客服自动化最容易被误解成“让 AI 直接回复用户”。但在真实团队里，第一步更应该是工单分流：这是什么问题，急不急，缺什么信息，应该交给客服、技术、销售还是运营。
AI Agent 做工单分流，价值不在于把人完全替掉，而是让每张工单带着更清楚的上下文进入队列。前面写过 客服 FAQ 知识库整理、跨部门任务交接 和 会议纪要复盘，它们都在解决同一个问题：不要让人接手时从零开始猜。
问题分类先粗后细
不要一开始就设计几十个客服标签。先用 6 到 10 个大类就够了，比如账号登录、计费发票、功能使用、数据导入、故障反馈、合作咨询、投诉建议。分类越稳定，后面的路由规则越容易维护。
Agent 可以先给出一级分类、置信度和判断依据。如果置信度低，就不要硬派给某个人，而是进入“需要补充信息”队列，自动生成一段追问草稿给客服确认。
紧急程度要看业务影响
工单优先级不应该只看用户语气。真正重要的是业务影响：是否阻断登录，是否影响付款，是否造成数据错误，是否涉及安全权限，是否来自高价值客户或正在试用的关键客户。
这时 Agent 需要读取客户状态和历史记录，但权限要控制好。可以参考 AI Agent 工具权限模型：普通分流只读客户状态，高风险操作仍然停在人工确认节点。
证据片段比一句摘要更可靠
很多工单被误派，是因为摘要写得太笼统。比如“用户反馈无法使用”没有意义；更好的输出是：用户在某个页面点击导入按钮后报错，附上错误信息、时间、账号类型和最近一次相关操作。
Agent 分流结果至少要包含原文证据、判断依据、缺失信息和建议处理人。这样后续客服或技术接手时，不需要再翻聊天记录找线索。
路由规则要能被复盘
工单路由不是一次写死。每周可以抽样看误派率、人工改派原因、平均首次响应时间和重复追问次数。如果某类问题总是被派错，说明分类规则、知识库或客户字段需要更新。
这和 Agent 观测性 是一条线。分流 Agent 不只要给结果，还要留下为什么这样分、后来有没有被改派、最终处理效果如何。
总结
用 AI Agent 做客服工单分流，重点是让问题分类、紧急程度、客户状态、证据片段和处理人路由变得清楚。先把工单送到对的人手里，再谈自动回复，客服自动化才更接近真实可用。
