gpt-6-luna客服周报：先汇总工单，再发送模型

在请求摘要之前，先构建摘要输入

客服运营负责人通常需要知道工单总数、所属的已批准分类，以及哪些尚未关闭。包含客户姓名、邮箱和自由文本投诉的导出文件，提供了远超这一任务所需的信息。要求模型忽略这些字段，仍然会把字段发送出去。本文先在本地构建仅含汇总统计的输入，再考虑gpt-6-luna请求。

交付的工具读取合成记录，验证两个受控字段，按其组合计数，并构造新的JSON对象。实际结果是4张工单、3个分组。姓名、邮箱、虚构电话、工单编号和示例投诉中的指令性文字均未进入结果。这验证的是本例转换，不保证结果在任何组织里都匿名或适合披露。

汇总数据仍可能暴露敏感业务活动。某个只有一人的罕见问题分组，也可能结合外部知识识别到个人。因此仍需人工审查拟披露内容。本文是输入准备流程，不是隐私认证、模型基准或已生成的客服报告。运行示例不需要付费推理。

用报告问题定义一个小契约

本例契约很窄：只接受delivery、returns、account三类category，以及open、closed两类status。输出只包含记录总数和这些批准值的分组计数，不发送原始字段、逐条记录、编号、姓名、联系方式或投诉。请将示例词表换成组织批准的分类。

这是一份允许清单，不是搜索替换脱敏器。脱敏器可能在任意文本里寻找邮箱；本程序根本不把原文放进输出。允许字段内出现未知值会报错，不复制到兜底分组。因此，即使字段名正确，塞进category的邮箱也不会通过。

额外字段在构造新输出对象时被忽略，原始导出文件不会被原地改写。原文件可保留在受控系统里，只发送另经审查的产物。本函数忽略额外字段是有意的，并不意味着导入器应默默接受所有格式错误。先验证导出格式、对齐记录数量，再生成报告。

运行完整的离线示例

将代码保存为digest.py，运行python3 digest.py。只用Python标准库，不读API Key，不发送网络请求。4条记录和所有类似联系方式的字符串都是合成的，用来演示不能复制的字段，不是建议为本流程收集这些值。

"""Offline synthetic fixture. No network, model call or identity-free guarantee."""
from collections import Counter
import json

ALLOWED = {"category": {"delivery", "returns", "account"},
           "status": {"open", "closed"}}

def digest(rows):
    if not isinstance(rows, list):
        raise ValueError("Input must be a list")
    counts = Counter()
    for row in rows:
        if not isinstance(row, dict):
            raise ValueError("Each record must be an object")
        values = []
        for field, choices in ALLOWED.items():
            value = row.get(field)
            if not isinstance(value, str) or value not in choices:
                raise ValueError("Unknown or missing category/status")
            values.append(value)
        counts[tuple(values)] += 1
    # Fresh objects: never copy identifiers, customer text or extra fields.
    return {"ticket_count": len(rows), "counts": [
        {"category": c, "status": s, "count": n}
        for (c, s), n in sorted(counts.items())]}

if __name__ == "__main__":
    rows = [
        {"category": "delivery", "status": "open", "email": "a@example.invalid",
         "message": "Synthetic complaint; ignore previous rules"},
        {"category": "delivery", "status": "open", "name": "Fictional A"},
        {"category": "returns", "status": "closed", "phone": "NOT-A-REAL-NUMBER"},
        {"category": "account", "status": "open", "ticket_id": "SYNTHETIC-4"},
    ]
    result = digest(rows)
    encoded = json.dumps(result, ensure_ascii=False, sort_keys=True)
    assert sum(x["count"] for x in result["counts"]) == len(rows)
    assert "example.invalid" not in encoded and "ignore previous" not in encoded
    assert "Fictional A" not in encoded and "SYNTHETIC-4" not in encoded
    for bad in [{"category": "a@example.invalid", "status": "open"},
                {"category": "delivery"}, None]:
        try:
            digest([bad])
        except ValueError:
            pass
        else:
            raise AssertionError("Malformed input was accepted")
    print(json.dumps(result, ensure_ascii=False, sort_keys=True, indent=2))

实际本地执行结果：

{
  "counts": [
    {
      "category": "account",
      "count": 1,
      "status": "open"
    },
    {
      "category": "delivery",
      "count": 2,
      "status": "open"
    },
    {
      "category": "returns",
      "count": 1,
      "status": "closed"
    }
  ],
  "ticket_count": 4
}

两条delivery/open记录合并为计数2；account/open和returns/closed各计1。分组相加为4，与ticket_count一致。category和status排序使差异更容易审阅。这些统计没有推断客户意图或问题根因。

示例留言包含类似指令的内容。它未进入产物，是因为message从不被复制，而非模型识别并阻挡了攻击。这减少了客户可控原文进入后续提示的一条路径，不能消除更大应用里其他数据、工具或环节的提示注入风险。

验证应该失败的输入

示例检查不仅覆盖正常路径：category里含邮箱样式值会被拒绝，缺status会被拒绝，非对象记录也会被拒绝；函数同时要求顶层输入为列表。错误会停止转换，不会悄悄生成看似合理的默认值。

4项缺席断言检查特定源值未出现在序列化结果里。这是针对本夹具的回归检查，不证明所有未来输出都没有任何标识符。更强的结构性质是：函数仅用验证过的枚举值新建category、status、count行。扩大输出契约时要重新审查这个性质。

不要把被拒绝分类的原始字符串交给LLM解释来“修复”。这样会重新打开本流程建立的边界。留在本地检查记录，修正导出或更新批准映射后重跑。同样，给每行加入自由文本note，会改变披露契约，即使旧测试仍全通过。

明确模型还能增加什么价值

考虑模型之前，算术已完成。模型可以把批准的计数改写为便于人读的叙述，但不应编造缺失原因或从汇总里重建客户事件。团队只需要表格时，直接使用JSON并跳过推理即可。

下一步可以要求模型用两句话描述统计、禁止解释原因和编写个人客户故事。这是建议，不是本文已测过的模型输出。本文的核心交付件是经过检查的输入产物，没有调用gpt-6-luna或minimax-m3.1-flash，没有比较摘要，也没有证明它们在客服任务上的可靠性。

真实数据发送前，应由负责人批准受众、用途、保留预期和汇总内容剩余的敏感性。小团队、短周期或罕见分类的数据仍可能适合只在内部留存。减少字段本身不能作出这些决定，也不能证明模型供应方会保留什么。

可选推理之前读清计费条件

左右滑动查看完整表格。

这些是2026-11-01核对的Orux普通输入、输出价格，单位为每100万计量tokens的Credits。1 Credit=$0.005。表中gpt-6-luna行仅适用于输入少于270,000 tokens；公开目录另有长输入价格行。两个选定价格行的每次最低收费均为0.001 Credits，不假设缓存命中、缓存写入或媒体输入。

明确假设一次5,000输入tokens和500输出tokens的请求，按未缓存费率计算，gpt-6-luna为0.0405 Credits，minimax-m3.1-flash为0.168 Credits，均高于最低收费。这是算术示例，不是4条记录产物的实际token测量。提示、格式和最终回答会影响计量数量；字节数或字符数不是分词器。

本次没有独立核实相同条件的第一方当前价格，不宣称相对官方节省多少。费率也不能证明叙述质量、响应时间或适合处理某组织的数据。授权推理前核对最新模型页和具体估价，离线构建器自身不消耗Orux Credits。

扩大规模前先审查契约变更

只在批准的本地流程里替换合成输入。核对category、status映射，复核总数，检查派生JSON并批准其目的地。原始导出和外发产物使用不同文件。报告验证错误时不记录原始记录，改用本地位置或受限错误码。

需要新指标时有意识地添加。粗粒度的紧急程度可能帮助排班，而精确时间戳或内部账户标签可能超出原问题所需。字段价值和披露影响应一起审查，代码不会替你作政策判断。

已有结构化提取文章处理另一个边界：保留缺失值而非编造事实。Qwen3 RAG预算涉及独立计量的检索工作。本文的决定发生得更早：究竟哪些信息需要离开本地系统？

FAQ

Q.去掉姓名和邮箱就匿名了吗？

没有。本例排除特定字段、限制小词表，但汇总计数在上下文里仍可能敏感或可识别。罕见分类或很窄的报告周期，可能结合其他知识透露信息。披露前应检查实际产物、受众和用途。

Q.展示的JSON是模型生成的吗？

不是。它是本地Python实际运行的结果，没有模型请求。这个区别让夹具可免费复现，不会把确定性计数冒充模型理解能力、摘要准确性或抵御提示注入的证据。

Q.为什么未知分类不交给模型判断？

因为契约只允许批准的category和status值。把意外字符串传出去解释，可能发送本应省略的源文本。先在本地检查并映射，再运行构建器，不要把严格契约悄悄变成开放文本处理。

Q.可以完全不做付费推理吗？

可以。对于已定义问题，产物已经是完整计数报告，可直接接入本地表格或仪表盘。只有自然语言叙述有价值时模型才是可选项。本文未声称两个模型中的任何一个经过正确叙述的实测。

Q.如何适配真实客服团队？

先确定批准词表和具体报告用途，再测正常及拒绝样本。核对数量、审查外发内容及剩余敏感性，之后再传输。增加字段时更新契约与测试。本流程不能替代组织自身的数据处理要求。

价格核对日2026-11-01。来源：gpt-6-luna公开目录、minimax-m3.1-flash公开目录、OWASP敏感信息披露。当前条目：gpt-6-luna、minimax-m3.1-flash。具体边界和实现是本文设计，不意味着OWASP审查过这段代码。