AI 赋能传统客诉流：基于知识库 RAG 与 LLM 的工单智能质检与自动分流实践

一、传统客服工单分派与质检的业务痛点

传统行业和大型平台的客服系统常面临工单积压的问题。当每天处理的工单超过一万条时，纯人工的分发和质检就显得力不从心。客服靠经验判断工单类型，结果经常分错或漏掉高优先级问题，重要客户投诉反而被埋没。

质检主管面对海量历史回复，只能抽查，无法全面覆盖风险。比如客服若擅自承诺赔偿，可能引发更多纠纷。因此，我们尝试用 RAG 和 LLM 技术在工单入口自动清洗、分类，并拦截违规回复，以此提升效率。

二、智能工单质检架构设计

系统需将工单与 FAQ 库匹配，提取相关条款约束大模型判断。以下是智能工单自动清洗、质检与分流流向架构设计图：

graph TD
    A[用户提交客诉工单] --> B[本地文本脱敏与清洗]
    B --> C[FAQ 规则库 RAG 检索]
    C -->|匹配度高| D[拼装包含标准参考的 Prompt]
    C -->|无匹配| E[直接归入人工专家处理队列]
    
    D --> F[调用 LLM 分类并生成初稿]
    F --> G{安全敏感词与红线校验}
    G -->|通过| H[自动流转对应业务线结案]
    G -->|未通过| E

    style E fill:#faa,stroke:#333,stroke-width:2px
    style H fill:#afa,stroke:#333,stroke-width:2px

该架构的关键在于：用本地检索快速拦截简单问题，复杂情况转交人工处理。

三、工单内容清洗与匹配检索实现

为了让系统轻量运行，我们开发了一个工单预处理和 RAG 检索模块。它负责过滤危险字符、计算关键词覆盖率，并生成安全的提示词结构。

以下是用 JavaScript (Node.js) 实现的工单质检处理器：

class SupportTicketRAGEngine {
    constructor(faqDatabase) {
        this.faqDatabase = faqDatabase; // FAQ 知识库，包含 { category, keywords, replyTemplate }
    }

    /**
     * 清洗工单内容，移除潜在的 SQL 注入和 HTML 注入字符
     * @param {string} rawText 
     */
    cleanTicketText(rawText) {
        if (typeof rawText !== 'string') return "";
        return rawText
            .trim()
            .replace(/<\/?[^>]+(>|$)/g, "") // 移除 HTML 标签，规避富文本攻击
            .replace(/[\\'`"]/g, "")         // 移除敏感引号，防止注入
            .toLowerCase();
    }

    /**
     * 极简本地分词匹配检索，计算置信度
     * @param {string} cleanText 
     */
    retrieveBestMatch(cleanText) {
        let bestMatch = null;
        let highestScore = 0;

        for (const item of this.faqDatabase) {
            let score = 0;
            item.keywords.forEach(keyword => {
                if (cleanText.includes(keyword)) {
                    score += 1;
                }
            });

            if (score > highestScore) {
                highestScore = score;
                bestMatch = item;
            }
        }

        // 匹配置信度：匹配中 2 个以上关键词认为合格
        const confidence = highestScore >= 2 ? (highestScore / 4.0) : 0.0;
        return { match: bestMatch, score: confidence };
    }

    /**
     * 动态拼装用于大模型分类与回复的 Prompt
     * @param {string} rawTicket 
     */
    async processAndRoute(rawTicket) {
        console.log("=== 启动 AI 工单质检与分流流转流程 ===");
        const cleanText = this.cleanTicketText(rawTicket);
        console.log(`[步骤 1: 文本规范化清洗]: "${cleanText}"`);

        const { match, score } = this.retrieveBestMatch(cleanText);
        console.log(`[步骤 2: RAG 规则对齐完成] 置信度评分: ${score.toFixed(2)}`);

        let targetAction = "DISPATCH_TO_HUMAN"; // 默认安全策略：流转人工
        let generatedPrompt = "";

        if (match && score >= 0.5) {
            targetAction = "PROPOSE_AUTO_REPLY";
            generatedPrompt = `
[角色指引]: 你是专业的客户服务助理大模型。请根据提供的知识库标准参考解答用户的疑问，严禁自由发挥或捏造未经核实的事实。

标准参考知识:
"${match.replyTemplate}"

用户所提工单问题:
"${rawTicket.trim()}"

高置信度回复草稿:`;
        } else {
            console.log("⚠️ 匹配置信度不足。工单已自动挂载至人工审核收件箱。");
            generatedPrompt = `工单内容: "${rawTicket.trim()}"，请求分发至人工处理队列。`;
        }

        return {
            action: targetAction,
            targetQueue: match ? match.category : "GENERAL_INBOX",
            finalPrompt: generatedPrompt.trim()
        };
    }
}

// 快速启动模拟
(async () => {
    // 模拟本地存储的标准 RAG 知识库 FAQ
    const faqBase = [
        {
            category: "ACCOUNT_HELP",
            keywords: ["密码", "忘记", "重置", "登录"],
            replyTemplate: "请访问用户中心页面，点击「忘记密码」，使用您注册绑定的手机验证码自主重置密码。"
        },
        {
            category: "REFUND_HELP",
            keywords: ["退款", "退货", "地址", "拦截"],
            replyTemplate: "若订单仍处于「待发货」状态，您可以点击申请退款，系统将自动极速放款。若已发货，请拒签物流件。"
        }
    ];

    const engine = new SupportTicketRAGEngine(faqBase);

    // 测试 1：高置信度匹配，自动构建 Prompt
    const ticketA = "  我的账号密码忘记了，无法登录了，怎么重置密码？  ";
    const resA = await engine.processAndRoute(ticketA);
    console.log(`\n[工单 A 路由指令]:`, resA.action);
    console.log(`[生成的 Prompt]:\n${resA.finalPrompt}\n`);

    // 测试 2：匹配置信度不足，无缝回源人审
    const ticketB = "你们的产品在 Linux 系统上如何安装部署？";
    const resB = await engine.processAndRoute(ticketB);
    console.log(`[工单 B 路由指令]:`, resB.action);
    console.log(`[处理动作]: ${resB.finalPrompt}`);
})();

四、自动化流转与安全边界的权衡

实际应用中，需在自动化率和风险之间找到平衡点：

1. 自动回复比例与投诉风险的权衡：降低置信度阈值可提高结案率，但可能增加模型误判风险。涉及“赔偿”、“退款金额”或“投诉法律诉讼”等关键词的工单，必须进入人工队列。
2. 轻量内存哈希与分布式向量数据库的选择：若 FAQ 数据集在几百条以内，使用内存匹配或 pgvector 的极简索引即可满足需求。初创团队无需一开始就采购昂贵的 Pinecone 或 Milvus 集群。
3. 数据隐私合规与第三方 API 请求：将敏感工单传输给外部闭源 API 存在合规风险。若合规要求高，应选用本地部署的 7B 等轻量开源大模型进行初步过滤，确保数据不出网。

五、总结

AI 在客服中的价值并非完全取代人工，而是处理 80% 以上的常见问题，释放人力。通过引入轻量 RAG 本地检索作为前置防线，辅以高置信度 Prompt 约束，客服团队可以用较低的技术配置和服务器预算，显著提升业务处理效率。

质量评分

标准：

• 45-50 分：优秀，已去除 AI 痕迹
• 35-44 分：良好，仍有改进空间
• 低于 35 分：需要重新修订

得分：42/50
说明： 文本已显著去除 AI 痕迹，语言更自然流畅。但仍存在少量技术术语堆砌和结构化的表达，可进一步优化以增加真实感。