假设要开发一个智能工单分类系统，请拆解 AI 可参与的环节并说明技术选型思路

标签：大模型

🏛 业务架构师

智能工单分类系统，我先按价值链拆解 AI 可参与的环节，再讲选型：

AI 参与环节拆解：

工单受理：语音/文本转标准文本（ASR+清洗）——多模态模型直接做。
意图识别与分类：判断问题类型（故障/咨询/投诉）与紧急度——这是核心环节。
路由分发：按分类结果匹配处理组——规则引擎做，AI 只给输入。
辅助处理：检索知识库生成回复建议——RAG。
质检与闭环：工单解决质量抽检、用户情绪识别——分类模型。

技术选型思路（按分类环节展开）：

冷启动期（日几百单）：提示工程+Few-shot 调用通用 API 模型，零训练成本，准确率可到 85%，两周上线验证价值；
成长期（日数千单）：积累的标注数据足够后，微调 7B 小模型（QLoRA）私有化部署，成本降 90%、时延从秒级到百毫秒，准确率到 90%+；
不确定样本：置信度低于阈值的工单转人工，人工结果回流训练数据——形成数据飞轮。

架构原则：AI 做"判断"，流程编排（升级、超时、回访）交给规则引擎；每个 AI 环节埋点人工纠错率，作为持续优化的北极星指标。分期投入，先让分类环节自证 ROI，再扩到辅助回复。

🏗 系统架构师

智能工单分类系统，我先做环节拆解，再讲每个环节的技术选型逻辑——AI 参与边界由"收益 × 风险 × 可自动化程度"决定：

环节拆解：

接入与预处理：多渠道（电话转写、邮件、IM）工单归一化——转写和清洗用专用 ASR/规则，不依赖 LLM；
意图理解与分类（AI 核心环节①）：一级/多级分类（故障/咨询/投诉/建议 + 产品线 + 优先级）。选型：QPS 高、类目稳定 → 微调小模型（7B LoRA）或 Embedding+分类头，毫厘级成本；类目频繁变动 → LLM zero-shot + 分类 Schema，改类目不改模型；
关键信息抽取（AI 环节②）：设备型号、错误码、时间地点 → 结构化输出 + Schema 校验，供路由和知识库检索；
智能路由（AI 环节③）：按分类+优先级+技能组匹配；规则引擎为主，LLM 处理边界案例；
辅助回复建议（AI 环节④）：RAG 检索知识库生成回复草稿，人工确认发送（人在环中）；
闭环沉淀：人工修正结果回流标注池，定期重训/更新示例库。

架构原则：确定性决策（SLA、路由规则）留给规则引擎，LLM 只做语义理解类任务；分类环节要求 P99 < 1s、准确率 >90% 达标可自动化；全程留人工兜底通道与纠正反馈闭环——冷启动期人工标注同时是训练数据资产。

💻 全栈开发专家

智能工单分类系统，我按「AI 参与环节 + 选型思路」拆解：

环节拆解：

入口预处理：标题+正文拼接、去噪（系统自动附加的日志尾巴）、长度截断；
核心分类：工单类型（故障/咨询/投诉）+ 紧急度 + 责任组三级分类；
辅助生成：分类理由生成（给人看）、建议回复草稿、关联知识库文章推荐；
兜底：置信度低的转人工，人工结果回流。

选型思路（分阶段演进，这是重点）：

冷启动期：LLM API + few-shot + 输出 JSON schema，一周上线。few-shot 示例从历史工单挑边界样本（表述模糊的、跨类的）；
数据积累期：线上人工纠错的数据自动入库做标注集，攒到 5 万+；
降本期：用 LLM 的预测当伪标签 + 人工标注校准，微调 Qwen-1.5B 小模型替换 API，分类这种封闭集合任务小模型 F1 完全能打平，单条成本降 99%；
长尾处理：聚类挖掘误分类模式，反向补充训练数据和 prompt 示例。

关键工程点：分类体系先做归一化（把 200 个老旧类别合并成 40 个标准类，这一步业务价值比模型还大）；置信度校准（temperature=0 + logprobs 阈值）决定自动通过还是人工复核；分类服务 QPS 高，务必缓存相同文本结果。