Frontline Copilot

面向零售门店经理的 AI 评价分诊工具。

一个常驻系统，从任何来源摄取客户评价，使用 Claude 按类别和严重程度对评价进行分类，并将需要处理的评价路由到门店经理的 Airtable 任务列表——同时针对关键问题（食品安全、员工行为、健康风险）发送实时 Slack 警报。

同时以 MCP 服务器 形式提供，门店经理可以通过 Claude Desktop 以对话方式查询和分诊评价。

灵感来自新兴的 AI 门店运营副驾（copilot）品类。

问题

多门店零售连锁的门店经理被客户评价的信息淹没。大多数是噪音（表扬或轻微抱怨）。少数是紧急的（食品安全、歧视、受伤风险）。大多数工具要求经理阅读所有内容才能找到少数重要的——在大规模场景下这是一场必败之战。

Frontline Copilot 扭转了这一点。Claude 阅读所有内容；经理只看到需要处理的内容。

Related MCP server: Shopify MCP Server

工作原理

┌────────────┐   ┌──────────────┐   ┌────────────┐   ┌────────────┐
│  Reviews   │──▶│ Classifier   │──▶│  Airtable  │──▶│   Slack    │
│  (JSON /   │   │ (Claude API, │   │  (task     │   │  (critical │
│   Google)  │   │  tool use)   │   │  tracker)  │   │   alerts)  │
└────────────┘   └──────────────┘   └────────────┘   └────────────┘
                        │
                        ▼
                 ┌──────────────┐
                 │  MCP server  │◀── Claude Desktop, Cursor, ...
                 │  (3 tools)   │
                 └──────────────┘

每条评价被分类为九个类别之一，严重程度从 1（正面）到 5（严重）。严重程度 ≥ 3 的评价成为 Airtable 任务；严重程度 ≥ 4 的评价还会触发 Slack 警报。

截图

端到端流水线运行

21 条评价在 ~60 秒内处理完成。创建了 7 个任务，4 条实时严重警报。

Airtable — 任务看板

任务按严重程度排序，按类别着色。这就是门店经理看到的内容。

Airtable — 看板视图

相同的数据，按类别分组。问题分布一目了然。

Slack — 实时严重警报

Block Kit 卡片，采用行动优先的布局，并直接链接到 Airtable 任务。

技术栈

• Python 3.10+ — 数据类、str | None 联合类型、pathlib

• Anthropic Claude API — 通过工具调用进行分类（claude-haiku-4-5）

• Airtable REST API — 任务跟踪器，直接使用 requests 调用

• Slack Incoming Webhooks — 使用 Block Kit 生成丰富的警报卡片

• MCP（模型上下文协议） — 通过 FastMCP 提供对话式界面

• 评价源的适配器模式（内置 Mock；Google Places 为桩实现）

只有三个第三方依赖：anthropic、requests、mcp。其余全部是标准库。

快速开始

# 1. Clone and install
git clone https://github.com/miguelpomarm/frontline-copilot
cd frontline-copilot
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt

# 2. Configure secrets
cp .env.example .env
# ... edit .env with your keys (see setup section below)

# 3. Run the pipeline
python triage.py

# 4. Launch as an MCP server (optional)
python mcp_server.py

设置（一次性，~10 分钟）

1. Anthropic API 密钥

在 https://console.anthropic.com/ 获取。免费额度足以进行演示运行——21 条评价约花费 ~$0.03。

2. Airtable base

创建一个新的 base，其中包含一个名为 Tasks 的表，以及以下字段（名称必须完全一致）：

然后在 https://airtable.com/create/tokens 生成一个个人访问令牌，并在你的 base 上授予 data.records:read 和 data.records:write 权限范围。复制令牌和 base ID（以 app... 开头，可在 base 的 URL 中找到）。

3. Slack Incoming Webhook

在 https://api.slack.com/apps 创建一个 Slack 应用。启用 Incoming Webhooks，添加一个新的 webhook，指向应接收严重警报的频道，然后复制 webhook URL。

4. 填写 .env

ANTHROPIC_API_KEY=sk-ant-...
AIRTABLE_API_KEY=pat...
AIRTABLE_BASE_ID=app...
AIRTABLE_TABLE_NAME=Tasks
SLACK_WEBHOOK_URL=https://hooks.slack.com/services/...

5. 首次运行

python triage.py --limit 3 --dry-run   # sanity check, no side effects
python triage.py --limit 3             # small live run
python triage.py                       # full 21 reviews

MCP 集成（Claude Desktop）

将此配置添加到 ~/Library/Application Support/Claude/claude_desktop_config.json（macOS）并重启 Claude Desktop：

{
  "mcpServers": {
    "frontline-copilot": {
      "command": "python",
      "args": ["/absolute/path/to/frontline-copilot/mcp_server.py"]
    }
  }
}

然后，在 Claude Desktop 中：

"Aurora Times Square 现在怎么样？"

Claude 将调用 get_store_health("times_square")，访问 Airtable，并返回当前快照——待处理任务、严重数量、最高频类别。

设计决策

值得向评审者指出的刻意选择：

封闭式分类法 + Other 兜底 类别是固定的枚举，而不是自由格式。这保证了路由和指标的一致性。Other 是逃生舱——定期审查，根据真实数据扩展分类法，而不是事先猜测。

使用工具调用而非提示工程 Claude 通过带枚举约束的工具模式返回结构化输出。这消除了解析错误，并防止 LLM 幻觉出分类法之外的类别。

默认使用 Haiku 4.5 对于范围明确的分类任务，Haiku 速度快（亚秒级）、成本低（每条评价约 ~$0.001），且足够准确。在生产环境中，仅这一项决策在中等规模下每月就能节省数千美元。

评价源的适配器模式 ReviewSource 是一个抽象接口。随附 MockSource 和一个有文档说明的 GooglePlacesSource 桩实现。切换到 Yelp、TrustPilot 或专有数据源只需新增一个子类——流水线的其余部分无需改动。

按评价 ID 实现幂等性 重新处理相同的评价不会创建重复任务。每次创建前都会检查 Airtable。

严重程度阈值作为可调常量 ACTION_THRESHOLD 和 ALERT_THRESHOLD 是模块级常量。不同容忍度的客户只需修改两个数字，无需修改代码。

MVP 采用同步而非异步 顺序处理 21 条评价约需 ~40 秒。异步版本只需 ~15 行即可替换（AsyncAnthropic + 带信号量控制速率限制的 asyncio.gather）。对于这种规模，可读性胜过速度。

文本优先于星级 提示词明确告诉 Claude 以评价文本而非星级评分为准。一条提到食品安全的 4 星评价严重程度为 5，而不是 2。

路线图（未实现）

• FastAPI webhook 端点（POST /webhook/review），用于实时摄取而非批量运行。

• GooglePlacesSource — 适配器接口已完成，实际实现约需 1 小时的 API 集成 + 重试逻辑。

• 感知速率限制的异步批处理，用于高吞吐量生产环境。

• 端到端测试（Playwright / pytest，记录 API 交互），验证 Airtable/Slack 副作用。

• 通过 config.yaml 实现按客户配置阈值。

许可证

MIT — 参见 LICENSE。

由 Miguel Pomar Martínez 构建，作为技术作品集项目。