AI智能工单紧急度分类系统

Ticket Urgency Classification

基于RAG架构的智能工单分类系统,通过向量检索历史案例,自动判断工单紧急程度,支持自动记录和异常告警

12 NodesAI & MLAI_Agent客服自动化工单管理

工作流概述

这是一个基于 RAG (检索增强生成) 架构的智能客服工单紧急程度分类系统。该工作流通过 Webhook 接收工单数据,利用 Pinecone 向量数据库存储和检索历史工单信息,结合 Anthropic Claude 大语言模型进行智能分析和分类,最终将处理结果记录到 Google Sheets,并在出现错误时通过 Slack 发送告警通知。

核心功能

该工作流实现了端到端的工单自动化处理流程:

  1. 数据接收与预处理: 通过 POST 方式的 Webhook 接收工单数据
  2. 文本向量化: 将工单内容分块并转换为向量表示
  3. 知识库管理: 在 Pinecone 向量数据库中存储和检索相关工单信息
  4. 智能分析: 使用 AI Agent 结合历史数据进行紧急程度判断
  5. 结果记录: 自动将分类结果写入 Google Sheets
  6. 异常监控: 发生错误时实时推送 Slack 告警

节点详细分析

1. Webhook Trigger (入口节点)

节点类型: n8n-nodes-base.webhook
配置参数:

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

功能说明: 作为工作流的触发入口,监听外部系统发送的工单数据。当有新工单创建时,通过 POST 请求将工单信息传入该节点。

输出连接:

  • 主输出流向 Text Splitter (文本分块处理)
  • 同时连接到 Window Memory (会话记忆)

2. Text Splitter (文本分块器)

节点类型: @n8n/n8n-nodes-langchain.textSplitterCharacterTextSplitter
配置参数:

  • 分块大小: 400 字符
  • 重叠长度: 40 字符
  • 位置: (-130, 0)

功能说明: 将接收到的工单文本内容切分成固定大小的文本块,便于后续的向量化处理。40 字符的重叠确保了上下文连贯性,避免关键信息在分块边界丢失。

输出连接:

  • 主输出到 Embeddings
  • AI 文本分块器输出到 Pinecone Insert

3. Embeddings (向量嵌入)

节点类型: @n8n/n8n-nodes-langchain.embeddingsCohere
配置参数:

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

功能说明: 使用 Cohere 的嵌入模型将文本块转换为向量表示。该模型专门针对英文文本优化,能够捕捉文本的语义信息。

输出连接:

  • AI 嵌入输出同时连接到:
    • Pinecone Insert (存储向量)
    • Pinecone Query (查询向量)

4. Pinecone Insert (向量存储-插入)

节点类型: @n8n/n8n-nodes-langchain.vectorStorePinecone
配置参数:

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

功能说明: 将工单的向量表示存储到 Pinecone 向量数据库中,构建历史工单知识库。每个新工单都会被添加到索引中,用于后续的相似工单检索。

5. Pinecone Query (向量检索-查询)

节点类型: @n8n/n8n-nodes-langchain.vectorStorePinecone
配置参数:

  • 索引名称: ticket_urgency_classification
  • 位置: (270, -180)
  • 凭证: Pinecone API

功能说明: 从 Pinecone 向量数据库中检索与当前工单最相似的历史工单。通过向量相似度计算,找出语义相近的案例作为分类参考。

输出连接: AI 向量存储输出到 Vector Tool

6. Vector Tool (向量工具)

节点类型: @n8n/n8n-nodes-langchain.toolVectorStore
配置参数:

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

功能说明: 将向量检索能力封装为 AI Agent 可调用的工具。Agent 可以通过该工具主动查询相关的历史工单信息。

输出连接: AI 工具输出到 RAG Agent

7. Window Memory (滑动窗口记忆)

节点类型: @n8n/n8n-nodes-langchain.memoryBufferWindow
版本: 1.3
位置: (450, -40)

功能说明: 为 AI Agent 提供短期记忆能力,保存最近的对话上下文。这使得 Agent 能够理解多轮对话中的上下文关系。

输出连接: AI 记忆输出到 RAG Agent

8. Chat Model (语言模型)

节点类型: @n8n/n8n-nodes-langchain.lmChatAnthropic
位置: (450, -340)
凭证: Anthropic API

功能说明: 使用 Anthropic Claude 大语言模型作为 Agent 的推理引擎。Claude 负责理解工单内容、分析相关历史案例并做出紧急程度判断。

输出连接: AI 语言模型输出到 RAG Agent

9. RAG Agent (检索增强生成代理)

节点类型: @n8n/n8n-nodes-langchain.agent
配置参数:

  • 提示类型: define
  • 文本: "Handle data"
  • 系统消息: "You are an assistant for Ticket Urgency Classification"
  • 位置: (720, -40)

功能说明: 工作流的核心决策节点。该 Agent 整合了语言模型、向量检索工具和记忆系统,能够:

  • 分析当前工单的内容和特征
  • 调用向量工具检索相似的历史案例
  • 结合上下文记忆做出智能判断
  • 输出工单的紧急程度分类结果

输出连接:

  • 主输出到 Append Sheet
  • 错误输出到 Slack Alert

10. Append Sheet (数据记录)

节点类型: n8n-nodes-base.googleSheets
配置参数:

  • 操作: append (追加)
  • 文档 ID: SHEET_ID
  • 工作表名称: Log
  • 列映射: Status
  • 位置: (930, -40)
  • 凭证: Google Sheets OAuth2 API

功能说明: 将 Agent 的分类结果自动追加到 Google Sheets 的日志表中。这提供了可审计的历史记录,方便后续的数据分析和模型优化。

11. Slack Alert (错误告警)

节点类型: n8n-nodes-base.slack
配置参数:

  • 频道: #alerts
  • 消息模板: "Ticket Urgency Classification error: {$json.error.message}"
  • 位置: (930, 120)
  • 凭证: Slack API

功能说明: 工作流的错误处理节点。当 RAG Agent 执行出现异常时,自动向 Slack 的 #alerts 频道发送错误详情,确保团队能及时响应和修复问题。

12. Sticky Note (说明注释)

节点类型: n8n-nodes-base.stickyNote
配置参数:

  • 内容: "Placeholder for Ticket Urgency Classification"
  • 高度: 530px
  • 宽度: 1100px
  • 颜色: 5
  • 位置: (-480, -240)

功能说明: 可视化的说明注释,为工作流提供文档说明。

数据流向分析

主流程

  1. 工单接收 → Webhook Trigger 接收外部工单数据
  2. 文本处理 → Text Splitter 分块 → Embeddings 向量化
  3. 知识存储 → Pinecone Insert 保存向量到数据库
  4. 相似检索 → Pinecone Query 检索相关历史案例
  5. 智能分析 → RAG Agent 综合分析并分类
  6. 结果记录 → Append Sheet 写入 Google Sheets

辅助流程

  • 上下文记忆: Webhook → Window Memory → RAG Agent
  • 工具调用: Pinecone Query → Vector Tool → RAG Agent
  • 模型支持: Chat Model → RAG Agent
  • 异常处理: RAG Agent (onError) → Slack Alert

技术栈

  • 工作流引擎: n8n
  • 向量数据库: Pinecone
  • 嵌入模型: Cohere embed-english-v3.0
  • 语言模型: Anthropic Claude
  • 数据存储: Google Sheets
  • 通知系统: Slack
  • 架构模式: RAG (检索增强生成)

优势特点

  1. 智能化: 利用 AI 自动判断工单紧急程度,减少人工干预
  2. 上下文感知: 通过向量检索历史相似案例,提高分类准确性
  3. 可扩展: 随着处理工单增多,知识库自动积累,模型性能持续提升
  4. 可追溯: 所有分类结果记录到 Google Sheets,便于审计和分析
  5. 高可靠: 错误自动告警,确保系统稳定运行

应用场景

  • 客服工单自动分流
  • IT 运维故障工单优先级排序
  • 客户反馈紧急程度评估
  • 支持请求智能路由
  • 任何需要自动化文本分类的场景