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。
不只给结论，还要回答“为什么”。
用户可围绕当前工单继续追问。每次回答都绑定原始证据、版本与适用范围；追问只用于解释和方案推演，不会绕过审批直接执行。
已检索 7 条，采用 3 条证据置信度 92%
为什么不建议直接退款？
现有证据表明，客户核心诉求是获得月度报表，而不是终止服务。优先补交报表并提供服务补偿，能更低成本地修复履约关系；退款额度仍需主管确认。
判断依据诉求可通过补交付解决，直接退款不符合当前 SOP 的优先顺序。
建议动作2 小时内导出报表，解释致歉；补偿方案进入独立审批。
引用证据点击问题后同步更新
异常与回退
若报表无法补交、客户明确终止服务，或合同条款存在冲突，停止自动建议并转人工复核。
RAG 找到可信依据，Agent、Skill 与 MCP 推动行动。
点击每个层级，查看输入、处理、输出与异常回退；模型负责非确定性判断，规则和人工守住执行边界。
01 / 业务输入
把分散上下文变成可判断的工单事实
统一工单、客户、合同和历史协同记录，先解决“信息是否完整、身份是否一致”。
工单原文、客户等级、合同编号、销售沟通和历史处理记录。
字段标准化、实体匹配、数据权限检查和缺失信息识别。
结构化工单上下文、风险信号和待补充字段。
客户身份不一致、关键字段缺失或越权访问时，要求人工补充并记录审计日志。
执行结果 → 知识回流 → 评测样本 → 下一轮优化
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。
以下为原型阶段的验证路径、指标设计与阶段判断，不代表生产环境实测结果。
V0.1
意图与风险基线
产品假设
模型能从工单文本识别诉求、影响和高风险信号。
评测指标
意图 F1、高风险召回率、P95 响应时间。
验证结论
生成更快，但没有证据的结论难以被业务采纳。
下一步判断
接入 RAG，让判断可追溯。
V0.2
RAG 证据增强
产品假设
混合召回、重排与版本过滤可提升证据覆盖。
评测指标
Recall@5、MRR、引用准确率、检索 P95。
验证结论
结论可以回到原文；过期与冲突知识仍需拦截。
下一步判断
增加时效校验、拒答与人工复核。
V0.3
Agent + Skills
产品假设
固定业务 Skill 能让建议更稳定、更符合审批边界。
评测指标
事实一致性、规则符合率、建议采纳率、风险误放行率。
验证结论
高风险动作必须保留人工确认和独立审批。
下一步判断
将建议拆为可执行任务，并记录修改原因。
V0.4
MCP 工具执行
产品假设
标准工具接口能把决策可靠地推入审批和执行系统。
评测指标
工具调用成功率、任务创建成功率、端到端 P95、回退率。
验证结论
接口超时和重复调用要求幂等、重试、回滚与审计。
下一步判断
先影子运行，再灰度开放低风险动作。
V0.5
闭环评测与学习
产品假设
执行结果与人工修改原因能持续校正知识和评测集。
评测指标
SLA、解决时长、返工率、人工接管率、样本增长率。
验证结论
模型指标只能作为过程信号，最终仍需回到业务结果。
上线门槛
离线评测通过后，按风险等级逐步扩大流量。