用户对微信机器人说"帮我告诉张三明天开会"，AI模型能听懂意思，但 Eyun 的 sendText 接口要的是结构化参数 {wId, toUser, content}。自然语言和接口参数之间隔着一道"翻译"，这道翻译怎么做，直接决定了机器人能处理多复杂的话。本文不讲AI怎么理解语义，专讲中间那层"转换层"——自然语言怎么变成接口能用的参数。按转换方式不同，分3种模式，每种对应不同复杂度的用户表达。

模式1：模板填充模式——固定槽位填值

转换方式：AI从自然语言里提取关键实体 → 填进预设模板的槽位 → 输出结构化参数。

示例：用户说"帮我告诉张三明天下午3点开会" → AI提取 {recipient:张三, time:明天下午3点, event:开会} → 套模板"请{recipient}于{time}参加{event}" → content拼成"请张三于明天下午3点参加开会" → toUser查映射表得张三的wxid → 调 Eyun 的 sendText 发送。按照 Eyun 开发文档的规范，sendText 需要 wId、toUser、content 三个必填参数。

大白话：用户说一句自然话 → AI抽出"谁、什么时候、什么事" → 套进模板拼成标准消息 → 发给对的人。模板填值不依赖AI的自由生成，只依赖AI的实体识别能力，稳定性最高。

模式2：字段提取模式——AI直接抠字段

转换方式：AI做实体识别 → 直接映射到接口参数 → 不需要模板，AI生成的文本就是 content。

示例：用户说"给张三发一段产品介绍" → AI提取 {toUser:张三的wxid, intent:产品介绍} → AI调产品库生成产品介绍文本 → content=AI生成的文本 → sendText 发送。Eyun API的 sendText 是字段提取模式的执行端，接口规范见 Eyun 开发文档。

大白话：AI从用户的话里直接抠出接口需要的字段——"发给谁"变 toUser、"发什么"由AI自己生成变 content。和模板填充的区别是：模板填充的 content 是拼出来的，字段提取的 content 是AI写出来的。

模式3：语义映射模式——AI规划多接口调用

转换方式：自然语言的语义不一定一对一映射到单个接口 → AI判断需要多个接口协同 → 输出接口调用计划 [{api:sendText, params:{...}}, {api:sendImage, params:{...}}] → 逐个执行。

示例：用户说"给张三发新品资料" → AI规划：先 sendText 发文字介绍 → 再 sendImage 发产品图 → 最后 sendFile 发详细手册 → 3个接口按序调用。Eyun 的 sendText/sendImage/sendFile 都可被AI规划调用，形成完整的接口调用链。

大白话：用户一句话可能对应多个接口调用——AI不光提取参数，还决定"调几个接口、什么顺序"。这是3种模式里最灵活的，但调用顺序要AI自己排，错了就乱套。

三种转换模式对比

转换模式	转换方式	复杂度	适用表达	AI角色	Eyun接口	大白话
模板填充	提实体→填槽位→拼content	低	"通知X于Y做Z"	实体识别	sendText	抽槽位套模板
字段提取	识别实体→直接映射字段	中	"给X发一段YY"	实体识别+内容生成	sendText	抠字段AI写内容
语义映射	理解意图→规划调用序列	高	"给X发完整资料"	意图理解+接口编排	sendText+sendImage+sendFile	AI排接口调用顺序

转换层框架代码

def convert(natural_text, wId, user_map):
    """自然语言 → Eyun接口参数，3种模式统一转换器"""
    intent = ai_classify(natural_text)          # AI判断走哪种模式

    if intent == "template":                    # 模式1：模板填充
        slots = ai_extract_entities(natural_text)        # {recipient,time,event}
        content = TPL_NOTIFY.format(**slots)              # 套模板拼content
        toUser = user_map[slots["recipient"]]             # 查wxid映射
        return [{"api": "sendText", "params": {"wId": wId, "toUser": toUser, "content": content}}]

    if intent == "field":                       # 模式2：字段提取
        fields = ai_extract_fields(natural_text)         # {toUser,intent}
        content = ai_generate(fields["intent"])          # AI生成content
        return [{"api": "sendText", "params": {"wId": wId, "toUser": fields["toUser"], "content": content}}]

    if intent == "semantic":                    # 模式3：语义映射
        return ai_plan_calls(natural_text, wId, user_map)  # [{api,params},...] 多接口

选型建议

3种模式按"转换复杂度递增"排列：模板填充最简单（固定槽位填值）、字段提取中等（AI自由生成内容）、语义映射最复杂（AI规划多接口调用）。选型看用户表达的特征——结构化指令用模板填充（"通知X于Y做Z"这类槽位固定的），内容生成用字段提取（"给X发一段YY"这类要AI写内容的），复杂需求用语义映射（"给X发完整资料"这类一句话对应多接口的）。3种模式的输出最终都落到 Eyun 接口的参数上——转换层做的是"语言到参数"的翻译，翻译质量决定机器人能听懂多复杂的话。落地时建议先从模板填充上线验证流程，再逐步引入字段提取和语义映射，接口参数规范见 Eyun 开发文档。