FreeScout中处理亚马逊客户邮件重复创建工单的解决方案
2025-06-25 20:31:49作者:宣聪麟
问题背景
在使用FreeScout作为亚马逊卖家中心(SellerCentral)的客户支持系统时,发现一个常见问题:当亚马逊客户回复已有工单时,系统没有正确关联到原工单,而是创建了新的独立工单。这会导致客户对话历史分散,影响支持效率。
技术分析
FreeScout默认会根据邮件头中的References或In-Reply-To字段来识别关联邮件。但亚马逊市场(Amazon Marketplace)的邮件系统有其特殊性:
- 亚马逊发送的客户邮件通常带有特定域名(如@marketplace.amazon.de)
- 这些邮件可能不包含标准的邮件线程标识信息
- 回复邮件可能被视为全新的对话请求
解决方案
通过FreeScout的过滤器钩子(Filter Hook)机制,我们可以自定义邮件处理逻辑。以下是实现方案的核心代码解析:
\Eventy::addFilter('conversation.created_by_customer', function ($conversation, $thread, $customer) {
// 检查是否来自亚马逊市场的邮件
if (!empty($thread) && $thread->from && strpos($thread->from, '@marketplace.amazon.de') !== false) {
// 获取同一客户的历史工单
$prev_conversations = $mailbox->conversations()
->where('customer_id', $customer->id)
->where('id', '<>', $conversation->id)
->where('status', '!=', Conversation::STATUS_SPAM)
->where('state', Conversation::STATE_PUBLISHED)
->orderBy('created_at', 'desc')
->get();
// 合并历史工单内容
foreach ($prev_conversations as $prev_conversation) {
// 转移所有对话线程
foreach ($prev_conversation->threads as $thread) {
$thread->conversation_id = $conversation->id;
$thread->setMeta(Thread::META_PREV_CONVERSATION, $prev_conversation->id);
$thread->save();
}
// 处理附件标记
if ($prev_conversation->has_attachments && !$conversation->has_attachments) {
$conversation->has_attachments = true;
$conversation->save();
}
// 处理星标状态
$mailbox_star_folders = Folder::where('mailbox_id', $prev_conversation->mailbox_id)
->where('type', Folder::TYPE_STARRED)
->get();
// 转移星标
foreach ($conv_star_folder_ids as $conv_star_folder_id) {
$folder = $mailbox_star_folders->find($conv_star_folder_id);
if ($folder->user) {
$conversation->star($folder->user);
$prev_conversation->unstar($folder->user);
}
}
// 删除旧工单并更新计数器
$prev_conversation->delete();
$mailbox->updateFoldersCounters();
}
}
return $conversation;
}, 20, 3);
实现原理
- 钩子机制:使用
conversation.created_by_customer过滤器,在工单创建时介入处理 - 邮件识别:通过检查发件人地址中的
@marketplace.amazon.de域名识别亚马逊邮件 - 工单合并:
- 查找同一客户的所有历史工单
- 将历史对话线程转移到新工单
- 保留附件标记和星标状态
- 删除重复的旧工单
- 状态同步:确保文件夹计数器和各种状态标记正确更新
部署建议
- 将此代码添加到FreeScout的
app/helpers.php文件或自定义插件中 - 根据实际使用的亚马逊市场域名调整过滤条件(如.de/.com/.co.uk等)
- 建议先在测试环境验证效果
- 可添加日志记录以监控合并过程
注意事项
- 此解决方案会强制合并同一客户的所有历史工单,确保这符合您的业务流程
- 对于高流量系统,可能需要优化查询性能
- 合并操作不可逆,建议先备份数据
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218