FastGPT在工单处理中的探索和应用

背景

工单的现状

酷家乐工单系统，是由酷家乐测试架构组自建完成，是酷家乐线上问题处理、跟踪和分析的平台。

我们先来看工单处理的流程，并通过工单处理流程中涉及到的一些角色职责和工作内容，分析出大家在目前工单系统建设基础上遇到的一些难点痛点：

• 提单人的痛点：

• 反馈问题时，需要提交的信息太多

• 处理人的痛点：

• FAQ类问题多，且重复问题多，问题处理价值低

• 排查链路长，排查工具分散，排查耗时久

• 业务复杂，问题处理成本高

通过几年的运行，对于提单人和工单处理人来说这些痛点，在现在团队协作和流程运作上，暂时也没有更好的优化手段或者解决方案。

而FastGPT的出现，为我们提供了一些新的问题解决思路，这为大家借助工单系统处理线上问题时，提升问题处理效率，节省问题处理成本，提供了可能。

FastGPT的现状

这里我们要提到一个平台——FastGPT（能力介绍：https://doc.fastgpt.in/docs/intro/）

FastGPT平台有知识库答疑的能力，这就意味着我们日常整理的一些FAQ和排查文档，可以被FastGPT利用起来，转化成工单问题处理SOP。

这里还有一个细节点，问答输出包括“引用部分”，即，不管AI输出的回答有多发散，我们都能拿到我们想要的的自己输入的知识库内容。

分析完工单处理过程中大家遇到的难点痛点，再结合FastGPT的能力，我们再来看看借助FastGPT我们可以做哪些事情。

思路

前面我们梳理了工单提单人和工单处理人各自的痛点，我们再来看看针对不同的角色我们可以做些啥

• 提单人创建工单环节：是不是可以先咨询一下我们的提供的ChatGpt，一些误操作和FAQ类的问题对其解惑，自助解决。无法解决的情况，ChatGpt也可以按照我们预设好的模板分析这些问题并自动格式化填充，提单人不需要关心工单提交规范，就像企信里对话一样直接抛问题就行，即可以省去提单人提交工单的时间，也可以保障工单提交的更规范，问题更清晰。

• 问题排查环节：可以获取相关问题的排查文档，排查工具等等，不需要工单处理人到各个环境去找对应的排查工具，知识盲区也不需要去cf各处去找排查文档，如果能自动帮我们拿到一些排查所需要的关键信息是不是更好，例如商品ID、方案链接，用户账户等等，ChatGpt的语言分析和提取能力还是很强大的，实现起来so easy。

• 输出结论和解决方案：有没有一种可能，ChatGpt根据问题就能知道我想要什么结论，然后再把这些结论直接给到我，当然不只是简单的问答，文字输出的结论，而是经过一系列的加工查询等等，获取到的数据结论。ChatGpt没有执行能力，他不会去自动调用排查工具或者请求接口，他能做的应该是分析问题，知道解决这些问题应该获取到哪些数据，应该调用哪些工具或者接口，但是接下来执行的事情是不是可以交给有执行能力的平台去做，例如工单系统，通过工单系统来调用一些接口还是很容易的。ChatGpt帮我们去做分析，告诉我们需要请求哪些代码获取哪些数据，然后工单系统去执行，结合起来，好像是一个不错的新思路，新玩法。（好像也不新，之前有项目实现过类似if else的一个效果，chatpgt来判断，满足哪个条件然后走哪段代码，一样的chatgpt不能执行代码，但是可以交给idea去执行）

  
  

  

  
  

实现

整体架构

我们将FastGPT与工单系统进行了融合。FastGPT负责识别问题，以及分配工单系统需要做哪些执行动作，工单系统负责去执行对应的动作，去拿数据，并将结果输出给工单处理人。这样即实现了，工单创建，系统自动分析和排查，最终一步到位给出问题的排查结论，极大提升问题处理效率，并且降低问题处理难度。

具体落地的功能

• 将FastGpt平台的问答应用嵌入工单系统，借助FastGpt平台，实现知识库问答功能

  运营等在提交工单前，可以先咨询这个被嵌入到工单系统中的FastGP问答应用，可以解决大部分FAQ类问题。FastGP问答应用绑定了酷家乐内部的知识库体系，保障了问答的准确性和可用性。

• 将FastGpt问答知识库与排查工具融合，借助工单系统实现串联，达到系统自动处理问题或提取数据的目的

  此处是实现FastGPT分发问题的关键，即，此处的配置决定了FastGPT识别问题，并告诉工    单系统该做哪些执行。以下图配置为例：当有工单创建，问题描述为渲染慢或者渲染久时，FastGPT自动会匹配到“被搜索的内容”（问题场景），并且”将补充内容“（场景对应的排查思路）给到工单系统，告诉工单系统，你要去执行查询”渲染耗时“的动作。

工单系统会根据数据库配置情况，去执行对应的数据获取接口，并将结果返回到工单系统前端。

工单系统前端对数据进行格式化处理，辅助工单处理人对问题做判断和进一步处理。

• 兜底策略，手动快速获取相关信息

  当有一些场景识别不准确，或者系统未能自动识别的情况，我们可以手动去告诉工单系统，我们需要哪些数据，也会进一步提升问题排查效率。

成果

以查询渲染失败工单为例，之前利用排查工具排查一条工单需要30分钟，现在借助chatgpt辅助处理，排查一条工单需要3分钟，直接提效90%。

所覆盖到的工单，技术支持和故障台的工单平均处理时长缩短近3天。

未来展望

• 上面提到了，在提单人环节AI还是有很多事情可以做，希望用户的问题可以由FastGPT加工提炼后自动创建工单，减少提单人的提单成本。

• 优化工单提交内容，减轻提单人提单成本的同时，使更多的信息可以被采集和识别，以便更多的排查结论通过系统自动生成，尽可能减少工单排查成本，进一步提升AI信息提取的有效率。

• 实践下来，健全的排查工具和问题排查流程，对工单处理的提效是有帮助的，值得在各个业务线推广，持续推动各业务线做下去。