阿里云上的Salesforce：微信客服自动回复操作说明-Salesforce on Alibaba Cloud(Salesforce)-阿里云帮助中心

一、概述

本用例实现 C 端智能机器人在线回复功能。当客户通过微信等渠道发起聊天时，系统基于CXG AI 能力，自动分析聊天上下文并生成智能回复给客户，该用例适用于客服未接入回话场景下的实时对话，提升响应效率。

核心能力

实时监听新聊天记录（Conversation Entry）创建事件
自动拼接当前会话内多轮对话上下文
调用提示模板生成自然语言回复
根据回复内容智能判断是否需要转人工客服
非转人工,则根据回复内容自动回复客户

免责声明与责任边界

本文档及其包含的代码、配置示例和提示模板仅作为技术参考与最佳实践展示，旨在演示CXG AI 在客服场景的典型应用方式。本文档内容不构成对产品功能、性能指标或业务效果的任何明示或暗示的承诺与保证。

在实际使用过程中，您需要注意以下事项：

自行评估风险：AI 生成的回复可能存在理解偏差、信息不准确或不符合特定业务规范的情况。建议您建立人工复核机制或自动化校验流程，确保对外发送的内容符合您的品牌标准及安全合规要求。
独立承担责任：由 AI 自动回复功能产生的沟通内容、业务影响及相关后果，需自行承担。阿里云不对因使用本文档中的示例代码、配置或建议而导致的任何直接或间接损失负责。
充分测试验证：建议您先在沙盒环境中进行充分测试，根据实际业务场景调整提示模板、Flow 逻辑及异常处理策略，确认满足需求后再部署至生产环境。
持续监控优化：鉴于 AI 模型输出具有不确定性，建议您建立持续的监控与反馈机制，定期优化提示模板以提升效果。

二、流程示意图

page_02_img_01

三、配置流程

3.1创建提示模板 PROMPT TEMPLATE

操作步骤

登录阿里云上的Salesforce，前往设置，导航栏搜索提示生成器
新建提示模板：Flex 类型
自定义输入提示模板信息
1. 名称：微信客服自动回复
2. API 名称: wechat_auto_reply (注意: 这里应与下文需要手动创建Apex 内的触发提示模板的 API Name保持一致)
新增输入数据源
1. 名称：ChatRecord
2. API 名称：ChatRecord
3. 源类型：自由文本
4. 模板运行时需要：勾选
点击下一步，在详细信息设置里选择
1. 模型：自行选择适合业务的模型，推荐回复速度更快的 Flash 模型
2. 响应：允许的语言必须要选择并包含中文（简体）
复制并粘贴以下提示词到提示输入框中，您可以根据实际业务需要优化提示词。

## 角色
你是客服助理，负责根据客户与客服的聊天记录，为客服代表生成合适的推荐回复。

## 输入
{!$Input:ChatRecord}

其中包含对话时间（EntryTime__c） 、发送者类型（ActorType__c）和消息内容（Message__c）的完整对话历史
- ActorType__c = EndUser：客户发送的消息
- ActorType__c = Agent：客服代表发送的消息
- ActorType__c = System：系统或自动回复发送的消息
- EntryTime__c：消息发送时间

格式示例：
2026-01-28 10:29:50 [System]:欢迎进入在线客服,请问有什么可以帮您?
2026-01-28 10:30:00 [EndUser]: 你好,我想咨询一下订单状态
2026-01-28 10:30:15 [Agent]: 您好,请问您的订单号是多少?

## 任务
分析最新客户问题及对话上下文，生成一条自然、简洁、友好的推荐回复。

## 回复规则
1. 结合上下文：基于客户最新问题和客服最近的回复内容，提供连贯的推荐回复。
2. 过滤不当内容：不重复客户言论中不道德或不恰当的内容。
3. 保护隐私：回复中不得包含组织的具体信息或敏感数据。
4. 自然融入：回复须符合对话的上下文逻辑和语气。
5. 简洁友好：语言简洁、态度友好，且不得重复客服已发送过的内容。
6. 转人工判断：仅当客户（ActorType__c = EndUser）发送的最新一条消息包含转人工意图时触发。触发关键词

## 输出要求
仅输出推荐回复内容，无需解释、前缀或格式标记。

保存，并激活。

提示模板示例图

page_04_img_01

3.2 创建 FLOW

操作步骤

登录阿里云上的Salesforce，前往设置，导航栏搜索流
新建流：记录触发流（Record-Triggered ）类型
自定义输入 Flow 名称，API 名称，描述，例如微信客服机器人自动回复

3.2.1 开始节点（触发器）

开始节点的触发器进行以下配置：

触发对象：Conversation Entry
触发时机：记录已创建
触发条件：满足所有条件 (AND)：(Actor Type 等于 EndUser) AND (Entry Type 等于 Text)
优化流程：操作和相关记录

如下图所示：

page_05_img_01

3.2.2 获取 Messaging Session 数据节点

在触发器后的节点上新增一个获取记录类型的元素，进行以下配置：

类型：获取记录
标签：获取 Messaging Session 数据
API 名称: get_message_session_by_entry_id
描述：通过conversationEntryId 获取聊天记录中的 messageSession 数据
获取此对象的记录
1. 对象：Messaging Session
筛选 Messaging Session 记录：
1. 条件要求：满足自定义条件逻辑
2. 条件逻辑： 1 AND (2 OR 3) AND 4
  1. 条件1：
    1. 字段：记录 ID
    2. 运算符：等于
    3. 值：触发 ConversationEntry_c > Conversation Identifier
  2. 条件2：
    1. 字段： Channel Type
    2. 运算符：等于
    3. 值：WeChat OA
  3. 条件3：
    1. 字段： Channel Type
    2. 运算符：等于
    3. 值：WeChat MP
  4. 条件4:
    1. 字段： Status
    2. 运算符：等于
    3. 值：Waiting
排序 Messaging Session 记录：
1. 选择：未排序
存储的记录数量：
1. 选择：仅限第一个记录
如何存储记录数据：
1. 选择：自动存储所有字段

如下图所示：

page_06_img_01

3.2.3 判断 Messaging Session 是否存在

在获取 Messaging Session 数据节点后面新增一个决策类型的元素，进行以下配置：

类型：决策
标签：判断 Messaging Session 是否存在
API名称：if_messaging_session_exists
描述：判断 Messaging Session 是否存在
分支 1：
1. 结果标签：Messaging Session 存在
2. 结果 API 名称：Messaging_Session_exists
3. 执行结果的条件要求：满足所有条件（AND）
  1. 资源：来自获取 Messaging Session 数据的Messaging Session > 记录 ID
  2. 运算符：为空
  3. 值：假
分支 2：
1. 标签：Messaging Session 不存在
2. 在分支2 添加 End 组件

如下图所示：

page_07_img_01

3.2.4 分析聊天记录并生成回复节点

在判断 Messaging Session 是否存在节点的分支1下新增一个操作类型的元素，进行以下配置：

类型：操作
搜索并选择 Apex：AIChatResponseGenerator（需要您先创建这个Apex，源码在下方）
1. 标签：分析聊天记录并生成回复
2. API 名称: analyze_chat_records_generate_response
3. 设置输入值：Messaging Session ID（必需）：来自获取Messaging Session 数据的Messaging Session > 记录 ID
其他选项保持默认即可

注意：不建议直接在正式的生产环境组织中创建apex，可以通过以下文档使用其他方式创建。

Deploying Apex | Apex Developer Guide | Salesforce Developers
Unable to create, edit, or delete Apex triggers or classes in Salesforce

AIChatResponseGenerator flow apex类源码：

/**
* @description AI 聊 天 回 复生成 器 - 根 据 聊 天记 录调用 Einstein 提示 模板 生成 智 能 回 复 建 议
*/
global with sharing class AIChatResponseGenerator {
private static final String DEFAULT_ERROR_REPLY = '未能生成回复，请稍后
重试';

// Category最好是放到你们自己的分类中
    @InvocableMethod(Label = 'AI Chat Response Generator' Description = '根据聊天记录生成
    global static List<AIChatResponse> generate(List<AIChatResponseGeneratorReq> reque
        List<AIChatResponse> results = new List<AIChatResponse>();
        for (AIChatResponseGeneratorReq request : requests) {
            if (String.isBlank(request.messagingSessionId)) {
                results.add(new AIChatResponse(DEFAULT_ERROR_REPLY));
                continue;
            }
            String chatHistory = buildChatHistory(request.messagingSessionId);
            // 这里可以使用不同的提示模板，每个提示模板都有APIName
            String reply = callPromptTemplate(chatHistory, 'wechat_auto_reply');
            results.add(new AIChatResponse(reply));
        }
        return results;
    }

  // 聊天记录拼接格式示例：2026-01-28 10:30:00 EndUser:你好，我想咨询一下订单状态 2026-01-28
    private static String buildChatHistory(String conversationId) {

// 聊天记录拼接格式示例：2026-01-28 10:30:00 EndUser:你好，我想咨询一下订单状态 2026-01-28
    private static String buildChatHistory(String conversationId) {
        // TODO ConversationEntry__c需要加上生产环境的命名空间
        List<ConversationEntry__c> entries = [
            SELECT ActorType__c, Message__c, EntryTime__c
            FROM ConversationEntry__c
            WHERE ConversationId__c = :conversationId
            WITH USER_MODE
            ORDER BY EntryTime__c ASC
        ];
        List<String> lines = new List<String>();
        for (ConversationEntry__c entry : entries) {
            if (String.isNotBlank(entry.ActorType__c)
                && String.isNotBlank(entry.Message__c)
                && entry.EntryTime__c != null) {
                lines.add(entry.EntryTime__c.format('yyyy-MM-dd HH:mm:ss') + ' ['
    + entry.ActorType__c + ']: ' + entry.Message__c);
            }
        }
        return String.join(lines, '\n');
    }
    private static String callPromptTemplate(String chatHistory, String templateApiNam
        ConnectApi.WrappedValue inputValue = new ConnectApi.WrappedValue();
        inputValue.value = chatHistory;
        ConnectApi.EinsteinPromptTemplateGenerationsInput request = new ConnectApi.Ein
        request.additionalConfig = new ConnectApi.EinsteinLlmAdditionalConfigInput();
        // 应用名称
        request.additionalConfig.applicationName = 'PromptBuilderPreview';
        // 非预览模式，正式调用
        request.isPreview = false;
        // 提示模板声明的占位符
        request.inputParams = new Map<String, ConnectApi.WrappedValue>{ 'Input:ChatRec
        // 输出语言为简体中文，必须是prompt template支持的响应语言
        request.outputLanguage = 'zh_CN';
        try {
            ConnectApi.EinsteinPromptTemplateGenerationsRepresentation response =
                ConnectApi.EinsteinLLM.generateMessagesForPromptTemplate(templateApiNa
            if (!response.generations.isEmpty()) {
                return response.generations[0].text;
            }
            if (!response.generationErrors.isEmpty()) {
                System.debug(LoggingLevel.ERROR, 'LLM 生成错误: ' + response.generation
            }
        } catch (Exception e) {
            System.debug(LoggingLevel.ERROR, '提示模板调用异常: ' + e.getMessage());
        }
        return DEFAULT_ERROR_REPLY;
    }
    global class AIChatResponseGeneratorReq {
        @InvocableVariable(Label = 'Messaging Session ID' Description = '当前聊天的 Mess
        global String messagingSessionId;
    }
    global class AIChatResponse {
        @InvocableVariable
        global String replyResponse;
        public AIChatResponse(String reply) {
            this.replyResponse = reply;
        }
    }
}

如下图所示：

3.2.5 检查是否需要转人工客服节点

在分析聊天记录并生成回复节点后面新增一个决策类型的元素，进行以下配置：

类型：决策
标签：检查是否需要转人工客服
API名称：check_if_transfer_to_human_agent
描述：检查 AI 的推荐回复中是否提示需要转人工客服。
分支 1（转人工客服）：
1. 结果标签：转人工客服
2. 结果 API 名称：transfer_to_human_agent
3. 执行结果的条件要求
  1. 满足任意条件 (OR)
    1. 条件1:
      a. 资源：来自分析聊天记录并生成回复的输出 > replyResponse
      b. 运算符：起始字符
      c. 值：Transferring to a human agent
4. 条件2:
  a. Resource来自分析聊天记录并生成回复的输出 > replyResponse
  b. 运算符：起始字符
  c. 值：转人工客服中

注意：以上的转人工条件值是在提示模板提示词里面已经规定好的，如果您自定义了提示词中对于转人工客服相关的回复，需要相应修改条件中的值。

分支 2 （发送 AI 推荐回复）
1. 标签：发送 AI 推荐回复

如下图所示：

3.2.6 发送转人工回复节点

在检查是否需要转人工客服节点的分支 1（转人工客服）下新增一个操作类型的元素，进行以下配置：

类型：操作
搜索并选择 Apex：Send WeChat Service Message （安装 CXG Package 以获取该 Apex）
1. 标签：发送转人工回复
2. API 名称：send_transfer_to_agent_message
3. 设置输入值
  1. Content：来自分析聊天记录并生成回复的输出 > replyResponse
  2. Message Type： 1 （直接输入 1 即可）
  3. Messaging Session ID：来自获取 Messaging Session 数据的Messaging Session > 记录 ID

如下图所示：

3.2.7 执行转人工客服节点

在发送转人工回复节点后，根据是否开通 Omni-channel Routing 有两种情形。

第一种情形

已开通 Omni-channel，并且已经根据 CXG 文档完成 Omni-channel 配置，则可以执行以下步骤：

你需要新增一个 Omni-channel Flow，在转人工时，让 Omni-channel 自动帮您分配 human agent 来服务客户，参考文档：Omni-Channel 配置 - 帮助中心，请根据手动配置 - Flow 配置 - Omni-Channel Routing Flow 章节做配置，配置好后如下图所示
Omni-channel Flow 配置好后，在发送转人工回复节点后新增一个子流类型的元素。
1. 类型：子流
2. 搜索并选择 Flow：Omni-channel-to-queue-or-agent
3. 标签：转给 Queue
4. API 名称：chat_to_queue
5. 设置输入值
  1. recordId：包括，填入来自获取 Messaging Session 数据的Messaging Session > 记录 ID
  2. routingToQueue：包括，填入真
  3. userId：不需要勾选包括

注意：

如果要交给 queue 处理，则 routingToQueue 设置为 True
- 交给 queue 处理后，Omni-channel 会自动根据已有的规则把会话分配给 agent
如果要转交给具体的 agent，则 routingToQueue 设置为 False，并且 userId 为必填
- userId 是具体的 agent，您可以在这个子流节点前新增一个节点来按您的规则获取 userId，例如通过 user 的某些备注过滤获取 userId，或者从你已有的 queue 里面获取 userId

如下图所示：

第二种情形

未开通omni-channel，则可以执行以下步骤：

CXG Package 中提供了一个可以在 Flow 中被执行的 Apex，名称为 Accept chat action，用于直接让 agent accept 会话。
在发送转人工回复节点后新增一个操作类型的元素。
1. 类型：操作
2. 搜索并选择 Apex：Accept chat action （安装 CXG Package 以获取该 Apex）
  1. 标签：人工客服接受会话
  2. API 名称：accept_chat_by_human_agent
  3. 设置输入值
    1. Session ID: 来自获取 Messaging Session 数据的Messaging Session > 记录 ID
    2. User ID: userId是具体的agent，您可以在这个accept chat action节点前新增一个节点来按您的规则获取userId

如下图所示：

3.2.8 发送 AI 推荐回复节点

在检查是否需要转人工客服节点的分支 2（发送 AI 推荐回复）下新增一个操作类型的元素，进行以下配置：

类型：操作
搜索并选择 Apex：Send WeChat Service Message （安装 CXG Package 以获取该 Apex）
1. 标签：发送 AI 推荐回复
2. API 名称：send_ai_reply_message
3. 设置输入值
  1. Content：来自分析聊天记录并生成回复的输出 > replyResponse
  2. Message Type： 1 （直接输入 1 即可）
  3. Messaging Session ID：来自获取 Messaging Session 数据的Messaging Session > 记录 ID
在发送 AI 推荐回复节点后添加 End 组件
如下图所示：
根据文档配置完成后，可以在微信客服会话测试 AI 的自动回复。

四、实现效果

以下示例基于 Omni-Channel 配置。

终端用户在微信发起聊天后，先由 AI 客服进行回复。当要求转接人工时，会收到提示词中预先定义好的回答，如：转人工客服中，请稍等。

人工客服在服务控制台通过 Omni-channel 接入会话。

一、概述

核心能力

免责声明与责任边界

二、流程示意图

三、配置流程

3.1创建 提示模板 PROMPT TEMPLATE

操作步骤

提示模板 示例图

3.2 创建 FLOW

操作步骤

3.2.1 开始节点（触发器）

3.2.2 获取 Messaging Session 数据节点

3.2.3 判断 Messaging Session 是否存在

3.2.4 分析聊天记录并生成回复节点

3.2.5 检查是否需要转人工客服节点

3.2.6 发送转人工回复节点

3.2.7 执行转人工客服节点

3.2.8 发送 AI 推荐回复节点

四、实现效果

3.1创建提示模板 PROMPT TEMPLATE

提示模板示例图