客诉流程的 AI 重塑：基于 RAG 与 LLM 的智能工单质检与分流实践

星辰AI

538人浏览 · 2026-06-21 11:10:00

星辰AI · 2026-06-21 11:10:00 发布

客诉流程的 AI 重塑：基于 RAG 与 LLM 的智能工单质检与分流实践

一、流程错分与响应拖延：传统人工客服分发质检的业务痛点

在很多传统行业以及中大型互联网平台中，客诉客服系统是维系客户关系的核心纽带。然而，随着日均工单数量破万，传统的纯人工工单分发与质检流程开始暴露出明显的痛点。工单的初步划分和定级主要依赖客服人员根据主观直觉在后台勾选，流转错分、漏分类的情况屡见不鲜，导致高优先级的重要问题被淹没在普通工单中。

同时，质检主管在对成千上万的历史回复进行合规性审查时，只能采取抽样质检的方式，很难做到 100% 的风险覆盖。一些不合规的回复（如客服做出了违反公司政策的赔偿承诺）极易引发次生纠纷。作为追求极致效率和实用主义的技术实践者，如何结合检索增强生成（RAG）与大语言模型（LLM）能力，在工单入口实现自动清洗、精准分类，并对自动回复草稿进行严格的边界拦截，是实现企业客服业务智能化重塑的破局点。

二、基于知识库 RAG 与大模型判定的智能客诉分流架构

要实现低开销、高抗压的智能质检与自动分流，系统必须能够将用户提报的工单与企业历史的标准 FAQ 数据库进行相似度匹配，把最相关的条款抓取出来作为限制条件，约束大模型进行判定。

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

这一架构的核心原则是：用低成本的本地检索做快速拦截，把高风险和不确定的场景无感流转给人工专家。

三、生产级工单文本清洗、特征匹配与 Prompt 动态注入引擎实现

为了使这套架构能够轻量运行，我们需要构建一个工单前置处理和 RAG 规则检索的核心管理器。它负责过滤危险的特殊字符、计算特征关键词的覆盖率，并自动包装出高安全的提示词结构输出。

以下是使用 JavaScript (Node.js) 实现的智能工单质检处理器源码：

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、完全的自动化流转与人工安全拦截的边界权衡（Trade-offs）

在实际工程落地中，我们不能为了盲目追求自动化率而对安全风险妥协：

自动回复比率与恶性客诉率的权衡：降低语义匹配置信度可以让自动结案率从 40% 攀升至 70%，但这会极大地增加大模型面对复杂长客诉时误读产生幻觉的风险。一旦在涉及“赔偿”、“退款金额”或“投诉法律诉讼”等关键词上给出了不符合政策的承诺，将引发恶性的公关和财务损失。这类工单在第一阶段必须直接进入人工队列。
轻量内存哈希与昂贵的分布式向量数据库：如果项目的 FAQ 数据集在几百条以内，使用本文内存中的直接匹配或 pgvector 的极简索引，其性能和低成本是显而易见的。对于初创团队，绝无必要在第一天就采购维护昂贵的 Pinecone 或 Milvus 分布式集群。
数据隐私合规与第三方 API 请求：将客户的敏感工单（可能包含电话、订单号）传输给外部闭源 API 存在合规风险。若合规红线极高，应选用本地单机部署的 7B 等中轻量开源大模型，进行工单的提取分类与初步过滤，虽然牺牲了部分复杂的通用推理，但保证了数据不出网。