Claude Platform Docs
РекомендацииСценарии использования

Маршрутизация тикетов

В этом руководстве показано, как использовать продвинутые возможности Claude по пониманию естественного языка для масштабной классификации обращений в службу поддержки на основе намерения клиента, срочности, приоритета, профиля клиента и других факторов.

Предварительные требования

  • Ключ API Claude и установленный Anthropic SDK
  • Доступ к вашей существующей системе тикетов поддержки и знакомство с ней
  • Выборка исторических тикетов поддержки для тестирования

Определите, стоит ли использовать Claude для маршрутизации тикетов

Вот несколько ключевых признаков того, что для вашей задачи классификации стоит использовать “large language model” (большую языковую модель), или LLM, такую как Claude, вместо традиционных подходов “machine learning” (машинного обучения), или ML:


Создайте и разверните рабочий процесс поддержки на основе LLM

Изучите ваш текущий подход к поддержке

Прежде чем автоматизировать, крайне важно понять вашу существующую систему тикетов. Начните с изучения того, как ваша команда поддержки в настоящее время выполняет маршрутизацию тикетов.

Рассмотрите такие вопросы:

  • Какие критерии используются для определения применяемого SLA/предложения услуг?
  • Используется ли маршрутизация тикетов для определения того, на какой уровень поддержки или к какому специалисту по продукту направляется тикет?
  • Существуют ли уже какие-либо автоматизированные правила или рабочие процессы? В каких случаях они дают сбой?
  • Как обрабатываются пограничные случаи или неоднозначные тикеты?
  • Как команда приоритизирует тикеты?

Чем больше вы знаете о том, как люди обрабатывают определённые случаи, тем лучше вы сможете работать с Claude над выполнением задачи.

Определите категории намерений пользователей

Чётко определённый список категорий намерений пользователей крайне важен для точной классификации тикетов поддержки с помощью Claude. Способность Claude эффективно маршрутизировать тикеты в вашей системе прямо пропорциональна тому, насколько чётко определены категории вашей системы.

Вот несколько примеров категорий и подкатегорий намерений пользователей.

Помимо намерения, на маршрутизацию и приоритизацию обращений могут влиять и другие факторы, такие как срочность, тип клиента, SLA или язык. Обязательно учитывайте другие критерии маршрутизации при создании вашей автоматизированной системы маршрутизации.

Установите критерии успеха

Совместно с вашей командой поддержки определите чёткие критерии успеха с измеримыми ориентирами, пороговыми значениями и целями.

Вот несколько стандартных критериев и ориентиров при использовании LLM для маршрутизации тикетов поддержки:

Вот некоторые распространённые критерии успеха, которые могут быть полезны независимо от того, используется ли LLM:

Выберите подходящую модель Claude

Выбор модели зависит от компромиссов между стоимостью, точностью и временем ответа.

Claude Haiku 5.5 (claude-haiku-5-5) подходит для маршрутизации обращений: это самая быстрая и экономичная из текущих моделей, и при уровне усилий low она справляется с простыми запросами большого объёма, такими как классификация. Если ваша задача классификации требует глубокой предметной экспертизы, большого числа категорий намерений или сложных рассуждений, вы можете выбрать более крупную модель Sonnet.

Создайте сильную подсказку

Маршрутизация тикетов — это разновидность задачи классификации. Claude анализирует содержимое тикета поддержки и относит его к предопределённым категориям на основе типа проблемы, срочности, требуемой экспертизы или других релевантных факторов.

Напишите подсказку для классификации тикетов. Начальная подсказка должна содержать содержимое запроса пользователя и возвращать как рассуждение, так и намерение.

Вот пример подсказки для классификации при маршрутизации тикетов:

def classify_support_request(ticket_contents):
    # Определяем подсказку для задачи классификации
    classification_prompt = f"""You will be acting as a customer support ticket classification system. Your task is to analyze customer support requests and output the appropriate classification intent for each request, along with your reasoning.

        Here is the customer support request you need to classify:

        <request>{ticket_contents}</request>

        Please carefully analyze the above request to determine the customer's core intent and needs. Consider what the customer is asking for has concerns about.

        First, write out your reasoning and analysis of how to classify this request inside <reasoning> tags.

        Then, output the appropriate classification label for the request inside a <intent> tag. The valid intents are:
        <intents>
        <intent>Support, Feedback, Complaint</intent>
        <intent>Order Tracking</intent>
        <intent>Refund/Exchange</intent>
        </intents>

        A request may have ONLY ONE applicable intent. Only include the intent that is most applicable to the request.

        As an example, consider the following request:
        <request>Hello! I had high-speed fiber internet installed on Saturday and my installer, Kevin, was absolutely fantastic! Where can I send my positive review? Thanks for your help!</request>

        Here is an example of how your output should be formatted (for the above example request):
        <reasoning>The user seeks information in order to leave positive feedback.</reasoning>
        <intent>Support, Feedback, Complaint</intent>

        Here are a few more examples:
        <examples>
        <example 2>
        Example 2 Input:
        <request>I wanted to write and personally thank you for the compassion you showed towards my family during my father's funeral this past weekend. Your staff was so considerate and helpful throughout this whole process; it really took a load off our shoulders. The visitation brochures were beautiful. We'll never forget the kindness you showed us and we are so appreciative of how smoothly the proceedings went. Thank you, again, Amarantha Hill on behalf of the Hill Family.</request>

        Example 2 Output:
        <reasoning>User leaves a positive review of their experience.</reasoning>
        <intent>Support, Feedback, Complaint</intent>
        </example 2>
        <example 3>

        […]

        </example 8>
        <example 9>
        Example 9 Input:
        <request>Your website keeps sending ad-popups that block the entire screen. It took me twenty minutes just to finally find the phone number to call and complain. How can I possibly access my account information with all of these popups? Can you access my account for me, since your website is broken? I need to know what the address is on file.</request>

        Example 9 Output:
        <reasoning>The user requests help accessing their web account information.</reasoning>
        <intent>Support, Feedback, Complaint</intent>
        </example 9>

        Remember to always include your classification reasoning before your actual intent output. The reasoning should be enclosed in <reasoning> tags and the intent in <intent> tags. Return only the reasoning and the intent.
        """

Вот ключевые компоненты этой подсказки:

  • Шаблон подсказки вставляет ticket_contents в теги <request>.
  • Подсказка даёт Claude чётко определённую роль системы классификации, которая тщательно анализирует содержимое тикета, чтобы определить основное намерение и потребности клиента.
  • Подсказка инструктирует Claude о правильном форматировании вывода — в данном случае предоставлять рассуждения и анализ внутри тегов <reasoning>, а затем соответствующую метку классификации внутри тегов <intent>.
  • Подсказка указывает допустимые категории намерений: Support, Feedback, Complaint, Order Tracking и Refund/Exchange.
  • Подсказка включает несколько примеров (так называемый «few-shot prompting» — подсказки с несколькими примерами), чтобы проиллюстрировать, как должен быть отформатирован вывод, что повышает точность и согласованность.

Если Claude разделяет свой ответ на отдельные разделы с XML-тегами, вы можете использовать регулярные выражения, чтобы независимо извлекать из вывода рассуждение и намерение. Это позволяет создавать целевые следующие шаги в рабочем процессе маршрутизации тикетов, например использовать только намерение для решения о том, какому сотруднику направить тикет.

Разверните вашу подсказку

Трудно понять, насколько хорошо работает ваша подсказка, не развернув её в тестовой производственной среде и не проведя оценки.

Постройте структуру развёртывания. Начните с определения сигнатуры функции, оборачивающей вызов Claude. Расширьте функцию, которую вы начали писать ранее и которая принимает ticket_contents на вход, чтобы теперь она возвращала обоснование и намерение на выходе. Если у вас уже есть автоматизация на основе традиционного ML, вам стоит придерживаться её сигнатуры.

import re

# Создаём экземпляр клиента Claude API
client = anthropic.Anthropic()

# Задаём модель по умолчанию
DEFAULT_MODEL = "claude-haiku-5-5"


def classify_support_request(ticket_contents):
    # Определяем подсказку для задачи классификации
    classification_prompt = f"""You will be acting as a customer support ticket classification system.
        […]
        ... The reasoning should be enclosed in <reasoning> tags and the intent in <intent> tags. Return only the reasoning and the intent.
        """
    # Отправляем подсказку в API для классификации запроса в поддержку.
    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=2048,
        output_config={"effort": "low"},
        messages=[{"role": "user", "content": classification_prompt}],
        stream=False,
    )
    reasoning_and_intent = next(
        (block.text for block in message.content if block.type == "text"), ""
    )

    # Используем библиотеку регулярных выражений Python для извлечения `reasoning`.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # Аналогично извлекаем также `intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

    return reasoning, intent

Этот код:

  • Создаёт экземпляр клиента с использованием вашего ключа API.
  • Определяет функцию classify_support_request(), которая принимает строку ticket_contents.
  • Отправляет ticket_contents в Claude для классификации с использованием classification_prompt.
  • Возвращает рассуждение и намерение модели, извлечённые из ответа.

Поскольку весь текст рассуждения и намерения должен быть сгенерирован до разбора, в примере не используется потоковая передача ответа.


Оцените вашу подсказку

Подсказки часто требуют тестирования и оптимизации, чтобы быть готовыми к производственному использованию. Чтобы определить готовность вашего решения, оцените производительность на основе критериев успеха и пороговых значений, которые вы установили ранее.

Чтобы провести оценку, вам нужны тестовые случаи, на которых её можно запустить. В оставшейся части этого руководства предполагается, что вы уже разработали свои тестовые случаи.

Создайте функцию оценки

Пример оценки в этом руководстве измеряет работу Claude по двум ключевым метрикам:

  • Точность
  • Стоимость одной классификации

Возможно, вам понадобится оценивать Claude и по другим параметрам в зависимости от того, какие факторы для вас важны.

Для этой оценки сначала измените скрипт так, чтобы он сравнивал предсказанное намерение с фактическим. Затем сделайте так, чтобы он возвращал использование токенов вызовом API, по которому можно рассчитать стоимость.

import re

# Создаём экземпляр клиента Claude API
client = anthropic.Anthropic()

# Задаём модель по умолчанию
DEFAULT_MODEL = "claude-haiku-5-5"


def classify_support_request(ticket_contents, actual_intent):
    # Определяем подсказку для задачи классификации
    classification_prompt = f"""You will be acting as a customer support ticket classification system.
        […]
        ...The reasoning should be enclosed in <reasoning> tags and the intent in <intent> tags. Return only the reasoning and the intent.
        """

    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=2048,
        output_config={"effort": "low"},
        messages=[{"role": "user", "content": classification_prompt}],
    )
    usage = message.usage  # Get the usage statistics for the API call for how many input and output tokens were used.
    reasoning_and_intent = next(
        (block.text for block in message.content if block.type == "text"), ""
    )

    # Используем библиотеку регулярных выражений Python для извлечения `reasoning`.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # Аналогично извлекаем и `intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

    # Проверяем, верно ли предсказание модели.
    correct = actual_intent.strip() == intent.strip()

    # Возвращаем reasoning, intent, correct и usage.
    return reasoning, intent, correct, usage

Вот разбор внесённых изменений:

  • Функция classify_support_request() теперь принимает actual_intent из тестовых случаев и сравнивает его с классификацией намерения, выполненной Claude, чтобы определить, совпадают ли они.
  • Функция извлекает статистику использования для вызова API, чтобы рассчитать стоимость на основе использованных входных и выходных токенов.

Запустите вашу оценку

Для правильной оценки нужны чёткие пороговые значения и эталонные показатели, позволяющие определить, какой результат считается хорошим. Приведённый выше скрипт возвращает значения, необходимые для измерения точности и стоимости одной классификации, но вам всё равно нужны чётко установленные пороговые значения. Например:

  • Точность: 95% (из 100 тестов)
  • Стоимость одной классификации: снижение в среднем на 50% (по 100 тестам) по сравнению с текущим методом маршрутизации

Наличие этих пороговых значений позволяет вам в масштабе и на основе беспристрастных эмпирических данных определить, какой метод лучше всего подходит для вас и какие изменения вам, возможно, потребуется внести, чтобы лучше соответствовать вашим требованиям.


Повысьте производительность

В сложных сценариях может быть полезно рассмотреть дополнительные стратегии повышения производительности помимо стандартных методов инженерии подсказок и стратегий внедрения защитных ограничений. Вот несколько распространённых сценариев:

Используйте таксономическую иерархию для случаев с 20+ категориями намерений

По мере роста числа классов растёт и количество необходимых примеров, что может сделать подсказку громоздкой. В качестве альтернативы вы можете рассмотреть внедрение иерархической системы классификации с использованием комбинации классификаторов.

  1. Организуйте ваши намерения в виде таксономической древовидной структуры.
  2. Создайте серию классификаторов на каждом уровне дерева, чтобы сделать возможным каскадный подход к маршрутизации.

Например, у вас может быть классификатор верхнего уровня, который в общих чертах распределяет тикеты по категориям «Technical Issues» (технические проблемы), «Billing Questions» (вопросы по выставлению счетов) и «General Inquiries» (общие вопросы). Каждая из этих категорий затем может иметь собственный подклассификатор для дальнейшего уточнения классификации.

  • Плюсы — больше нюансов и выше точность: вы можете создавать разные подсказки для каждого родительского пути, что обеспечивает более целенаправленную и контекстно-зависимую классификацию. Это может привести к повышению точности и более тонкой обработке запросов клиентов.

  • Минусы — повышенная “latency” (задержка): несколько классификаторов могут привести к увеличению задержки, и Anthropic рекомендует реализовывать этот подход с самой быстрой моделью — Haiku.

Используйте векторные базы данных и поиск по сходству для обработки сильно варьирующихся тикетов

Несмотря на то что предоставление примеров — самый эффективный способ повысить производительность, если запросы в поддержку сильно варьируются, может быть трудно включить достаточное количество примеров в одну подсказку.

В этом сценарии вы можете использовать векторную базу данных для поиска по сходству в наборе примеров и извлечения наиболее релевантных примеров для данного запроса.

Этот подход, подробно описанный в рецепте классификации, позволил повысить точность с 71 до 93 процентов.

Специально учитывайте ожидаемые пограничные случаи

Вот несколько сценариев, в которых Claude может неправильно классифицировать обращения (могут быть и другие, характерные для вашей ситуации). В таких сценариях рассмотрите возможность включить в подсказку явные инструкции или примеры того, как Claude должен обрабатывать пограничный случай:


Интегрируйте Claude в ваш более широкий рабочий процесс поддержки

Правильная интеграция требует принятия некоторых решений относительно того, как ваш скрипт маршрутизации тикетов на основе Claude вписывается в архитектуру вашей более широкой системы маршрутизации тикетов. Есть два способа сделать это:

  • Push-модель: используемая вами система тикетов поддержки (например, Zendesk) запускает ваш код, отправляя событие вебхука в ваш сервис маршрутизации, который затем классифицирует намерение и маршрутизирует тикет.
    • Этот подход лучше масштабируется в веб-среде, но требует от вас предоставления публичной конечной точки.
  • Pull-модель: ваш код запрашивает последние тикеты по заданному расписанию и маршрутизирует их в момент запроса.
    • Этот подход проще в реализации, но может приводить к ненужным вызовам системы тикетов поддержки при слишком высокой частоте запросов или быть чрезмерно медленным при слишком низкой частоте запросов.

Для любого из этих подходов вам нужно обернуть ваш скрипт в сервис. Выбор подхода зависит от того, какие API предоставляет ваша система тикетов поддержки.


Ознакомьтесь с рецептом классификации, чтобы найти больше примеров кода и подробные рекомендации по оценке.

Начните создавать и оценивать ваш рабочий процесс в Claude Console.

Эта страница была полезной?