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:
Традиционные процессы ML требуют огромных размеченных наборов данных. Предобученная модель Claude может эффективно классифицировать тикеты всего на нескольких десятках размеченных примеров, что значительно сокращает время и затраты на подготовку данных.
После того как традиционный подход ML внедрён, его изменение становится трудоёмкой и требующей большого объёма данных задачей. С другой стороны, по мере развития вашего продукта или потребностей клиентов Claude может легко адаптироваться к изменениям в определениях классов или к новым классам без масштабной переразметки обучающих данных.
Традиционные модели ML часто испытывают трудности с неструктурированными данными и требуют обширной инженерии признаков. Продвинутое понимание языка Claude позволяет выполнять точную классификацию на основе содержания и контекста, а не полагаться на строгие онтологические структуры.
Традиционные подходы ML часто опираются на модели «мешка слов» или простое сопоставление с шаблоном. Claude отлично справляется с применением лежащих в основе правил, когда классы определяются условиями, а не примерами.
Многие традиционные модели ML дают мало информации о процессе принятия решений. Claude может предоставлять понятные человеку объяснения своих решений о классификации, укрепляя доверие к системе автоматизации и облегчая адаптацию при необходимости.
Традиционные системы ML часто испытывают трудности с выбросами и неоднозначными входными данными, нередко классифицируя их неверно или относя к универсальной категории по умолчанию. Возможности Claude по обработке естественного языка позволяют лучше интерпретировать контекст и нюансы в тикетах поддержки, потенциально сокращая количество неверно маршрутизированных или неклассифицированных тикетов, требующих ручного вмешательства.
Традиционные подходы ML обычно требуют отдельных моделей или обширных процессов перевода для каждого поддерживаемого языка. Многоязычные возможности Claude позволяют классифицировать тикеты на различных языках без необходимости в отдельных моделях или обширных процессах перевода, упрощая поддержку глобальной клиентской базы.
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.
- Проблема с оборудованием
- Программная ошибка
- Проблема совместимости
- Проблема производительности
- Сброс пароля
- Проблемы с доступом к учётной записи
- Вопросы по выставлению счетов
- Изменения подписки
- Вопросы о функциях
- Вопросы о совместимости продукта
- Информация о ценах
- Вопросы о наличии
- Вопросы «как сделать»
- Помощь в использовании функций
- Советы по лучшим практикам
- Руководство по устранению неполадок
- Отчёты об ошибках
- Запросы функций
- Общие отзывы или предложения
- Жалобы
- Вопросы о статусе заказа
- Информация о доставке
- Возвраты и обмены
- Изменения заказа
- Помощь с установкой
- Запросы на обновление
- Планирование технического обслуживания
- Отмена услуги
- Вопросы о конфиденциальности данных
- Сообщения о подозрительной активности
- Помощь с функциями безопасности
- Вопросы о соответствии нормативным требованиям
- Вопросы об условиях обслуживания
- Запросы юридической документации
- Критические сбои системы
- Срочные проблемы безопасности
- Проблемы, требующие срочного решения
- Запросы на обучение по продукту
- Вопросы о документации
- Информация о вебинарах или семинарах
- Помощь с интеграцией
- Вопросы об использовании API
- Вопросы о совместимости со сторонними решениями
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:
Эта метрика оценивает, насколько согласованно Claude классифицирует похожие обращения с течением времени. Это крайне важно для поддержания надёжности маршрутизации. Измеряйте её, периодически тестируя модель на наборе стандартизированных входных данных и стремясь к уровню согласованности 95 процентов или выше.
Эта метрика измеряет, насколько быстро Claude может адаптироваться к новым категориям или меняющимся шаблонам обращений. Проверяйте её, вводя новые типы обращений и измеряя время, необходимое модели для достижения удовлетворительной точности (например, более 90 процентов) по этим новым категориям. Стремитесь к адаптации в пределах 50–100 примеров обращений.
Эта метрика оценивает способность Claude точно маршрутизировать обращения на нескольких языках. Измеряйте точность маршрутизации для разных языков, стремясь к тому, чтобы падение точности для неосновных языков не превышало 5–10 процентов.
Эта метрика оценивает работу Claude на необычных или сложных обращениях. Создайте тестовый набор пограничных случаев и измерьте точность маршрутизации, стремясь к точности не ниже 80 процентов на этих сложных входных данных.
Эта метрика измеряет справедливость маршрутизации Claude для разных демографических групп клиентов. Регулярно проверяйте решения о маршрутизации на возможную предвзятость, стремясь к стабильной точности маршрутизации (в пределах 2–3 процентов) для всех групп клиентов.
В ситуациях, когда минимизация числа токенов крайне важна, этот критерий оценивает, насколько хорошо Claude работает с минимальным контекстом. Измеряйте точность маршрутизации при разном объёме предоставленного контекста, стремясь к точности не ниже 90 процентов при наличии только заголовка обращения и краткого описания.
Эта метрика оценивает качество и релевантность объяснений Claude своих решений о маршрутизации. Оценщики-люди могут оценивать объяснения по шкале (например, 1–5) с целью достижения средней оценки 4 или выше.
Вот некоторые распространённые критерии успеха, которые могут быть полезны независимо от того, используется ли LLM:
Точность маршрутизации измеряет, как часто обращения с первой попытки правильно назначаются соответствующей команде или сотруднику. Обычно она измеряется как процент правильно маршрутизированных обращений от общего числа обращений. Отраслевые эталонные показатели часто нацелены на точность 90–95 процентов, хотя она может различаться в зависимости от сложности структуры поддержки.
Эта метрика отслеживает, насколько быстро тикеты назначаются после подачи. Более быстрое назначение обычно приводит к более быстрому решению и повышению удовлетворённости клиентов. Лучшие в своём классе системы часто достигают среднего времени назначения менее 5 минут, а многие стремятся к практически мгновенной маршрутизации (что возможно при реализации на основе LLM).
Доля перенаправлений показывает, как часто обращения приходится переназначать после первоначальной маршрутизации. Более низкая доля говорит о более точной первоначальной маршрутизации. Стремитесь к доле перенаправлений ниже 10 процентов; лучшие системы достигают показателей 5 процентов или ниже.
Эта метрика измеряет процент обращений, решённых в ходе первого взаимодействия с клиентом. Более высокие показатели свидетельствуют об эффективной маршрутизации и хорошо подготовленных командах поддержки. Отраслевые эталонные показатели обычно составляют от 70 до 75 процентов, а лучшие достигают 80 процентов или выше.
Среднее время обработки измеряет, сколько времени требуется для решения тикета от начала до конца. Эффективная маршрутизация может значительно сократить это время. Ориентиры сильно различаются в зависимости от отрасли и сложности, но многие организации стремятся удерживать среднее время обработки менее 24 часов для некритических проблем.
Эти оценки, часто измеряемые с помощью опросов после взаимодействия, отражают общую удовлетворённость клиентов процессом поддержки. Эффективная маршрутизация способствует более высокой удовлетворённости. Стремитесь к оценкам CSAT 90 процентов или выше; лучшие часто достигают уровня удовлетворённости не ниже 95 процентов.
Эта метрика измеряет, как часто обращения приходится эскалировать на более высокие линии поддержки. Более низкая доля эскалаций часто свидетельствует о более точной первоначальной маршрутизации. Стремитесь к доле эскалаций ниже 20 процентов; лучшие в своём классе системы достигают показателей 10 процентов или ниже.
Эта метрика показывает, сколько обращений агенты могут эффективно обработать после внедрения решения для маршрутизации. Улучшенная маршрутизация должна повысить производительность. Измеряйте её, отслеживая число обращений, решённых одним агентом за день или час, и стремясь к улучшению на 10–20 процентов после внедрения новой системы маршрутизации.
Эта метрика измеряет процент потенциальных обращений, решённых с помощью средств самообслуживания до попадания в систему маршрутизации. Более высокие показатели свидетельствуют об эффективной сортировке до маршрутизации. Стремитесь к доле отклонения 20–30 процентов; лучшие достигают показателей 40 процентов или выше.
Эта метрика рассчитывает среднюю стоимость решения каждого обращения в поддержку. Эффективная маршрутизация должна со временем помогать снижать эту стоимость. Хотя эталонные показатели сильно различаются, многие организации стремятся снизить стоимость обращения на 10–15 процентов после внедрения улучшенной системы маршрутизации.
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_contentsв 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 TrackingиRefund/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, intentЭтот код:
- Создаёт экземпляр клиента с использованием вашего ключа API.
- Определяет функцию
classify_support_request(), которая принимает строкуticket_contents. - Отправляет
ticket_contentsв Claude для классификации с использованиемclassification_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, usageВот разбор внесённых изменений:
- Функция
classify_support_request()теперь принимаетactual_intentиз 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.
- Организуйте ваши намерения в виде таксономической древовидной структуры.
- 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:
Клиенты часто выражают потребности косвенно. Например, «Я жду свою посылку уже больше двух недель» может быть косвенным запросом статуса заказа.
- Решение: предоставьте Claude несколько реальных примеров таких запросов от клиентов вместе с указанием лежащего в их основе намерения. Вы можете получить ещё лучшие результаты, если включите обоснование классификации для особенно тонких намерений тикетов, чтобы Claude мог лучше обобщать логику на другие тикеты.
Когда клиенты выражают недовольство, Claude может уделять больше внимания реакции на эмоции, чем решению основной проблемы.
- Решение: дайте Claude указания о том, когда следует или не следует отдавать приоритет настроению клиента. Например: «Игнорируй все эмоции клиента. Сосредоточься только на анализе намерения запроса клиента и на том, какую информацию клиент может запрашивать».
Когда клиенты сообщают о нескольких проблемах в одном взаимодействии, Claude может испытывать трудности с определением основной.
- Решение: уточните приоритизацию намерений, чтобы Claude мог лучше ранжировать извлечённые намерения и определять основную проблему.
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?