如何運作
1
定義您的結構
明確指出您需要哪些分類——類別、置信度分數、多個標籤或巢狀結構。
2
發送您的文字
使用您的文字調用ShapeShyft API。我們會將其路由至您選擇的LLM，並使用優化提示。
3
獲取驗證輸出
接收完全符合您資料結構的 JSON—確保無誤。無解析錯誤，無意外格式。
範例：客戶反饋分類
您的JSON Schema
{
"type": "object",
"properties": {
"sentiment": {
"type": "string",
"enum": ["positive", "negative", "neutral"]
},
"confidence": {
"type": "number",
"minimum": 0,
"maximum": 1
},
"topics": {
"type": "array",
"items": { "type": "string" }
},
"urgency": {
"type": "string",
"enum": ["low", "medium", "high", "critical"]
}
},
"required": ["sentiment", "confidence"]
}保證輸出
{
"sentiment": "negative",
"confidence": 0.92,
"topics": ["billing", "service-quality"],
"urgency": "high"
}每次回應在回傳前都會根據您的結構進行驗證。無效的輸出會自動重試。
應用程式
情感分析
分析客戶反饋、評論和社交媒體提及，以了解公眾看法。獲得可直接整合至分析管道的連續情感分數。
產品評論客戶支援票券社交媒體監控問卷回覆
意圖識別
了解使用者訊息背後的需求，將詢問導向正確的部門，觸發自動化工作流程，或根據偵測到的意圖提供即時回應。
聊天機器人路由電子郵件分類語音助手指令支援票證分類
主題檢測
自動為內容標記相關主題與分類。非常適合內容管理、搜尋優化以及整理大量文件資料庫。
新聞分類文件標籤論文分類內容推薦
內容審核
檢舉不當內容、偵測垃圾訊息並識別違反政策的行為。取得結構化分類，以支援自動化審核工作流程。
使用者產生的內容評論區論壇文章產品列表