夜雨聆风AI 场景化落地 · 智能工单
AI + 工单：真正值得计算的，不是自动化了多少步骤，而是少浪费了多少时间
RAG + Agent 不只是让工单“更智能”，更重要的是减少重复确认、重复查资料、重复转派和重复问人的时间，让企业过去积累的经验真正参与下一次问题解决。
先看一个很常见的场景。
上午 9:20，财务提交了一张工单：
“ERP 登录不了了，好几个人都这样。”
服务台开始补问：哪个模块？什么报错？影响多少人？有没有截图？
信息补齐后，工单先派给应用组。应用组看完发现不是自己负责，又转给基础设施组。
工程师打开知识库搜索“ERP 登录”，搜出来几十篇文档。最后还是在群里问了一句：
“之前谁处理过 ERP 登录异常？”
过了一会儿，一位老工程师回复：
“先查 Redis，上次也是这个问题。”
最终真正修复问题可能只用了 5 分钟，但为了找到正确方向，前面已经花了二三十分钟。
这二三十分钟，才是很多工单系统里最容易被忽略的成本。
01
传统工单解决了“有人处理”，但不一定解决了“高效解决”
很多企业的工单系统已经很成熟了：
有人提单、有人派单、有人处理、有人看 SLA，流程一点问题都没有。
但真正浪费时间的地方，往往不在“流转”，而在下面这些事情里：
用户说不清：服务台要反复追问。
分类分不准：工单在几个组之间来回转。
资料不好找：工程师在知识库、聊天记录、历史工单里到处搜。
经验在个人手里：最后还是要问“谁以前处理过”。
问题解决了但没沉淀：下一次再遇到，还要从头来一遍。
很多企业不是没有知识，而是知识存在于“某个人知道”。
所以，智能工单真正要解决的，不是让 AI 帮忙填几个字段，而是：
让企业用更少的时间，把问题真正解决掉。
02
第一步：先让 AI 把“问题”听懂
用户不会按照工单字段来表达问题，他只会说人话。
“ERP 今天下午突然登不上去了，财务那边好几个人都这样。”
AI 可以直接从这句话里提取出系统真正需要的信息：
这个价值看起来只是“少填几个字段”，但真正减少的是：
少一次来回追问；
少一次错误分类；
少一次无效转派；
同时让后续统计的数据更干净。
03
第二步：让 AI 先看看“企业以前是怎么解决的”
AI 听懂问题以后，不应该马上自己猜答案。
更靠谱的方式是：先去企业自己的资料里找。
例如产品手册、FAQ、运维 SOP、历史故障、已经解决的工单、内部技术文档……
当前问题
“系统访问时报 502 Bad Gateway。”
RAG 可以先找出企业内部和这个问题最相关的资料，再让 Agent 帮工程师整理：
可能原因
后端服务没启动、服务端口异常、容器退出、Nginx 无法访问后端。
建议先查
服务状态 → 容器日志 → 端口 → Nginx 配置。
参考依据
企业内部故障手册 + 类似历史工单。
RAG 最实际的价值，不是“回答更聪明”，而是让工程师少花时间到处找资料。
一张图看懂 RAG + Agent + Workflow
| RAG |
| Agent |
| Workflow |
04
第三步：Agent 真正有价值的地方，是判断“这张工单还需不需要人处理”
有些问题很标准，没有必要每次都让工程师重新处理。
可以自助解决的问题
密码重置、VPN 配置、软件安装、常见权限问题、标准操作报错……
AI 给出明确步骤 → 用户确认解决 → 不进入人工队列。
但还有一些问题，AI 不应该硬做。
必须交给人工的问题
生产环境异常、数据风险、敏感权限、知识冲突、AI 没把握的问题……
AI 自动整理上下文 → 判断优先级 → 推荐处理组 → 工程师接管。
这才是 Agent 和普通 AI 问答最大的区别：
不只是“告诉你答案”，而是知道什么时候自己处理，什么时候应该把问题交给人。
05
到底能省多少时间？用一笔简单的账来看
不要一上来就说“AI 可以降本 30%”。
更实在的方式，是拿企业自己的工单量来算。
假设一个团队每月有 1,000 张工单：
其中 30% 属于重复、标准问题； AI 自助解决其中 40%； 其他工单由 AI 帮忙分类、找资料、整理总结。
按照一组演示性假设
约可释放 223 小时 / 月
相当于约 27.9 个 8 小时工作日
这些时间主要来自：
如果按综合人力成本 80 元/小时计算，相当于一年可以释放约 21 万元的人力产能。
这里说的是“释放产能”，不是简单理解成“少几个人”。
更现实的结果是：
同样的人，可以处理更多工单；
新人更快找到处理方向；
资深工程师少被简单问题打断；
团队把更多时间放在复杂故障、系统优化和真正高价值的工作上。
注：以上为演示性测算，用于说明计算方法，不代表实际项目承诺。真正落地时应使用企业自己的工单量、平均处理时间、人工成本和 AI 命中率重新计算。
06
真正长期的价值，是让“这次解决过”变成“下次不用重来”
工单处理完成以后，最容易被忽略的一步，是知识沉淀。
过去，一张工单关闭以后，往往就结束了。
但现在，AI 可以继续读取：
问题是什么；
怎么排查的；
最终原因是什么；
最后是怎么解决的。
然后自动整理成一条新的知识草稿，经过审核后进入知识库。
智能工单真正应该形成的闭环
工单越多，不应该只是数据库越来越大， 而应该意味着企业解决问题的能力越来越强。
如果真的要做，我更建议从“小场景”开始
不要一开始就想着“让 AI 全自动处理所有工单”。
更容易成功的方式是：
第一步：挑高频、重复、标准化的问题，例如账号、权限、VPN、软件安装、常见系统报错。
第二步：先验证知识库质量，看看 AI 能不能准确找到正确资料。
第三步：先让 AI 做分类、检索和建议，再逐步开放自动派单、通知和标准动作。
第四步：最后看业务指标，而不是只看“AI 回答得像不像人”。
真正值得看的指标包括：
工单转派率有没有下降； 平均解决时间有没有缩短； 人工查资料时间有没有减少； 自助解决率有没有提高； 知识有没有持续新增和被复用。
最后
传统工单系统解决的是：
“这件事有没有人处理？”
而智能工单进一步想解决的是：
“这个问题能不能用更少的时间、更少的重复劳动、更少的专家依赖被真正解决？”
RAG 负责找到企业知道什么，Agent 负责判断下一步做什么，Workflow 负责真正把事情执行下去。
而人工继续负责那些复杂、高风险、需要责任判断的问题。
AI 真正值得衡量的，不是它回答了多少次，而是：
每解决一次问题，能不能让下一次问题更容易被解决。
当这个循环真正建立起来以后，工单才不再只是一个“流程记录工具”，而会逐渐变成企业的问题解决和知识增长系统。