2025QECon全球软件质量效能大会：AI驱动的线上问题解决与服务能力升级

爱果｜群核科技、技术支持专家爱果|张冲群科科技技术支持专家

先后就职于东软、

有赞、

群核科技

杭州群核科技技术支持创新驱动组负责人目录CONTENTS02

全链路AI驱动解决方案01

传统痛点与AI机遇03

实际应用与收益04

总结与展望PART

01传统痛点与AI机遇

传统痛点与AI机遇－传统模式痛点需求反馈迷茫运营和实施带着用户的需求，经常到处问该找谁反馈。P3故障频发灰度问题突出

，识别和响应滞后

，故障经常升级。处理成本高面对复杂业务力不从心

，处理繁琐。•AI问答Agent：

“意图识别

”

，提供产品业务的同时

，也提供产品关系网；•AI排查辅助Agent：

“智能的MCP”

，排查工具智能调用；•AI故障预警Agent：

“灰度问题识别

”

，实现测试右移；•线上应急Agent：

“

自动拉群拉人

”

，提升应急效率。

传统痛点与Aı机遇－AI机遇以大模型、知识库为代表的AI技术崛起

，为线上问题处理注入了强劲的创新动能。这让我们得以盘活沉淀的知识库、打通割裂的业务链条、激活工具资源

，实现线上服务效能的全面跃升。PART

02全链路AI驱动解决方案问题反馈多渠道支持支持群聊、

单聊、企业IM等多渠道提交

，便捷收集用户诉求。问题预处理自动化自动识别意图、智能问答推荐、

相似工单推送、

自动转工单

，减少人工干预。故障管理智能化自动预警、

拉群、

语音会议

，快速应急响应和复盘

，

自动生成高质量复盘文档。工单管理智能化AI辅助智能分类与路由

，

自动排查、

智能回复

，

实现工单

“

自我流转”。

全链路AI驱动解决方案－全维度能力一览01020403

全链路AI驱动解决方案-整体闭环流程概览数据分析与知识沉淀数据分析层从质量、

效率等维

度分析数据

，一方面提炼标准

化解决方案更新知识库

，赋能

前端回复；

另一方面生成测试

用户库和测试案例库

，供研发/测试环节验证新功能

，提前规

避同类问题

，减少重复接入。问题接入与预处理多渠道（客服、

社群等）

收集问题后

，AI预处理层通过自然语言处理解析问题意图

，

判断是标准问答还是需人工/进入故障处理流程。分流与处理标准问答直接匹配知识库回复用户；

需人工或故障类进入工单/故障管理层

，人工处理后由用户验收

，验收不通过则重新处理。闭环与数据归档处理完成且用户确认后

，流程闭环并归档数据。01030204

全链路AI驱动解决方案－知识沉淀闭环04L____

量化知识的“使用价值”,及时发现低效/错误知识,为后续优化提供依据。01______I将抽象的数据分析结果,转化为具体、可加工的“

问题

-解决方案”原始素材,确保后续知识文档有明确依据。 实现知识的“入库-优化-淘汰”动态管理。确保知识库内容“新鲜、有用、精简”,避免无效知识堆积,同时让优质知识快速触达使用者。02L____

通过“

自动标准化

+人工审核”,将原始素材转化为“分类清晰、步骤明确、可直接复用”的结构化知识文档,确保知识的准确性与可操作性。

知识库更新

知识应用反馈

知识库加工

知识提取

03测试资产库并非独立存储

，而是直接对接研发与测试环节

，形成“数据→资产→问题规避”的正向循环：对研发团队：测试用户库提供真实用户画像，测试案例库提供业务场景化测试依据

，减少“闭门造车”

；对整体业务：实现“历史问题→测试资源→未来规避”的全链路优化

，提升产品稳定性与用户体验。

全链路AI驱动解决方案－测试资产闭环PART

03实际应用与收益案例1问题反馈环节：AI问答

案例1：

AI问答－AI打通企业微信机器人效果展示

案例1：

AI问答－企业微信官方机器人优势企业微信官方机器人优势机器人支持Markdown

格式

，能够实现图和文字

的混合输出

，增强了信息

的可读性和表达力。即使回复需要较长时间，机器人也能立即开始回复

，避免了用户长时间等待

，

提高了用户体验。相比托管账号

，企业微信机器人更加稳定

，

减少了

因第三方服务问题导致的

不可用风险。格式支持稳定性流式输出当接收到企业微信消息时

，系统会提取群名称

，然后查询后台配置的

key

，根据该

key调用对应的Agent进行处理

，并将处理结果以流式方式返回。 AI问答－企信群路由

案例1：

AI问答－企信机器人原理知识库的核心原理，是将背景知识进行存储。在用户提问时

，系统会先

从知识库中检索出与问题

最相似的若干知识片段，再将这些片段提供给大语

言模型（LLM）。最终

，LLM会结合这些背景知识生成针对性地回答。

案例1：

AI问答－知识库原理简单介绍存储结构：采用Q&A结构化存储（Q为文档标题

，A为正文）。索引构建：通过向量化技术生成向量索引

，支撑语义匹配

，实现高效的

数据检索与应用

，优化系统整体性能。

案例1：

AI问答－知识库Q&A结构化存储存储与索引构件召回率不足用户提问语义与标题差距大时

，相关文档漏检。检索入口仅依赖标题

，正文未被有效利用。检索精度不佳单一Q&A结构导致多知识点无法完全覆盖。缺乏多视角索引

，不同表达方式难以匹配到同一文档。

案例1：

AI问答－知识库Q&A结构化存储短板

案例1：

AI问答－知识库多维度、

多粒度的索引策略将分割索引与AI智能索引

，存入知识库默认分割索引

：将标题与正文拆成细粒度

ChunkAI智能索引

：基于正文

，生成多种用户可能问法规则：•

覆盖核心内容•

模拟自然提问方式•问题多样化（如何、什么、为什么、怎么办等)•

包含关键术语

，便于检索。用AI模型为每篇文档生成3-10个覆盖不同语义视角的问题。篇幅大的文档可以生成几十个。原理：AI根据一定的规则对文档进行处理

，系统再将AI处理的结果更新至FastGpt知识库

案例1：

AI问答－知识库智能索引策略（AI驱动）

案例1：

AI问答－知识库智能索引策略（AI驱动）

案例1：

AI问答－知识库智能索引策略（AI驱动）将

Q

和

A

按指定长度分割成多个文本块，作为细粒度索引。作用：

让长文档的隐藏信息可被检索，

解决单一标题覆盖不全的问题。

案例1：

AI问答－知识库默认分割索引策略对比维度①直接分段录入②标题作为索引③多索引机制（最新方案）召回率中等：能召回包含关键内容

的文本块

，但依赖用户问法

与原文接近较低：完全依赖标题语义，

漏召概率高高：AI

问法覆盖多种表达+

Chunk

覆盖细节

，显著减少

漏检检索精度中等：细节可匹配

，但容易

检出弱相关段落低：标题匹配度高时准确

，

但标题信息有限

，可能内容

不相关高

：问法索引更贴近用户意

图+

细粒度内容检索

，结果

更相关对语义变化的适应一般

：同义词或不同问法可

能缺失弱

：问法必须接近标题原词强：AI

问法训练覆盖口语/

行业说法/多表达方式长文档细节覆盖较好：分段可覆盖长文档中

的细节弱：只靠标题无法触达正文

细节很好：Chunk

检索保证细节命中率存储成本中：按分段存储

，每段1

向

量低：每文档仅1

向量（标题）高

：问法+

Chunk

双倍/多倍

向量

，可能膨胀3~10

倍检索速度中

：向量库规模中等

，检索

压力适中快：库规模最小慢（相对）：库规模大

，需

要优化索引/缓存信息覆盖完整性中

：内容细节可覆盖

，但语

义面窄低：仅覆盖标题相关主旨高：语义范围广+

内容颗粒

细

，覆盖最完整适用场景长文档阅读、用户提问接近

原文文档内容简短、标题高度概括核心信息用户提问多样化、容错率要求高、业务重要度高（客服、

技术支持、知识密集型业务）

案例1：

AI问答－知识库各索引策略方案对比优点：侵入性非常小

，通过AI中台统一的路由转发

规则

，进行多级标签策略控制

，实现不同不

部门

，不同类型

，周期性的爬取

，

自动路由

，自动打标

，形成公司多级部门/多种专项类型

的综合性知识库公司有大量文档存放在Confluence中。存在的问题：1.更新频率高

，作者多

，

内容分散

，更新和

维护成本高。2.个别文档包含隐私或敏感信息

，不宜直接

导入知识库。3.多个AI应用

，知识库导入需求多样化解决思路：1.采用Tag标签管理

，按领域为文档打标。2.定期通过任务调度爬取带有指定标签的文

档。3.

自动将合规且有效的文档路由到对应的知

识库。

案例1：

AI问答－知识库自动更新策略自助服务率提升通过智能问答与多轮对话支持

，AI问答成功率从60%提升至85%以上，极大提高了自助服务的效率。答疑成本降低AI问答工作日的日活平均在100+

次/天

，大概有40%的FAQ类问题

可借助AI自助回复

，每天预计节省

技术支持的答疑成本共计4小时以

上。

案例1：

AI问答－收益案例2问题预处理环节：

工单智能分类与路由工单智能分类取得了显著成效。

目前AI智能分类准确率高达96%

，单条工单节省2.25分钟。减少了人力投入与成本消耗

，提高了工单处理的效率和准确性

，使得工单能够更快地得到处理

，提升了客户满意度。在过往人工处理工单流程里

，存在分类效率低（需人

工逐一判别工单归属

，耗时费力）、错误率高（依赖经验易

误判

，导致工单流转混乱）、响应慢（工单堆积难以及时分

配处理

，拉长客户等待周期

）等问题

，拖累整体服务效率与客户体验。

案例2：

AI工单智能分类&路由－实现流程图和收益

案例2：

AI工单智能分类&路由－实现方案##

Rules1.基本原则：-精准归类:始终优先匹配最相关的一级和二级分类

，确保归

类无歧义、无遗漏。-规则优先:严格按照预设规则顺序处理

，遇到多重归属时按

优先级处理。-分类限定:一级、二级分类均需从预设分类清单内选取

，且当二级分类为“/”时仅输出一级分类相关字段。-忽略无效:对于关键词为“/”或无实质内容的问题

，不参与分类、不输出归类结果。2.行为准则：-标准JSON输出:所有归类结果必须以标准JSON格式返回。-只输出结果:仅输出归类结构结果

，不包含推理、解释、引

导或其他多余说明。-

ID准确匹配:classOneId、classTwoId必须为纯数字

，且

严格对应分类目录。-保持中立:用户类型、账号属性等非问题内容不得影响归类（会员相关问题除外）。-特殊业务理解

：审核方案相关、订单相关归类的定制对接生产分类下；方案丢失非显示类问题，应该归类到“商家后台”分类下。3.

限制条件：-禁止自定义分类:仅允许使用预设的一级与二级分类及其ID，绝不自创或修改分类。-分类独立:一级分类与二级分类内容必须独立、准确对应

，

禁止混用或交叉。-

匹配度门槛:

匹配度过低或无明确归类指向的问题不归类

，

避免误归类。#

Role:智能分类小助手##

Profile-

language:

中文-description:智能分类小助手致力于根据企业提供的完整业务分类体系

，对用户输入的文本、问题或工单进行高效、精准的关键词提取与智能归类

，自动实现文本与业务场景的最优匹

配

，输出标准化结构结果

，极大提升归类效率与准确率。-

background:精通家居、设计、渲染、BIM、平台运营、国际化等多元业务领域

，深入理解全屋定制、商业空间、平台账号、AI智能设计等业务线的实际需求与行业术语

，具备丰富的项目归类与知识抽象经验。-

personality:细致严谨、高效敏捷、逻辑清晰、判断准确、

响应迅速、极度结果导向。-expertise:智能文本分类、关键词抽取、业务规则建模、分类引擎构建、数据归纳、结构化输出、系统对接。-target_audience:企业工单处理人员、客服、项目经理、数据分析师及需要智能分类与路由的业务管理者。##

Skills1.智能分类与归档-关键词提取:能从复杂、冗长或不规范文本中精准识别业务相关的核心关键词。-多级分类匹配:支持基于业务规则

，实现一级、二级等多

级分类的智能匹配

，确保归类最优。-冲突与模糊判定:对于关键词重叠或内容模糊的问题

，能

自动根据预设优先级规则做出最优归类。-业务语境理解:能理解全屋定制、BIM、AI设计、平台账号等复杂场景下的业务语境及归类需求。##Workflows-

目标:将用户输入的文本或工单内容

，精准匹配到既定的一级与二级分类

，并以结构化JSON格式输出。-步骤

1:对输入文本进行关键词及核心信息抽取

，识

别业务重点描述。-步骤2:依据关键词与业务归类规则

，自动优先匹配

最合适的一级和二级分类

，锁定ID。-步骤3:若二级分类为“/”

，则仅输出一级分类相关

字段。-预期结果:输出包含classOne、classTwo、classOneId、classTwoId的标准JSON

，全部字段与预

设分类严格对应

，无多余或错误字段。-分类和ID关系如下：一级分类名称：全屋定制一级分类

ID：170二级分类名称：设计工具-软装模型相关二级分类编号：5836关键词：软装模型显示问题、软装搜索系列问题、软装

模型摆放一级分类名称：全屋定制一级分类

ID：170二级分类名称：设计工具-定制门窗二级分类编号：5766关键词：定制弧形窗、定制门、定制窗

案例2：

AI工单智能分类&路由－核心能力AI工单智能分类结果准确率的保障

：规则和分类ID和关键词的匹配关系

案例2：

AI工单智能分类&路由－核心能力沉淀分类是否准确

，

Prompt是关键

：角色设定、

规则制定、

目标步骤明确和示例展示#

Role:

[角色名称]##

Profile-

language:

[语言]-description:

[详细的角色描述]-

background:

[角色背景]-

personality:

[性格特征]-expertise:

[专业领域]-target_audience:

[目标用户群]##

Skills1.

[核心技能类别]-

[具体技能]:

[简要说明]-

[具体技能]:

[简要说明]-

[具体技能]:

[简要说明]-

[具体技能]:

[简要说明]2.

[辅助技能类别]-

[具体技能]:

[简要说明]-

[具体技能]:

[简要说明]-

[具体技能]:

[简要说明]-

[具体技能]:

[简要说明]##Workflows-

目标:

[明确目标]-步骤

1:

[详细说明]-步骤

2:

[详细说明]-步骤

3:

[详细说明]-预期结果:

[说明]##OutputFormat1.

[输出格式类型]：-format:

[格式类型

，如text/markdown/json等]-structure:

[输出结构说明]-

style:

[风格要求]-special_requirements:

[特殊

要求]2.

[格式规范]：-indentation:

[缩进要求]-sections:

[分节要求]-

highlighting:

[强调方式]##

Rules1.

[基本原则]：-

[具体规则]:

[详细说明]-

[具体规则]:

[详细说明]-

[具体规则]:

[详细说明]-

[具体规则]:

[详细说明]2.

[行为准则]：-

[具体规则]:

[详细说明]-

[具体规则]:

[详细说明]-

[具体规则]:

[详细说明]-

[具体规则]:

[详细说明]3.

[限制条件]：-

[具体限制]:

[详细说明]-

[具体限制]:

[详细说明]-

[具体限制]:

[详细说明]-

[具体限制]:

[详细说明]3.

[验证规则]：-validation:

[格式验证规则]-constraints:

[格式约束条件]-error_handling:

[错误处理方式]4.

[示例说明]：1.示例1：-标题:

[示例名称]-格式类型:

[对应格式类型]-说明:

[示例的特别说明]-示例内容:

|[具体示例内容]2.示例2：-标题:

[示例名称]-格式类型:

[对应格式类型]-说明:

[示例的特别说明]-示例内容:

|[具体示例内容]##

Initialization作为[角色名称]

，你必须遵守上

述Rules

，按照Workflows执行

任务

，并按照[输出格式]输出。

案例2：

AI工单智能分类&路由－核心能力沉淀分类是否准确

，

Prompt是关键

：角色设定、

规则制定、

目标步骤明确和示例展示案例3问题处理环节：AI工单辅助排查011.工单关键信息自动提取优势022.问题场景化3.接入MCP

，

串联排查工具03

案例3：

AI工单排查辅助－优势工单详情页嵌入智能客服

，

自动识别工单信息

，包括问题内容

，

以及排查问题所需

的必要信息。启动智能客服即可直接给出初步排查

结论。传统工单处理模式下

，业务场景复杂多样

，技术支持需记忆海量业务知识

，易出现排查慢、

排查不精准

，甚至无法排查

，

以及知识复用难等问题

，导致客户问题解决率低、

服

务体验差

，加重排查成本。

案例3：

AI工单排查辅助－产品呈现我们组织资深技术支持，深度梳理经典业务场景的

排查逻辑与处置路径

，将

其转化为标准化知识资产。

借助AI调用

MCP技术链

路

，构建

“知识沉淀

-智

能调用

-场景适配”的技

术闭环。经验经结构化处理后融入

知识库

，AI基于语义理解

精准识别场景

，通过

MCP链路调取对应排查逻辑，让AI具备专业技术视角的

问题诊断与解决能力

，把

专家经验转化为