AI智能工單緊急度分類系統

Ticket Urgency Classification

基於RAG架構的智能工單分類系統，透過向量檢索歷史案例，自動判斷工單緊急程度，支援自動記錄和異常告警

12 NodesAI & MLAI_Agent客服自動化工單管理

工作流概述

這是一個基於 RAG（檢索增強生成）架構的智能客服工單緊急程度分類系統。該工作流透過 Webhook 接收工單資料，利用 Pinecone 向量資料庫儲存與檢索歷史工單資訊，結合 Anthropic Claude 大型語言模型進行智能分析與分類，最終將處理結果記錄至 Google Sheets，並在發生錯誤時透過 Slack 發送警示通知。

核心功能

該工作流實現了端到端的工單自動化處理流程：

  1. 資料接收與預處理：透過 POST 方式的 Webhook 接收工單資料
  2. 文字向量化：將工單內容分塊並轉換為向量表示
  3. 知識庫管理：在 Pinecone 向量資料庫中儲存與檢索相關工單資訊
  4. 智能分析：使用 AI Agent 結合歷史資料進行緊急程度判斷
  5. 結果記錄：自動將分類結果寫入 Google Sheets
  6. 異常監控：發生錯誤時即時推送 Slack 警示

節點詳細分析

1. Webhook Trigger（入口節點）

節點類型：n8n-nodes-base.webhook
設定參數：

  • HTTP 方法：POST
  • 路徑：ticket-urgency-classification
  • 位置：(-300, 0)

功能說明：作為工作流的觸發入口，監聽外部系統傳送的工單資料。當有新工單建立時，透過 POST 請求將工單資訊傳入此節點。

輸出連接：

  • 主輸出流向 Text Splitter（文字分塊處理）
  • 同時連接到 Window Memory（對話記憶）

2. Text Splitter（文字分塊器）

節點類型：@n8n/n8n-nodes-langchain.textSplitterCharacterTextSplitter
設定參數：

  • 分塊大小：400 字元
  • 重疊長度：40 字元
  • 位置：(-130, 0)

功能說明：將接收到的工單文字內容切分成固定大小的文字區塊，便於後續的向量化處理。40 字元的重疊確保上下文連貫性，避免關鍵資訊在分塊邊界遺失。

輸出連接：

  • 主輸出至 Embeddings
  • AI 文字分塊器輸出至 Pinecone Insert

3. Embeddings（向量嵌入）

節點類型：@n8n/n8n-nodes-langchain.embeddingsCohere
設定參數：

  • 模型：embed-english-v3.0
  • 位置：(70, 0)
  • 憑證：Cohere API

功能說明：使用 Cohere 的嵌入模型將文字區塊轉換為向量表示。該模型專門針對英文文字優化，能捕捉文字的語義資訊。

輸出連接：

  • AI 嵌入輸出同時連接至：
    • Pinecone Insert（儲存向量）
    • Pinecone Query（查詢向量）

4. Pinecone Insert（向量儲存－插入）

節點類型：@n8n/n8n-nodes-langchain.vectorStorePinecone
設定參數：

  • 模式：insert（插入）
  • 索引名稱：ticket_urgency_classification
  • 位置：(270, 0)
  • 憑證：Pinecone API

功能說明：將工單的向量表示儲存至 Pinecone 向量資料庫中，建構歷史工單知識庫。每筆新工單都會被加入索引，用於後續相似工單的檢索。

5. Pinecone Query（向量檢索－查詢）

節點類型：@n8n/n8n-nodes-langchain.vectorStorePinecone
設定參數：

  • 索引名稱：ticket_urgency_classification
  • 位置：(270, -180)
  • 憑證：Pinecone API

功能說明：從 Pinecone 向量資料庫中檢索與目前工單最相似的歷史工單。透過向量相似度計算，找出語義相近的案例作為分類參考。

輸出連接：AI 向量儲存輸出至 Vector Tool

6. Vector Tool（向量工具）

節點類型：@n8n/n8n-nodes-langchain.toolVectorStore
設定參數：

  • 工具名稱：Pinecone
  • 描述：Vector context
  • 位置：(450, -180)

功能說明：將向量檢索能力封裝為 AI Agent 可呼叫的工具。Agent 可透過此工具主動查詢相關的歷史工單資訊。

輸出連接：AI 工具輸出至 RAG Agent

7. Window Memory（滑動視窗記憶）

節點類型：@n8n/n8n-nodes-langchain.memoryBufferWindow
版本：1.3
位置：(450, -40)

功能說明：為 AI Agent 提供短期記憶能力，保存最近的對話上下文。這使得 Agent 能理解多輪對話中的上下文關係。

輸出連接：AI 記憶輸出至 RAG Agent

8. Chat Model（語言模型）

節點類型：@n8n/n8n-nodes-langchain.lmChatAnthropic
位置：(450, -340)
憑證：Anthropic API

功能說明：使用 Anthropic Claude 大型語言模型作為 Agent 的推理引擎。Claude 負責理解工單內容、分析相關歷史案例並做出緊急程度判斷。

輸出連接：AI 語言模型輸出至 RAG Agent

9. RAG Agent（檢索增強生成代理）

節點類型：@n8n/n8n-nodes-langchain.agent
設定參數：

  • 提示類型：define
  • 文字："Handle data"
  • 系統訊息："You are an assistant for Ticket Urgency Classification"
  • 位置：(720, -40)

功能說明：工作流的核心決策節點。此 Agent 整合了語言模型、向量檢索工具與記憶系統，能夠：

  • 分析目前工單的內容與特徵
  • 呼叫向量工具檢索相似的歷史案例
  • 結合上下文記憶做出智能判斷
  • 輸出工單的緊急程度分類結果

輸出連接：

  • 主輸出至 Append Sheet
  • 錯誤輸出至 Slack Alert

10. Append Sheet（資料記錄）

節點類型：n8n-nodes-base.googleSheets
設定參數：

  • 操作：append（追加）
  • 文件 ID：SHEET_ID
  • 工作表名稱：Log
  • 欄位映射：Status
  • 位置：(930, -40)
  • 憑證：Google Sheets OAuth2 API

功能說明：將 Agent 的分類結果自動追加至 Google Sheets 的日誌表中。這提供了可稽核的歷史紀錄，方便後續的資料分析與模型優化。

11. Slack Alert（錯誤警示）

節點類型：n8n-nodes-base.slack
設定參數：

  • 頻道：#alerts
  • 訊息範本："Ticket Urgency Classification error: {$json.error.message}"
  • 位置：(930, 120)
  • 憑證：Slack API

功能說明：工作流的錯誤處理節點。當 RAG Agent 執行出現異常時，自動向 Slack 的 #alerts 頻道發送錯誤詳情，確保團隊能及時回應並修復問題。

12. Sticky Note（說明註解）

節點類型：n8n-nodes-base.stickyNote
設定參數：

  • 內容："Placeholder for Ticket Urgency Classification"
  • 高度：530px
  • 寬度：1100px
  • 顏色：5
  • 位置：(-480, -240)

功能說明：視覺化的說明註解，為工作流提供文件說明。

資料流向分析

主流程

  1. 工單接收 → Webhook Trigger 接收外部工單資料
  2. 文字處理 → Text Splitter 分塊 → Embeddings 向量化
  3. 知識儲存 → Pinecone Insert 儲存向量至資料庫
  4. 相似檢索 → Pinecone Query 檢索相關歷史案例
  5. 智能分析 → RAG Agent 綜合分析並分類
  6. 結果記錄 → Append Sheet 寫入 Google Sheets

輔助流程

  • 上下文記憶：Webhook → Window Memory → RAG Agent
  • 工具呼叫：Pinecone Query → Vector Tool → RAG Agent
  • 模型支援：Chat Model → RAG Agent
  • 異常處理：RAG Agent (onError) → Slack Alert

技術堆疊

  • 工作流引擎：n8n
  • 向量資料庫：Pinecone
  • 嵌入模型：Cohere embed-english-v3.0
  • 語言模型：Anthropic Claude
  • 資料儲存：Google Sheets
  • 通知系統：Slack
  • 架構模式：RAG（檢索增強生成）

優勢特點

  1. 智能化：利用 AI 自動判斷工單緊急程度，減少人工干預
  2. 上下文感知：透過向量檢索歷史相似案例，提升分類準確性
  3. 可擴展：隨著處理工單增多，知識庫自動累積，模型效能持續提升
  4. 可追溯：所有分類結果記錄至 Google Sheets，便於稽核與分析
  5. 高可靠：錯誤自動警示，確保系統穩定運作

應用場景

  • 客服工單自動分流
  • IT 運維故障工單優先級排序
  • 客戶反饋緊急程度評估
  • 支援請求智能路由
  • 任何需要自動化文字分類的場景