内容识别
内容识别 Agent (Interest Agent) 通过自然语言处理技术和正则表达式匹配，自动识别群聊中的目标信息，感知潜在问题并进行告警提示。该智能体可以帮助团队及时发现群聊中提及的重要信息，如严重故障、客情风险、异常行为等。
设计模式
内容检测配置
不同检测目标对象/规则（Interest）互相解耦，可保证在在修改或删除某个规则时，不影响其他规则的正常运行，满足多样化的业务需求，减少维护成本。
Interest Agent 初始化
内容识别 Agent 支持两种检测模式，可根据场景灵活选择：
- 语义检测（Semantic）
- 基于大语言模型的语义理解进行智能识别
- 支持自定义识别条件的自然语言描述
- 通过正例/负例学习（Few-shot Learning）提高识别准确率
- 正则表达式检测（Regex）
- 基于正则表达式进行精确匹配
- 适用于结构化内容和明确模式的识别
- 执行效率高，适合快速且严格匹配筛选场景
检测执行
通过 ParallelAgent{: target="_blank" rel="noopener noreferrer"} 支持并行执行多个检测任务，不会因规则数量增加而影响检测效率。
告警生成与过滤
为减少误报和告警疲劳，支持不同方法的告警过滤机制：
- 语义过滤：基于语义检测方法，可以在检测到特定目标时拦截告警
- 例：关注
大范围问题，但同时设置测试环境为抑制策略，当消息中提及测试环境的大范围问题时，则不会发送该告警
- 例：关注
- 告警抑制：设置告警间隔，避免同一群聊短时间内重复告警
- 告警优先级：支持自定义对不同订阅内容设置不同优先级，便于区分处理
配置与概念说明
每个检测目标对象 Interest 包含以下基本概念：
| 字段 | Field | Prompt注入 | 说明 | 示例 |
|---|---|---|---|---|
| 名称 | name | 否 | 识别规则名称 | "生产环境服务故障" |
| 描述 | description | 是 | 识别条件的自然语言描述 | "识别生产环境的严重服务故障" |
| 正例 | examples_positive | 是 | 应该被识别的消息示例（支持多个） | ["生产API服务挂了", "数据库响应超时"] |
| 负例 | examples_negative | 是 | 不应该被识别的消息示例（支持多个） | ["开发环境测试失败", "性能还有优化空间"] |
| 检测类型 | action_category | 否 | Detect(满足条件则产生告警) Filter(满足条件则抑制告警) | "Detect" |
| 判别类型 | inspect_category | 否 | Semantic(语义识别) RE(正则匹配) | "Semantic" |
| 正则表达式 | regular_expression | 否 | 正则表达式(当检测类型为RE时必填) | SVIP｜VIP |
| 历史消息数 | inspect_history | 否 | 需要分析的消息窗口(>=0, 0表示所有消息) | 10 |
| 告警抑制间隔 | suppress_interval | 否 | 同一群聊内告警抑制间隔(默认6小时) | 6 |
| 事件级别 | event_level | 否 | P0、P1、P2、None | "P1" |
场景示例
语义检测场景示例
描述：识别生产环境的严重服务故障，包括服务不可用、大量错误、严重性能下降
正例：
- "生产API服务挂了，大量502错误"
- "数据库响应时间从100ms激增到10秒"
- "订单服务完全不可用，错误率100%"
负例：
- "开发环境测试出现了一些错误"
- "昨天修复的小bug"
- "性能还有优化空间"
历史消息数：1
告警抑制间隔：6小时
::
描述：识别客户投诉、强烈不满或可能的客情风险
正例：
- "大客户说要退款，非常不满"
- "客户投诉功能完全不能用"
- "用户在社交媒体上公开抱怨"
负例：
- "客户来问这个的使用方法"
- "用户说这里有个小问题"
- "客户反馈这里优化一下"
历史消息数：5
告警抑制间隔：6小时
正则表达式检测场景示例
描述：识别可能的危险数据库操作
匹配模式：(DROP\s+TABLE|TRUNCATE|DELETE.*FROM.*WHERE\s+1=1)
历史消息数：1
告警抑制间隔：1小时
::
描述：识别包含SVIP或VIP关键词的消息，SVIP发起的任意请求
匹配模式：SVIP｜VIP
历史消息数：1
告警抑制间隔：6小时
描述：识别包含告警关键词的消息
匹配模式：(\[ALERT\]|\[CRITICAL\]|告警|紧急)
历史消息数：1
告警抑制间隔：1小时
::
效果展示
| 问题处理群 | 告警监听群 |
|---|---|
 |  |
实践与优化建议
检测结果与实际模型效果有关，合理配置和优化可以提升检测效果与实用性，这里分享常用优化思路。
语义检测 vs 正则表达式检测，尽管语义检测更具灵活性和智能化，但正则表达式仍具有高效与结构化的优势。
- 使用语义检测的场景：
- 需要理解上下文和语义的复杂场景
- 表达方式多样、难以用规则描述的情况
- 示例：客情识别、问题严重性判断
- 使用正则检测的场景：
- 结构化明确的内容匹配
- 需要快速处理大量消息
- 示例：客户ID识别、SVIP/VIP识别、数据库危险操作（DROP）识别 ::
对于会被注入到大语言模型 Prompt 中的描述、正例和负例，高质量的编写能显著提升识别效果。
- 描述要点：
- 具体明确，突出关键特征，避免模糊不清
- 设计判断标准和边界条件
- 在描述中强调匹配严格成度，例如
明确提到如下特征等
- Few-shot Learning：
- 可使用
正例与负例的形式，提供若干个典型场景 - 考虑不同的表达方式
- 区分容易混淆的边界情况
- 可使用
- 从检测结果中调整：
- 定期评估检测效果
- 根据误报和漏报情况，调整描述和示例（或使用AutoPrompt相关技术自动优化） ::
合理配置告警过滤和抑制策略，能有效减少误报和告警疲劳。
- 告警过滤：
- 告警过滤是内容检测的另一种使用方式，用于匹配那些我们不希望收到告警的消息
- 同样支持
语义检测和正则检测两种模式 - 示例：过滤已处理、非紧急或测试环境相关的消息 告警抑制：
- 一事一群：通常不同事件使用不同群聊处理，多通过告警过滤策略，告警抑制（设置为较大数值）即可
- 示例：Oncall群聊
- 多事一群：同一群聊内处理多个事件时，建议设置合理的告警抑制间隔，允许多次告警，但避免重复告警
- 示例：客户服务群聊 ::
并非所有消息内容都需要每次被分析检测
- 检测窗口与群聊消息发送习惯和实际处理状态有关，建议根据实际情况进行调整。
- 过多的历史消息会增加处理时间和 API 成本，应根据实际需求权衡。
- 过多的历史消息会触发更多的误报。 :: ::