01
信息散落
工单、CRM、合同、SOP 与历史案例彼此割裂，客服需要反复切换查找。
让复杂工单进入可信决策
从投诉到解决，
让每次决策更可信。
面向企业客户投诉与退款场景，连接工单、客户记录、合同条款与服务知识，让 AI 给出有证据的判断，由人确认边界并推动执行。
查看完整闭环
6 个核心页面覆盖判断、协同与复盘
贯穿一张 ¥36,800 退款工单
业务背景需求洞察方案定义决策闭环效果验证
围绕真实业务责任设计
工单识别✦RAG 证据✦AI 决策✦人工确认✦协同执行✦效果复盘✦
✦✦✦✦✦✦
一张高风险工单，为什么总要跨团队找答案？
问题不在于客服回复得不够快，而在于信息、判断与执行分散在多个系统和角色之间。
02
判断依赖经验
风险等级和补偿尺度缺少统一依据，关键结论无法被复核与复用。
03
动作难以闭环
方案确认后仍要手工建任务、催审批，结果也没有回到下一次决策。
HIGH-RISK TICKET
先识别真正需要被处理的问题。
用风险、SLA、客户等级和投诉趋势形成统一优先级。
需求洞察 / AI 问题理解需求洞察
原始需求是自动回复，真正需求是可信决策。
高风险工单不是“说什么”的问题，而是“依据什么做决定、谁承担责任、结果如何验证”的问题。
- 每个结论都能回到原始证据
- 每个方案都有明确业务边界
- 每个动作都能分派、验收和复盘
AI 负责汇总、推理与建议，人负责确认、审批与最终决策。
理解问题
读取诉求、客户等级、历史承诺与潜在风险。
检索证据
关联 SOP、合同规则、销售记录与相似工单。
生成方案
输出原因、建议动作、责任人和验收标准。
保留边界
财务补偿和例外方案必须由对应角色审批。
从工单进入，到知识回流结束。
围绕同一张退款工单，把识别、推理、核验、审批、执行与复盘串成一条可追踪路径。
六个页面，完成一条工单闭环。
从运营判断到知识回流，每个页面只承担一个清晰的业务职责。
演示数据 / 原型验证目标，不代表生产环境真实结果01 / 运营总览
先找到最需要处理的工单
聚合投诉趋势、风险等级、SLA 与闭环状态，让运营主管先决定今天处理什么。
RAG 找到可信依据，AI Agent 组织决策与行动。
检索、推理、规则与人工审批共同约束决策边界。
业务数据
工单 / CRM / 合同 / 历史协同
RAG 证据层
混合检索 / 重排 / 时效与权限校验
AI Agent 决策层
问题理解 / 原因分析 / 方案编排
人机协同
人工确认 / 独立审批 / 任务执行
效果复盘 → 知识回流 → 评测样本
治理底座
权限控制按角色与数据范围控制检索、审批和执行操作审计保留证据版本、方案修改与审批记录异常回退低置信度、证据冲突或系统异常时转人工
效果验证
闭环是否有效，最终要回到业务结果。
同时观察服务质量、协同效率与 AI 建议采纳情况，不用单一模型准确率替代产品价值。
核心指标演示数据
对比周期：上线前 30 天 vs 本期 30 天 · 有效工单样本 1,842 条
68% → 82%退款申请撤回率
17.4h → 6.2h平均解决时长
82% → 96%SLA 达成率
84.2%AI 建议采纳率
口径说明：退款申请撤回率按撤回退款申请工单数 ÷ 退款申请工单数计算；平均解决时长从首次受理至验收完成；SLA 达成率按约定时限内完成的有效工单计算。
演示数据 / 原型验证目标，不代表生产环境真实结果
从生成回复，到推动结果发生。
每一轮迭代都在回答：AI 能否更接近真实业务责任，而不是只产出更多文本。
识别问题
从工单文本中识别诉求与风险，但结论缺少可信依据。
验证发现输出速度更快，但业务人员不敢直接采纳。接入 RAG
让每个结论回到原文、版本和适用范围。
验证结果结论可以复核，过期知识仍需单独拦截。加入人机协同
增加方案调整、人工确认和财务独立审批。
验证结果高风险动作均进入对应角色审批。建立闭环学习
把执行结果沉淀为知识与后续评测样本。
验证目标用真实执行结果持续校正知识和评测集。