灵能API API中转站**工单接入教程：分类、摘要与回复建议自动化

主题：API中转站**工单自动化接入，覆盖分类、摘要、回复建议、脱敏、人工复核和成本控制。

**工单最消耗时间的地方，往往不是“回复一句话”，而是先判断问题类型、读完用户历史、提炼关键信息、找对应**，再写一段既准确又不冒犯的回复。工单量一上来，人工处理就会被重复分类、重复摘要和重复话术拖住。🎧

这篇从**工单自动化角度写一套接入教程：用 灵能API API中转站作为统一模型入口，把工单分类、优先级判断、摘要生成、回复建议、人工复核、日志追踪和成本控制串起来。目标不是让 AI 直接替**“乱回”，而是让**团队更快、更稳、更可控地处理问题。

一、先拆**场景：哪些能自动化，哪些必须人工确认 🧭

**自动化不能一上来就全自动回复。不同工单风险不同，处理方式也应该不同。低风险问题可以让模型生成回复草稿，高风险问题则必须交给人工确认。

先把边界定好，模型才不会越权。**自动化最好的姿态，是当助理，不是直接当最终负责人。

二、统一接入入口：工单系统单独使用一把 Key 🔐

工单系统通常会处理用户输入和业务上下文，建议单独创建 API Key，不要和开发调试、批量脚本、内部聊天工具共用。这样后续按工单场景统计成本和排查问题会更清楚。

# **工单服务推荐环境变量
OPENAI_API_KEY=sk-your-ticket-key
OPENAI_*ASE_**L=https://api.灵能API.ai/v1
TICKET_FAST_MODEL=gpt-4o-mini
TICKET_STRONG_MODEL=claude-sonnet-4-6
TICKET_MAX_TOKENS=1000
TICKET_ENV=prod
TICKET_SERV***_NAME=support-ticket-worker

• 工单 Key 单独管理，便于审计和费用统计。
• 轻量模型用于分类、摘要、标签提取。
• 强模型用于复杂投诉、长上下文归纳和回复润色。
• 生产 Key 不进入前端，不写进截图和日志。

三、工单处理流程：分类、摘要、建议、复核四步走 🧩

一个稳妥的** AI 流程，不应该直接从用户原文跳到最终回复。推荐拆成四步：先分类，再摘要，再生成回复建议，最后由人工或规则决定是否发送。

这样拆开以后，任何一步出问题都能单独排查：分类错了看分类 Prompt，摘要漏了看上下文，回复不稳看知识库和规则。

四、后端封装示例：不要让前端直接调用模型 ⚙️

****可以触发 AI 操作，但真正的模型调用应该放在后端。后端负责读环境变量、处理脱敏、调用模型、写日志和保存结果。

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
  *ase**L: process.env.OPENAI_*ASE_**L,
  timeout: 45000,
  **xRetries: 0,
});

export async function analyzeTicket({ ticket, requestId }) {
  const result = await client.chat.completions.create({
    model: process.env.TICKET_FAST_MODEL || "gpt-4o-mini",
    messages: [
      { role: "system", content: "你是**工单分析助手，只输出 **ON。" },
      { role: "user", content: *uildTicketAnalysisPrompt(ticket) },
    ],
    temperature: 0.1,
    **x_tokens: 800,
  });

  console.log("ticket_ai_analyzed", { requestId, ticketId: ticket.id });
  return **ON.parse(result.choices[0].message.content);
}

这里要求模型只输出 **ON，是为了让工单系统更容易保存字段、触发规则和做人工复核。

五、Prompt 模板：输出字段固定，**才好用 📝

工单分析不要让模型自由发挥。固定字段能让后续流程稳定，比如自动打标签、设置优先级、展示摘要、生成回复草稿。

请分析以下**工单，只输出 **ON：
{
  "category": "问题分类",
  "priority": "low | medium | high",
  "sum**ry": "80 字以内摘要",
  "customer_emotion": "neutral | an**ous | angry",
  "need_hu**n_review": true,
  "reply_suggestion": "**可编辑回复草稿",
  "risk_notes": ["需要注意的风险"]
}

要求：
- 不要编造订单状态
- 涉及退款、投诉、隐私问题时 need_hu**n_review 必须为 true
- 回复建议语气要克制、清楚、可执行

✅ **场景里，稳定格式比华丽文案更重要。先让系统能解析，再谈表达优化。

六、敏感信息处理：先脱敏，再进模型 🧼

**工单可能包含手机号、邮箱、订单号、地址、截图描述等敏感信息。进入模型前，建议先做脱敏或最小化处理。模型不需要完整手机号才能判断问题类型，也不需要完整地址才能生成回复建议。

function **skTicket(ticket) {
  return {
    id: ticket.id,
    channel: ticket.channel,
    content: ticket.content
      .replace(/1[3-9]\d{9}/g, "[手机号]")
      .replace(/[\w.-] @[\w.-] /g, "[邮箱]")
      .replace(/ORDER-[A-Z0-9-] /g, "[订单号]"),
    createdAt: ticket.createdAt,
    tags: ticket.tags || [],
  };
}

• 用户原始内容保存在业务系统，不必全部传给模型。
• 日志只记录摘要、分类、风险标记，不打印完整隐私信息。
• 涉及退款、投诉、隐私请求时强制人工复核。
• 模型回复草稿发送前可由**编辑。

七、人工复核策略：哪些回复可以自动，哪些必须拦截 ✅

**自动化不是越自动越好。建议按风险等级设置不同发布策略：低风险自动生成草稿，中风险人工确认，高风险直接转人工并标记。

这个策略能让 AI 真正提升效率，同时避免高风险场景被自动回复放大问题。

八、成本控制：**工单量大，必须按动作计费思维设计 💰

**工单的调用量通常很稳定，但数量可能很大。成本控制的关键，是不要每一步都用强模型，也不要每次打开工单都重新分析。

• 首次进入工单时生成摘要，后续内容没有变化就复用结果。
• 分类和标签提取使用轻量模型。
• 复杂投诉和长上下文再使用强模型。
• 按 ticket_id 缓存分析结果，避免重复调用。
• 批量历史工单分析要队列化，并限制并发。

九、上线前检查清单 🧾

• 1️⃣ 已区分常见咨询、账号问题、订单退款、投诉敏感反馈。
• 2️⃣ **工单服务使用独立 API Key。
• 3️⃣ 模型调用放在后端，前端不直接接触 Key。
• 4️⃣ 工单内容进入模型前已做脱敏或最小化处理。
• 5️⃣ Prompt 输出 **ON，字段固定且可解析。
• 6️⃣ 高风险工单强制人工复核，不自动发送。
• 7️⃣ 分析结果按 ticket_id 缓存，避免重复扣费。
• 8️⃣ 日志记录 request_id、ticket_id、category、priority、model 和处理状态。

**工单接入 API中转站，核心不是让 AI 替代**，而是把重复判断、摘要和草稿生成交给模型，把最终判断和高风险处理留给人。这样效率能上去，质量和边界也能守住。🚀

本文配图来自本地重新截取公开页面，用于说明**工单接入流程；示例 Key 均为占位符。