我把公司的工单系统塞进了大模型：一次完整的实战复盘

完整复盘一个真实项目。从一句模糊的老板需求到系统上线跑了大半年中间所有的判断、踩坑、没做成的事都摊开。选这个项目讲是因为它足够普通。不是什么明星AI产品就是一家公司的内部工单系统改造。但恰恰因为普通它代表了你转型后大概率会面对的真实工作。起点一句能不能搞智能点事情的起因特别典型。公司内部的工单系统IT、行政、HR共用一个月三千多单。老板在某个群里转了一篇AI的文章配了一句咱们的工单能不能搞智能点没有需求文档没有预算说明就这一句话。这几乎是所有内部AI项目的标准开场你要习惯。接到活儿之后我做的第一件事不是选模型是拉数据。把过去一年的工单导出来几万条一条条抽样看。看了一周看出三个事实一是四成工单是重复性问题密码重置、权限申请、打印机又坏了二是工单分派全靠值班人肉眼判断经常分错一个单子在三个组之间踢皮球三是处理人的回复质量参差新人回复经常被投诉敷衍。对着这三个事实方案自己就浮出来了AI不解决所有问题只切三个点——自动分类分派、相似历史工单推荐、回复草稿生成。这个只切三个点的决定是整个项目里最正确的判断后面细说。方案先想清楚哪里不用AI很多AI项目失败不是技术不行是上来就想全面智能化。我们当时的原则反着来先假设哪里都不用AI再逐个论证哪里非用不可。论证下来三个切入点各有各的道理。自动分类本质是文本分类任务大模型干这个得心应手而且分错了有人工兜底的入口风险可控。相似工单推荐是embedding检索的标准用法处理人开工单时看到历史上类似问题是怎么解决的对新人帮助尤其大。回复草稿模型先写一版人改完再发责任主体还是人。同时明确划掉了两个不用AI的地方。一是工单的最终关闭必须人来点AI只提供参考结论因为这涉及 SLA 考核不能让模型背锅也背不起。二是涉及薪资、人事的工单直接不进AI流程数据敏感别给自己找麻烦。这个划界动作后来在汇报时反而成了加分项。老板们听多了AI万能论一个明确说这里我们不用AI的方案可信度反而高。实施坑全在看不见的地方技术栈不复杂现成的模型API、一个向量数据库、Node中间层前端在原来的工单系统里加三个AI入口。真正难的是下面这些。第一个坑历史工单的数据质量。想做相似推荐得先把历史工单灌进向量库。灌进去才发现大量工单的正文是同上“见附件”“电话沟通过了”有效信息趋近于零。最后不得不加一道清洗工序先用模型把低质量工单筛出来剔除只留信息完整的入库。入库率不到六成但检索质量反而上来了。脏数据是内部AI项目的隐形杀手十个项目九个倒在这。第二个坑分类边界的扯皮。AI分类的准确率第一版只有七成。查下来发现很多工单连人类都分不清该归谁我报销系统登不上去算财务系统问题还是账号权限问题这个问题不是模型问题是公司的分类体系本身就糊。最后的解法是给模型开放不确定选项拿不准的单子标出来人工分宁肯少分不能错分。两个月跑下来人工顺手标的几百条又成了优化分类的养料。第三个坑回复草稿的幻觉礼貌。模型写的回复态度永远温和得体但偶尔会虚构承诺比如我们将在24小时内为您处理公司根本没这个SLA。解法是从Prompt里明确禁止任何时限承诺加上敏感词正则兜底扫描命中就标红让处理人确认。模型生成的东西永远不能免检上岗这是底线。上线后真实数据不含美颜系统跑了半年说几个真实数字好的坏的都有。自动分类稳定后准确率八成五左右工单平均流转时间从原来的一天半缩到四个小时左右。这是最成功的一块。相似工单推荐使用率不算高大概三成处理人会点开看但点开的人里新人工单的首次解决率有明显提升。属于用得不多但有用的功能。回复草稿这是最打脸的一块。上线前我预期它能省一半打字时间实际下来处理人的使用率只有四成。访谈了一圈原因很现实老手写回复本来就快看AI写的还得检查一遍不如自己敲真正受益的是新人和非技术岗的行政HR他们的采纳率接近八成。所以这个功能最后调整成默认对新人生成草稿老人手动唤起才不尴不尬地活了下来。整体看项目算不上辉煌但每月省下来的人力是实打实的老板满意团队也没人被AI替代只是活儿干得快了点。这大概就是内部AI改造的常态不是颠覆是拧毛巾把流程里的水分拧出来。一笔很少被提及的账成本还有个事儿很多AI项目的复盘都闭口不谈钱。这套系统每个月的模型API费用折算成人民币大概几千块量级取决于调用量。听起来不多但内部系统老板是会算账的这笔钱换回来的人力节省划不划算我们的结论之所以站得住是因为分类和草稿这两个功能切的是高频场景调用量大但单次成本极低省下来的工时折算回来是API费用的好几倍。这给我们提了个醒AI功能不是上线就完事要持续盯着调用量的构成。我们中途就发现过一笔浪费有个页面的入口设计得太随意用户随手一点就触发一次完整检索加生成大量调用是无效好奇。后来把入口改深了一层、加了一句提示调用量降了三成没人抱怨。控制AI成本一半是技术问题一半是交互设计问题这个认知也是我后来做AI应用时的重要心法。复盘这个项目教会我的四件事第一件AI改造的起点永远是数据和流程不是模型。看数据的这一周比后面所有技术选型都值钱。第二件给AI划边界比给AI找场景更需要功力。哪里不用、哪里慎用、哪里放心用这个判断力来自对业务的理解模型说明书里没有。第三件使用率比准确率更重要。一个九成准确但没人用的功能价值是零。功能上线只是起点盯着真实使用数据持续调才是常态。第四件也是和转型最相关的一件这个项目里真正难的部分没有一个是会调API能解决的。数据清洗的判断、分类边界的协调、人机分工的设计、使用率低迷时的访谈和调整这些靠的是工程经验、产品 sense 和跟人打交道的能力。所以别担心自己只是个会调接口的接口谁都会调值钱的是接口之外的那一大圈。下一篇换个角度聊聊转型路上我亲眼见过的那些坑有些是我自己踩的有些是看着别人踩的希望你一个都别踩。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2026 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2026 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”