在客服领域，工单的生成一直是效率提升的瓶颈。传统的人工编辑方式不仅耗时，还容易出错。然而，随着AI技术的发展，尤其是Agent技术的应用，这一难题正在被逐步攻克。本文将介绍如何通过Agent实现全流程智能工单的生成，从技术方案的设计到实际应用的成果，再到未来优化的方向，带你一探究竟，了解AI如何为客服领域带来革命性的变化。

01 项目背景

在客服领域，当一通会话结束后往往需要生成工单进行后续处理及跟进。传统的工单是客服人员手动编写的。

02 用户痛点

人工编辑工单内容耗时长，而且可能存在编错编漏的情况。

03 设计方案

BEFORE

1. 方案

技术：实体识别

此方案通过调用大模型API服务，采用提示工程让大模型一键生成工单。具体步骤为：创建工单字段→创建工单模版→绑定场景，绑定客服→生成工单→发送/保存工单

2. 结果

内部测试后，工单的生成时间控制在了30秒以内，快的时候5秒内就能生成。

3. 问题

虽然这种方式从某种程度上提高了效率，但其实还是存在很多问题的，如：

问题1：每通会话的工单模版是人为事先选择的

这里就有一个假设前提，即每通电话接通之前坐席就已经知道这通电话要生成什么类型的工单了，有点类似未卜先知。

这里需要说明一点的是，系统是服务于业务的，只有先了解并确定了业务流程，才能设计出合适功能流程。

但是，对于很多公司的客服人员，他们接到什么客户电话就要处理什么业务，那么这种情况下，事先“人为选择工单模版”则不适用了。

问题2：工单的配置流程过于冗长复杂

从流程图可以看出，工单的创建是从原子级的工单字段开始的。每一个工单里都有几十个字段，所以每次创建新的工单模版就面临着大量的字段创建工作。

另外，当工单字段很多的时候，选择工单字段有点大海捞针的感觉。

虽说缩短了编辑工单的时间，但是准备工单的时间却变得格外长。

AFTER

1. 方案概述

技术：意图识别、实体识别、生成式AI

基于上述总结的问题，以及全方位提高工单效率的目标，我结合大模型技术实现了工单自动分类、自动填充字段，以及自动生成工单模版，实现了全流程自动生成工单。

2. 实现方式1｜Python

此方案是通过调用KIMI的API服务，在python上实现的。

做到这三点挑战，产品经理只会不断升值

好的产品经理是很稀缺的，懂用户、懂商业、懂数据的产品经理走出互联网，依然是抢手货。相反，如果只做简单传话、低效执行、浅层思考的产品经理，恐怕走不过未来3-5年的洪流。

查看详情 >

1>创建业务标签

在管理后台创建业务标签，用于工单分类。

2>AI生成工单模版

因为工单是根据业务生成的，所以有多少类业务就应该生成对应的业务工单模版，这个过程不需要人工创建原子级的工单字段，而是让大模型根据业务标签生成工单模版，同时支持手动修改。

以下是我准备的几个业务标签：

这是根据业务标签生成的工单模版：

3>工单分类

会话结束后，将会话记录作为语料向大模型输入，大模型根据业务标签对会话内容进行工单分类。

4>字段填充

根据会话内容，大模型实现了工单分类，根据分好的工单类型可以直接定位获取已生成的工单模版。

3. 实现方式2｜Agent

通过在Coze搭建Agent，实现了上述的代码流程。具体步骤为：获取业务标签→工单分类→查询工单模版→工单字段填充→生成工单

04 成果与验证

1.平均生成工单时间在5-10秒左右，提高了坐席工作效率。

2.实现了全流程自动生成工单，运营效率提高了50%以上。

05 遗留问题与优化方向

遗留问题：大模型幻觉问题未解决.

优化方向：可通过提示词、RAG等技术进行处理，在智能问答项目中已经验证了方案的可行性。

07 项目总结与迁移性

1.实现了全流程自动生成工单，从多方面提高了人员工作效率。

2.上述场景属于事后生成工单，对于实时对话场景，稍微改进一下方案，通过新增多轮对话Agent以及中控Agent，即可实现多场景迁移应用，如订餐，订机票，发邮件等。

PS：智能工单Agent已在线上，需要体验的可以留言联系我。