痛点：原来怎么干的

客服团队 8 人要人工读完每条工单再决定转给谁、急不急，平均分诊耗时 3 分钟/条，高峰期积压严重，客户等待超时投诉占比接近三成。

做法：分几步改

  1. 把历史 3 万条工单导出，人工标注 12 个意图类别 + 3 级紧急度，做成 800 条的精标训练/示例集
  2. 用大模型 + 少样本提示做意图与紧急度判定，输出的结构化 JSON 直接写回工单字段
  3. 接入退款、物流、发票三类常见问题的知识库（RAG），让 AI 对标准问题直接给建议回复
  4. 设定「置信度低于阈值转人工复核」的兜底规则，人工只处理高优先与不确定单

效果：改完变成什么样

平均分诊耗时
3 分钟 → 12 秒
高峰积压工单
下降约 70%（团队自述）
超时投诉占比
约 30% → 9%

可以直接抄的三条

  • 先做「分类 + 紧急度」两件事就够，别一上来就让 AI 直接回复客户
  • 必须有置信度兜底，错误的自动分诊比人工慢更伤体验
  • 精标 800 条往往比堆 10 万条原始数据更有效
适用边界：该做法在本案例的规模与工具条件下成立，换到数据量更大、合规要求更严的场景需重新验证。 效果数字为案例方提供或访谈整理的参考值，不构成效果承诺。
广告
案例详情页广告位（正文下方）
阅读完成率高，适合有转化目标的工具方
查看档期与价格 →
来源：社区分享整理（案例方为化名团队），效果为用户自述参考值
涉及工具：大模型 API、RAG 知识库、工单系统　·　标签：客服自动化、RAG、工单分诊