当前位置：首页 > news >正文

智能工单路由系统（Java）

news 2025/9/6 11:04:36

取代或辅助人工，自动分析新提交的工单内容（文本描述），准确判断其问题类别（Classification）和紧急程度（Sentiment Analysis），并自动分配给最合适的处理团队或工程师。

微服务架构设计：

工单接入服务 (Ticket Ingestion Service)：接收来自Web前端、邮件或其他渠道的新工单。
智能分析服务 (AI Analysis Service)：负责调用大模型API对工单内容进行分析。
路由决策服务 (Routing Decision Service)：根据分析结果和执行规则，决定分配给谁。
工单管理服务 (Ticket Management Service)：负责工单的持久化、状态更新和分配操作。
消息队列 (Message Queue, e.g. RabbitMQ/Kafka)：用于服务间的异步通信，解耦并提高可靠性

技术栈选型：

Java框架: Spring Boot + Spring Cloud Stream (用于消息队列集成)
大模型API: OpenAI GPT-4 / GPT-3.5-Turbo 或 Azure OpenAI(企业级首选，因其合规性和安全性更佳) 或本地部署的Mistral/Mixtral模型。
消息队列: RabbitMQ
数据库: PostgreSQL (存储工单信息、分析结果、分配记录)
向量数据库 (可选，用于高级RAG): Redis with RedisStack (RedisSearch)
开发工具: LangChain4j (极大简化LLM集成代码)

一、主要依赖

<!-- LangChain4j for OpenAI -->
<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai</artifactId><version>0.28.0</version> <!-- 请使用最新版本 -->
</dependency>
<!-- 如果你用Azure OpenAI -->
<dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-azure-open-ai</artifactId><version>0.28.0</version>
</dependency>

二、创建工单实体和分析结果实体

@Entity
public class Ticket {@Id@GeneratedValue(strategy = GenerationType.IDENTITY)private Long id;private String title;@Column(columnDefinition = "TEXT")private String description; // 工单详细描述，这是给LLM分析的核心内容private String submitterEmail;private LocalDateTime createdAt;private String status; // e.g., "NEW", "ANALYZING", "ASSIGNED", "CLOSED"private String assignedTeam; // 被分配到的团队，e.g., "NETWORK", "DATABASE", "BILLING"// ... getters and setters
}@Entity
public class TicketAnalysis {@Id@GeneratedValue(strategy = GenerationType.IDENTITY)private Long id;private Long ticketId;private String category; // LLM分析出的类别，e.g., "硬件故障", "软件bug", "账户问题"private String urgency; // LLM分析出的紧急程度，e.g., "高", "中", "低"private String suggestedTeam; // LLM建议分配的团队@Column(columnDefinition = "TEXT")private String reasoning; // LLM做出判断的推理过程，用于审计和调试private LocalDateTime analyzedAt;// ... getters and setters
}

三、实现工单接入服务（创建）—发送—监听

@RestController
@RequestMapping("/api/tickets")
public class TicketController {@Autowiredprivate TicketService ticketService;@PostMappingpublic ResponseEntity<Ticket> createTicket(@RequestBody Ticket ticket) {ticket.setStatus("NEW");ticket.setCreatedAt(LocalDateTime.now());Ticket savedTicket = ticketService.save(ticket);// 发送消息到消息队列，触发后续分析ticketService.notifyNewTicket(savedTicket);return ResponseEntity.ok(savedTicket);}
}

@Service
@EnableBinding(Source.class) // Spring Cloud Stream 旧版注解，新版本可用函数式方式
public class TicketService {@Autowiredprivate Source source;public void notifyNewTicket(Ticket ticket) {source.output().send(MessageBuilder.withPayload(ticket.getId()).build());}
}

@Service
@EnableBinding(Sink.class)
public class TicketAnalysisListener {@Autowiredprivate TicketAnalysisService analysisService;@StreamListener(Sink.INPUT)public void handleNewTicket(Long ticketId) {analysisService.analyzeAndRouteTicket(ticketId);}
}

四、构建核心——智能分析服务

①、LLM客户端

langchain4j:open-ai:chat-model:api-key: ${OPENAI_API_KEY}model-name: "gpt-3.5-turbo" # 或者 "gpt-4"temperature: 0.0 # 越低输出越确定max-tokens: 500

②、设计Prompt

设计一个结构化的Prompt是成功的关键。它需要明确指令、格式和示例。

③、实现分析服务

@Service
public class TicketAnalysisService {@Autowiredprivate TicketRepository ticketRepository;@Autowiredprivate TicketAnalysisRepository analysisRepository;@Autowiredprivate RoutingDecisionService routingService;// 注入LangChain4j的OpenAiChatModelprivate final OpenAiChatModel chatModel;public TicketAnalysisService(OpenAiChatModel chatModel) {this.chatModel = chatModel;}@Transactionalpublic void analyzeAndRouteTicket(Long ticketId) {Ticket ticket = ticketRepository.findById(ticketId).orElseThrow(() -> new RuntimeException("Ticket not found: " + ticketId));// 更新状态为分析中ticket.setStatus("ANALYZING");ticketRepository.save(ticket);// 构建PromptString prompt = """你是一个资深的IT支持专家。请分析以下工单描述，并严格按照JSON格式输出分析结果。工单标题: %s工单描述: %s请执行以下步骤：1. **分类**：判断问题属于哪个类别（"NETWORK", "SERVER", "DATABASE", "APPLICATION", "BILLING", "ACCOUNT", "OTHER"）。2. **紧急程度**：判断紧急程度（"HIGH", "MEDIUM", "LOW"）。依据：是否影响大量用户、是否导致业务完全中断、用户情绪是否激动。3. **建议分配团队**：根据分类，建议应分配给哪个团队处理。4. **推理**：用一句话简要说明你的推理原因。输出格式必须是以下JSON，不要有任何其他文字：{"category": "分类结果","urgency": "紧急程度","suggestedTeam": "建议团队","reasoning": "你的推理"}""".formatted(ticket.getTitle(), ticket.getDescription());// 调用LLMString aiResponse = chatModel.generate(prompt);// 解析LLM的JSON响应 (这里需要简单的JSON解析)TicketAnalysis analysis = parseAiResponse(aiResponse);analysis.setTicketId(ticketId);analysis.setAnalyzedAt(LocalDateTime.now());analysisRepository.save(analysis);// 将分析结果传递给路由决策服务routingService.makeRoutingDecision(ticketId, analysis);}private TicketAnalysis parseAiResponse(String jsonResponse) {// 使用Jackson或Gson解析JSON字符串到TicketAnalysis对象ObjectMapper mapper = new ObjectMapper();try {return mapper.readValue(jsonResponse, TicketAnalysis.class);} catch (JsonProcessingException e) {throw new RuntimeException("Failed to parse AI response", e);}}
}

④、实现路由决策服务

决策服务可以包含简单的规则引擎，例如即使LLM建议分配给“NETWORK”团队，但如果紧急程度为“HIGH”，则可能直接分配给“NETWORK_ON_CALL”团队。

@Service
public class RoutingDecisionService {@Autowiredprivate TicketRepository ticketRepository;public void makeRoutingDecision(Long ticketId, TicketAnalysis analysis) {Ticket ticket = ticketRepository.findById(ticketId).orElseThrow();String finalTeam = analysis.getSuggestedTeam();// 示例：简单的规则覆盖if ("HIGH".equals(analysis.getUrgency()) && "NETWORK".equals(finalTeam)) {finalTeam = "NETWORK_ON_CALL"; // 网络团队 on-call 小组}if ("BILLING".equals(finalTeam) && analysis.getReasoning().toLowerCase().contains("refund")) {finalTeam = "BILLING_SUPERVISOR"; // 退款问题需要主管处理}// 执行分配ticket.setAssignedTeam(finalTeam);ticket.setStatus("ASSIGNED");ticketRepository.save(ticket);// TODO: 这里可以触发邮件或通知，告知团队有新工单分配System.out.println("Ticket #" + ticketId + " assigned to team: " + finalTeam);}
}