核心用法
customer-service-reply 是一款面向电商场景的客服话术生成工具，通过本地脚本 cs.sh 提供 8 类标准化回复模板。用户只需输入简单的命令参数，即可快速获得对应场景的完整话术方案。
主要功能模块：
| 场景 | 命令示例 | 输出内容 |
|:---|:---|:---|
| 售前咨询 | `cs.sh presale "蓝牙耳机" "能防水吗"` | 产品特性介绍+购买引导 |
| 投诉处理 | `cs.sh complaint "发货太慢"` | 致歉话术+补偿方案+时效承诺 |
| 差评回复 | `cs.sh bad-review "质量差"` | 诚恳道歉+补救措施+改进说明 |
| 退换货 | `cs.sh refund "尺码不合适"` | 流程指引+运费说明+时效保障 |
| 升级处理 | `cs.sh escalate "威胁投诉12315"` | L1-L4 分级响应策略 |
| 行业FAQ | `cs.sh faq "美妆"` | 20个高频问题+标准答案 |
| 满意度挽回 | `cs.sh satisfaction "2" "质量问题"` | 针对低分评价的挽回话术 |
显著优点
1. 纯本地运行：不依赖外部 API，数据隐私完全可控，适合内网环境
2. 场景覆盖全：从售前到售后全链路，涵盖电商客服 90% 以上的高频场景
3. 分级处理机制：升级处理模块内置 L1→L4 四级话术，帮助新手客服快速判断事态严重程度
4. Python 3.6+ 兼容：对老旧系统友好，部署门槛低
潜在缺点与局限性
1. 模板化程度高：生成内容为固定模板填充，面对复杂个性化问题需要人工调整
2. 无实时数据联动：无法读取订单系统、物流信息等实际数据，需要客服手动补充
3. 行业适配有限：FAQ 生成依赖预设行业库，小众行业可能需要自行扩展
4. 情感识别缺失：无法自动判断客户情绪强度，分级话术需人工触发
适合人群
- 中小型电商团队：缺乏专业客服培训资源，需要快速上手的标准化工具
- 客服主管/培训师：用于新人话术培训、服务标准制定
- 多店铺运营者：统一管理不同平台的客服回复风格
- 兼职/外包客服：临时上岗人员快速获取合规话术参考
常规风险
- 过度依赖风险：新手客服可能机械套用模板，忽视客户实际诉求的细微差别
- 合规边界：升级处理中的赔偿承诺话术需结合企业实际政策调整，避免过度承诺
- 品牌调性偏差：生成话术为通用风格，高端品牌需人工润色以匹配调性
---
技术栈：Python/Bash | 运行环境：本地终端 | 维护方：BytesAgain