Маршрутизация тикетов



Определите, стоит ли использовать Claude для маршрутизации тикетов

Вот несколько ключевых признаков того, что для вашей задачи классификации следует использовать «large language model» (большую языковую модель), или LLM, такую как Claude, вместо традиционных подходов машинного обучения:



Создайте и разверните рабочий процесс поддержки на основе LLM



Изучите ваш текущий подход к поддержке

Прежде чем погружаться в автоматизацию, крайне важно понять вашу существующую систему обработки 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 этой задачи.



Определите категории намерений пользователей

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

Вот несколько примеров категорий и подкатегорий намерений пользователей.

Помимо намерения, на маршрутизацию и приоритизацию тикетов могут также влиять 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 контрольными показателями, пороговыми значениями и целями.

Вот некоторые стандартные критерии и контрольные показатели при использовании LLM для маршрутизации тикетов поддержки:

Вот некоторые общие 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 отклика.

Многие клиенты считают claude-haiku-4-5-20251001 идеальной моделью для маршрутизации тикетов, поскольку это самая быстрая и экономичная модель в семействе Claude 4, при этом обеспечивающая отличные результаты. Если ваша задача классификации требует глубокой предметной экспертизы или большого объёма категорий намерений со сложными рассуждениями, вы можете выбрать более крупную модель Sonnet.



Создайте сильную подсказку

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

Давайте напишем подсказку для классификации тикетов. Наша 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):
    # Определите 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.
        """

Давайте разберём ключевые компоненты этой подсказки:

• Мы используем f-строки Python для создания шаблона подсказки, позволяя вставлять ticket_contents в теги <request>.
• Мы даём Claude чётко определённую роль системы классификации, которая тщательно анализирует содержимое тикета, чтобы определить основное намерение и потребности клиента.
• Мы инструктируем Claude о правильном форматировании вывода — в данном случае предоставить своё рассуждение и анализ внутри тегов <reasoning>, за которыми следует соответствующая метка классификации внутри тегов <intent>.
• Мы указываем допустимые категории намерений: «Support, Feedback, Complaint», «Order Tracking» и «Refund/Exchange».
• Мы включаем несколько примеров (так называемый few-shot prompting), чтобы проиллюстрировать, как должен быть отформатирован вывод, что повышает точность и согласованность.

Причина, по которой мы хотим, чтобы Claude разделял свой ответ на различные секции XML-тегов, заключается в том, что мы можем использовать регулярные выражения для раздельного извлечения рассуждения и намерения из вывода. Это позволяет нам создавать целевые следующие шаги в рабочем процессе маршрутизации тикетов, например, использовать только намерение для решения, кому направить тикет.



Разверните вашу подсказку

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

Давайте построим структуру развёртывания. Начните с определения сигнатуры метода для обёртывания нашего вызова к Claude. Мы возьмём метод, который уже начали писать, принимающий ticket_contents на вход, и теперь будем возвращать кортеж из reasoning и intent в качестве вывода. Если у вас есть существующая автоматизация с использованием традиционного машинного обучения, вам следует придерживаться той сигнатуры метода.

import re

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

# Задайте модель по умолчанию
DEFAULT_MODEL = "claude-haiku-4-5-20251001"


def classify_support_request(ticket_contents):
    # Определите 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.
        """
    # Отправьте подсказку в API, чтобы классифицировать запрос в службу поддержки.
    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
        stream=False,
    )
    reasoning_and_intent = message.content[0].text

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

    # Аналогичным образом извлеките 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 reasoning и intent модели, извлечённые из ответа.

Поскольку нам нужно дождаться генерации всего текста рассуждения и намерения перед парсингом, мы устанавливаем stream=False (значение по умолчанию).



Оцените вашу подсказку

Работа с подсказками часто требует тестирования и оптимизации, чтобы они были готовы к производственному использованию. Чтобы определить готовность вашего решения, оцените производительность на основе критериев успеха и пороговых значений, которые вы установили ранее.

Для запуска оценки вам нужны тестовые случаи. Остальная часть этого руководства предполагает, что вы уже разработали свои тестовые случаи.



Создайте функцию оценки

Наш пример оценки для этого руководства измеряет производительность Claude по трём ключевым метрикам:

• Точность
• Стоимость на классификацию

Возможно, вам потребуется оценить Claude по другим осям в зависимости от того, какие факторы важны для вас.

Чтобы оценить это, нам сначала нужно модифицировать написанный скрипт и добавить функцию для сравнения предсказанного намерения с фактическим намерением и расчёта процента правильных предсказаний. Нам также нужно добавить функциональность расчёта стоимости и измерения времени.

import re

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

# Задайте модель по умолчанию
DEFAULT_MODEL = "claude-haiku-4-5-20251001"


def classify_support_request(request, actual_intent):
    # Определите 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=500,
        temperature=0,
        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 = message.content[0].text

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

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

    # Верните рассуждение, намерение, признак корректности и данные об использовании.
    return reasoning, intent, correct, usage

Давайте разберём внесённые изменения:

• Мы добавили actual_intent из наших тестовых случаев в метод classify_support_request и настроили сравнение для оценки того, соответствует ли классификация намерения Claude нашей эталонной классификации намерения.
• Мы извлекли статистику использования для вызова API, чтобы рассчитать стоимость на основе использованных входных и выходных токенов.



Запустите вашу оценку

Правильная оценка требует чётких пороговых значений и контрольных показателей для определения того, что является хорошим результатом. Приведённый выше скрипт даёт нам значения времени выполнения для точности, времени отклика и стоимости на классификацию, но нам всё ещё нужны чётко установленные пороговые значения. Например:

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

Наличие этих пороговых значений позволяет вам быстро и легко определить в масштабе и с беспристрастным эмпиризмом, какой метод лучше всего подходит для вас и какие изменения могут потребоваться для лучшего соответствия вашим требованиям.



Улучшите производительность

В сложных сценариях может быть полезно рассмотреть дополнительные стратегии для улучшения производительности помимо стандартных техник инженерии подсказок и стратегий внедрения защитных механизмов. Вот несколько распространённых сценариев:



Используйте таксономическую иерархию для случаев с 20+ категориями намерений

По мере роста числа классов количество требуемых примеров также увеличивается, что потенциально делает подсказку громоздкой. В качестве альтернативы вы можете рассмотреть внедрение иерархической системы классификации с использованием комбинации классификаторов.

1. Организуйте ваши намерения в таксономическую древовидную структуру.
2. Создайте серию классификаторов на каждом уровне дерева, обеспечивая каскадный подход к маршрутизации.

Например, у вас может быть классификатор верхнего уровня, который в общих чертах категоризирует тикеты на «Технические проблемы», «Вопросы по выставлению счетов» и «Общие запросы». Каждая из этих категорий затем может иметь свой собственный подклассификатор для дальнейшего уточнения классификации.

• Плюсы — большая детализация и точность: Вы можете создавать разные подсказки для каждого родительского пути, что позволяет выполнять более целевую и контекстно-специфичную классификацию. Это может привести к повышению точности и более тонкой обработке запросов клиентов.

• Минусы — увеличенная задержка: Имейте в виду, что несколько классификаторов могут привести к увеличению задержки, и мы рекомендуем реализовывать этот подход с нашей самой быстрой моделью — Haiku.



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

Несмотря на то что предоставление примеров является наиболее эффективным способом улучшения производительности, если запросы в поддержку сильно варьируются, может быть трудно включить достаточно примеров в одну подсказку.

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

Этот подход, подробно описанный в нашем рецепте классификации, показал улучшение производительности с 71% точности до 93% точности.



Специально учитывайте ожидаемые пограничные случаи

Вот несколько сценариев, в которых Claude может неправильно классифицировать тикеты (могут быть и другие, уникальные для вашей ситуации). В этих сценариях рассмотрите возможность предоставления явных инструкций или примеров в подсказке о том, как Claude должен обрабатывать пограничный случай:



Интегрируйте Claude в ваш общий рабочий процесс поддержки

Правильная интеграция требует, чтобы вы приняли некоторые решения относительно того, как ваш скрипт маршрутизации тикетов на основе Claude вписывается в архитектуру вашей общей системы маршрутизации тикетов. Есть два способа сделать это:

• Push-подход: Используемая вами система тикетов поддержки (например, Zendesk) запускает ваш код, отправляя событие вебхука в ваш сервис маршрутизации, который затем классифицирует намерение и маршрутизирует его.
  • Этот подход более масштабируем для веба, но требует от вас открытия публичной конечной точки.
• Pull-подход: Ваш код запрашивает последние тикеты по заданному расписанию и маршрутизирует их в момент запроса.
  • Этот подход проще в реализации, но может делать ненужные вызовы к системе тикетов поддержки, когда частота запросов слишком высока, или быть слишком медленным, когда частота запросов слишком низка.

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