1. 项目概述:零代码Agent训练与工单智能分拣
工单分拣一直是企业客服和运维团队的痛点。传统规则引擎需要人工维护大量if-else逻辑,而机器学习方案又面临数据标注和模型调优的高门槛。openJiuwen提出的"上下文自演进"方案,让非技术人员也能通过对话方式训练出可用的智能分拣Agent。
这个方案最吸引我的地方在于:
- 完全零代码交互,业务人员可直接参与训练
- 系统会持续从处理结果中学习(自演进)
- 支持多轮对话式工单信息补全
- 内置领域自适应能力,可自动识别新工单类型
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心架构解析
2.1 上下文自演进机制
系统采用记忆网络+增量学习的混合架构:
- 短期记忆:维护当前会话的工单上下文
- 长期记忆:存储历史工单处理模式
- 增量更新:每天凌晨自动合并新知识
关键设计:采用向量相似度而非精确匹配,使系统能处理表述差异
2.2 零代码训练界面
通过自然语言交互实现训练:
- 输入示例工单:"服务器CPU负载持续高于90%"
- 标注处理部门:运维中心
- 补充关键特征词:["CPU告警","性能瓶颈"]
- 系统自动生成分类规则
训练过程支持即时测试,可输入相似工单验证效果。
3. 实施落地详解
3.1 环境部署
推荐使用Docker-compose快速部署:
bash复制docker pull openjiuwen/core:3.2
docker-compose -f prod.yaml up
3.2 数据准备
只需准备两类数据:
- 历史工单样本(至少200条)
- 部门职责说明文档
系统会自动提取:
- 工单关键词
- 部门处理范围映射
- 常见问题模式
3.3 训练流程
典型训练会话示例:
code复制用户:教您处理新工单
系统:请描述工单内容
用户:"官网支付页面报错500"
系统:建议分配给哪个部门?
用户:支付技术组
系统:已记录。需要添加特征词吗?
用户:["支付失败","HTTP500"]
4. 效果优化技巧
4.1 特征词管理
- 避免使用过于宽泛的词如"问题"
- 建议组合使用:技术词+业务词(如"MySQL慢查询")
- 定期查看系统自动发现的隐藏特征
