从 0 到 1 做工单处理 Multi-Agent：分类、补全、执行、回访的可复用流程

从 0 到 1 做工单处理 Multi-Agent：分类、补全、执行、回访的可复用流程引言在当今快速发展的数字化时代，企业每天都会收到大量的工单请求。这些工单可能来自客户反馈、内部系统告警、服务请求等多种渠道。如何高效、准确地处理这些工单，直接影响着企业的运营效率和客户满意度。传统的工单处理方式通常依赖人工操作，存在处理速度慢、错误率高、难以规模化等问题。随着人工智能技术的发展，特别是大语言模型（LLM）和多智能体（Multi-Agent）系统的兴起，我们现在有了全新的解决方案。在这篇文章中，我将带领大家从 0 到 1 构建一个工单处理的 Multi-Agent 系统，涵盖分类、补全、执行、回访等核心环节，并设计一个可复用的流程框架。核心概念在深入探讨技术实现之前，让我们先明确一些核心概念：工单（Ticket）工单是记录问题、请求或任务的载体，通常包含以下要素：工单ID：唯一标识标题：简要描述内容：详细信息状态：待处理、处理中、已完成等优先级：高、中、低创建时间、更新时间提交人信息分类标签多智能体系统（Multi-Agent System）多智能体系统是由多个相互作用的智能体组成的系统，每个智能体具有特定的功能和目标，通过协作完成复杂任务。在工单处理场景中，我们的 Multi-Agent 系统将包含以下核心智能体：分类智能体（Classifier Agent）：负责将工单分配到正确的类别补全智能体（Completer Agent）：补充工单中缺失的关键信息执行智能体（Executor Agent）：根据工单类型执行相应操作回访智能体（Follower Agent）：跟进处理结果，收集反馈智能体协作模式智能体之间通过消息传递进行协作，常见的协作模式包括：顺序协作：一个智能体完成任务后传递给下一个并行协作：多个智能体同时处理不同方面混合协作：结合顺序和并行的方式问题背景与描述传统工单处理的痛点让我们先看看传统工单处理流程中存在的问题：人工分类效率低：大型企业每天可能收到数千工单人工分类需要专业知识，培训成本高分类错误导致处理延迟信息不完整：用户提交工单时往往信息不全需要人工反复沟通补充信息延长了处理周期处理流程不规范：不同处理人员有不同的操作习惯缺乏标准化流程难以保证服务质量缺乏有效回访：工单处理完成后缺乏跟进无法及时了解客户满意度错过改进机会问题描述我们需要构建一个 Multi-Agent 系统来解决以下问题：自动分类：将工单准确分配到相应类别智能补全：识别并补充工单中的缺失信息自动执行：根据工单类型执行标准化操作智能回访：自动跟进处理结果并收集反馈可复用流程：设计灵活的架构，适应不同业务场景系统设计与架构整体架构设计让我们首先来看一下系统的整体架构：输出层工具与服务层Multi-Agent 核心层输入层工单提交接口工单队列Orchestrator协调器Classifier Agent分类智能体Completer Agent补全智能体Executor Agent执行智能体Follower Agent回访智能体LLM 接口知识库工单数据库外部系统接口通知服务处理结果分析报告核心模块设计1. 协调器（Orchestrator）协调器是整个系统的大脑，负责：任务分发和调度智能体之间的通信协调流程控制和状态管理异常处理和重试机制2. 分类智能体（Classifier Agent）分类智能体的核心功能：理解工单内容基于预定义分类体系进行分类计算分类置信度处理边界情况和歧义3. 补全智能体（Completer Agent）补全智能体的职责：分析工单信息完整性识别缺失的关键字段基于上下文推断缺失信息必要时生成追问问题4. 执行智能体（Executor Agent）执行智能体的工作：根据分类结果选择执行策略调用相应的工具和服务记录执行过程和结果处理执行中的异常情况5. 回访智能体（Follower Agent）回访智能体的任务：确定回访时机和方式生成回访内容收集和分析反馈生成处理报告概念结构与核心要素组成让我们用 ER 图来展示核心概念之间的关系：hashasbelongs_tocreated_byprocessed_byperformsusescontainsTICKETstringidPKstringtitletextcontentstringstatusstringprioritydatetimecreated_atdatetimeupdated_atTICKET_LOGCOMMENTCATEGORYstringidPKstringnamestringdescriptionstringparent_idFK