情感识别在对话（ERC）是客服平台实现智能提示、升级路由和通话后分析的关键能力，成本和时延与准确率同等重要。我们在系统层面对三种部署方案进行对比：① 低成本堆叠集成模型，使用句子嵌入、窗口上下文以及 RandomForest、XGBoost、Logistic‑Regression 的堆叠；② 直接调用现成的大语言模型（LLM）进行提示，采用 GPT‑4o‑mini 的零样本、少样本和链式思考方式；③ 基于置信度门控的混合方案，仅将集成模型置信度最低的预测上报给 LLM，模拟客服中心的 IVA‑to‑human 升级策略。实验在 IEMOCAP 数据集上进行，集成模型的加权 F1 为 0.595，显著高于所有 LLM 配置（0.460‑0.536），差异具有统计显著性（p<0.05）。在延迟和费用方面，集成模型每条对话的推理时间约为 30 ms，成本约为 LLM 的 1/10；混合方案在保持接近集成模型准确率的同时，仅在 15% 的低置信度样本上使用 LLM，整体成本提升不足 5%。结果表明，在成本受限且对时延敏感的生产环境中，先使用轻量级集成模型并通过置信度门控触发 LLM，是一种兼顾准确率、时延和费用的实用策略。
点评：该研究提供了可直接落地的部署指南，对实际客服系统的成本控制具有重要参考价值。