客服工单的智能路由与跨系统编排

每年大促落幕，社交平台上关于“找客服难”的抱怨时常出现。退货、破损、开票这几件事分别落在仓储、物流、财务手里，一件客诉要在多个责任方之间被反复转手。协同效率想再上一个台阶，仅靠增加对接人可能不够，需要让流程更顺畅地运转。工单在工单系统、ERP、CRM 之间靠人工搬运，责任界定慢，处理进度没有统一视图，SLA（服务等级协议）什么时候要违约了没人提前知道。

把历史工单变成能检索的知识

想让系统替人派单，得先让它读明白过去是怎么处理的。文档处理引擎干的是打底的工作：它兼容 PDF、Word、Excel、CSV、TXT、MD、HTML 和图片，上传后自动识别类型并抽取原始文本。

抽出来的长文本不能直接塞给模型，得切。系统用语义分块，按意思边界把文章切成有独立含义的小段，这比按固定字数切分通常更准确，因为模型拿到的是完整语义而非不完整的句子。切完用 BGE-M3 模型转成 1024 维向量，存进 Milvus。Milvus 是开源向量引擎，支持 IVF_FLAT、HNSW 这类索引算法，海量非结构化数据可支持较低延迟的相似度搜索。

检索不靠向量一种方式。系统同时接 Elasticsearch 做全文关键词匹配，再用混合检索把两者融起来，返回的结果通常比单走语义或单走关键词更为准确。这套组合是 RAG（检索增强生成）的知识基础，作用很实在：给大模型喂对的片段，有助于减少编造内容，问答可靠性有望提升。BGE-M3 本身支持多语言和多功能向量，跨境业务的工单也能一并处理。

把责任画成一张网

只有文档检索还不够，跨部门协同要的是关系。知识图谱系统会从历史工单里自动抽实体，比如部门、产品型号、问题类型，再识别它们之间的关系，像"物流破损归物流部""发票错误归财务部"这类关联。这些实体和关系最后落到 Neo4j，一款原生图数据库可将复杂关联直观呈现。

建好之后，核心价值是一张"问题类型—责任部门—处置模板—SLA 时效"的协同网络。你想查"华东仓发出的破损件一般几天内要回复"，用 Cypher 语言写一句匹配路径就能把答案推出来，系统可辅助识别哪些环节可能存在瓶颈。管理层可减少翻阅记录的工作量，更方便地查看协同瓶颈。

让派单自动发生

前面是知识与关系，真正让工单动起来的是动态 Agent 编排。它允许用户用一份 JSON 或 YAML 配置，像搭积木一样把工作流拼出来，通常无需编写代码。

起点由 Start 可用于接收输入、初始化上下文；LLM 可用于意图识别和生成；遇到分支就交给 If 进行条件选路；要连外部系统，REST API 可用于对接工单、ERP、CRM；邮件网页里的结构化数据由 Data Extractor 提取；可复用能力通过 Skill 节点调用。节点之间可通过状态传递自动流转，前一个的输出下一个可直接引用，多节点可支持并行执行。

在客诉场景中，意图识别加规则引擎可辅助判断这单归谁，if/else 可选择走哪条路，REST API 可将工单推送至对应系统或部门。LangGraph 的 Checkpointer 做记忆持久化。

流程跑起来，让协同真正发生

真要把跨部门协同做顺，难点从来不在模型多聪明，在于流程能不能不依赖某个人就自己转。前面那套文档解析、知识图谱、Agent 编排加私有化部署，合起来才是一副能落地的骨架。

小艾智能体可将文档处理、Neo4j 知识图谱、Milvus 向量检索、LangGraph 编排和私有化部署配置为一套系统，企业可用于对接自己的工单、ERP 和 CRM，有助于将多部门协同从依赖人工对接逐步转向流程驱动。