py
from openai import OpenAI

# 35 个 skill 注册表（id + 触发关键词 + 参数 schema）
SKILLS = [
    {"id": "morning-report",
     "desc": "查看今日销售/库存/直播 综合数据",
     "trigger_examples": ["今天卖得怎么样", "今日数据", "经营晨报"],
     "params": []},
    {"id": "task-tracker",
     "desc": "巡检任务进度+逾期升级",
     "trigger_examples": ["看下任务", "巡检任务", "马萍蔓任务咋样"],
     "params": [{"name": "owner", "type": "string", "optional": true}]},
    {"id": "product-matching",
     "desc": "给产品配搭配款",
     "trigger_examples": ["DRS-XXX 配什么", "搭配推荐"],
     "params": [{"name": "product_id", "required": true}]},
    {"id": "blogger-monitor",
     "desc": "拆解抖音/快手视频脚本",
     "trigger_examples": ["拆这个视频", "分析这条视频"],
     "params": [{"name": "url", "required": true}]},
    {"id": "launch-decision",
     "desc": "新品下单决策建议",
     "trigger_examples": ["这款下多少件", "翻单几件", "备货建议"],
     "params": [{"name": "product_id", "required": true}]},
    {"id": "boss-clone-aily",
     "desc": "问老板娘 AI 分身",
     "trigger_examples": ["问老板", "老板会怎么说"],
     "params": [{"name": "question", "required": true}]},
    {"id": "blogger-monitor",
     "desc": "对标博主每日监控+TOP N",
     "trigger_examples": ["看竞品博主", "今日同行 TOP"],
     "params": []},
    # ... 其余 28 个 skill 同样注册
]

ROUTER_PROMPT = """你是飞书 cockpit 的意图识别助手。

【可用 skill 清单】
{skills_json}

【用户消息】
{user_message}

请输出 JSON：
{{
  "skill_id": "最匹配的 skill id（不匹配则返回 null）",
  "params": {{ 解析出来的参数 }},
  "confidence": 0-1 浮点数,
  "fallback_message": "如果不匹配，给用户的友好提示"
}}

注意：
- 员工说话很口语化，要宽容理解（"卖咋样" = "查销售"）
- 提取参数（产品 ID / URL / 人名）要精确
- 不匹配时不要瞎猜，confidence 低于 0.5 就返回 null
"""

def route_intent(user_message: str):
    client = OpenAI(api_key=os.environ["DEEPSEEK_API_KEY"], 
                    base_url=os.environ["DEEPSEEK_BASE_URL"])
    resp = client.chat.completions.create(
        model="deepseek-v4-flash",  # 用 Flash 省 token
        messages=[{"role": "user", "content": ROUTER_PROMPT.format(
            skills_json=json.dumps(SKILLS, ensure_ascii=False),
            user_message=user_message,
        )}],
        temperature=0.1,
        response_format={"type": "json_object"},
    )
    return json.loads(resp.choices[0].message.content)

---

三、集成到 event-listener.py

# 在 handle_message() 里，关键词路由前先跑自然语言路由
def handle_message(event, simulate=False):
    text = extract_text(event["content"])

    # ① 先跑自然语言路由（DeepSeek 识别意图）
    intent = route_intent(text)
    if intent and intent.get("confidence", 0) >= 0.7:
        skill_id = intent["skill_id"]
        params = intent.get("params", {})
        # 转发到对应 skill 的执行器
        execute_skill(skill_id, params, chat_id, message_id)
        return

    # ② confidence < 0.7 时回退到原有关键词路由
    matched = route(text)  # 原有关键词路由
    ...

    # ③ 都没命中，给用户友好提示
    if intent and intent.get("fallback_message"):
        send_card(chat_id, "🤔 没听懂", intent["fallback_message"], "yellow")

---

四、典型对话示例

设计师小王（首次用，啥都不知道）
→ 飞书群里随便问："给我看下今天的销售情况吧"

natural-language-router 识别：
  skill_id = "morning-report"
  params = {}
  confidence = 0.92

→ 自动调 morning-report.ps1
→ 1 秒后回复完整经营晨报卡片
→ 员工愣住："这玩意听得懂人话！"

工厂主管申丽媛（移动端飞书 app）
→ "DRS-0429 这款今天能下单不"

natural-language-router 识别：
  skill_id = "launch-decision"
  params = {"product_id": "DRS-0429"}
  confidence = 0.88

→ 自动调 launch-decision skill
→ 4 维信号分析 + 老板分身复审
→ 给出"建议下 800 件 / 尺码占比 / 风险提示"

新员工小张（不知道 cockpit 有啥能力）
→ "我能用你做啥"

natural-language-router 识别：
  skill_id = null
  confidence = 0.3
  fallback_message = "你可以问我：今天数据 / 任务进度 / 产品搭配 / 拆视频 / ..."

→ 给小张一份能力清单

---

五、性能 + 成本

• DeepSeek V4 Flash：每次路由约 1.5K input + 200 output token = ¥0.0003/次
• 响应延迟：约 1-2 秒（员工感知不到）
• 一天 70 人 × 平均 10 次 = 700 次/天 = ¥0.21/天
• 一年 ¥80（基本免费）

对照：每个员工每个月省 30 分钟"记关键词" = 70 × 30min × 12 = 252 工时/年。投产比 ROI 极高。

---

六、与其他 skill 联动

• 是 35 个 sub-skill 的"前置网关" — 改 1 个 skill 这里也要改注册表
• 联动 event-router（升级版）

---

七、覆盖到的"移动端 + 全员"场景

谁	场景	方式
老板娘（移动端飞书）	在出差路上问"今天卖得咋样"	飞书机器人 → 自然语言路由 → morning-report
工厂申丽媛	"今天我交了几单货"	路由 → production-supplier
主播小马	"下场直播该带什么货"	路由 → live-streaming + product-matching
客服小红	"客户赵姐之前买过啥"	路由 → private-domain
老板娘老公（不懂 IT）	"我们家店今天赚多少"	路由 → profit-analysis

---

八、参考

• 主路由脚本：scripts/intent-router.py
• 35 skill 注册表：references/skills-registry.json
• 集成 event-listener 改造点：references/event-listener-patch.md
• 典型对话集（用于优化 prompt）：examples/conversation-cases.md