OpenClaw 客戶支援

    使用 OpenClaw 框架部署了解您產品和流程的客戶支援 AI 代理

    The Challenge

    OpenClaw 天生適合客服自動化:它可以監控客服管道(電子郵件、Slack、通訊平台),依類別和緊急程度替進來的工單分類、草擬回覆、升級複雜問題,並產生交班摘要。部署它的客服團隊馬上就能看到生產力提升。

    但使用通用雲端模型時,這種提升很快就會碰到天花板,因為客服工作高度依賴具體領域。「帳務查詢」和「訂閱管理請求」的差別取決於您產品的計費架構;「錯誤回報」和「功能請求」的差別取決於您的產品實際能做什麼,以及使用者期望它做什麼。通用的 GPT-4o 或 Claude 只能憑一般的語言理解做出合理猜測,而這些猜測會讓相當比例的工單被分錯類。

    分錯類的工單會引發一連串後續問題:指派給錯誤的團隊、優先順序不對、自動回覆不恰當,客戶還得向正確的團隊把問題再講一次。自動化省下的時間,有一部分又花在修正分錯的工單上。

    成本問題讓準確度問題雪上加霜。OpenClaw 處理的每張工單都會產生 API token:進來的訊息、分類提示詞、回覆生成、升級檢查。一個每天處理 200 張工單的客服團隊會累積可觀的 API 支出,對利潤微薄的 SaaS 公司來說,這筆支出可能吃掉自動化帶來的大部分人力節省。

    The Solution

    Ertas 同時處理準確度與成本兩個問題。在 Ertas Studio 中用您真實的客服工單歷史微調模型:您的分類架構、產品術語、解決模式和溝通風格。從 Hub 匯出為 GGUF,用 Ollama 在本機運行,再把 OpenClaw 指向這個本機端點。

    用您系統中幾千張已分類工單微調出的模型,會學會您各工單類別之間的具體界線,而這些界線很難在系統提示詞裡完整說明。回覆草稿也會更好,因為模型已看過每類工單的大量優良回覆。請用您自己的資料衡量成效:保留一批最近分類的工單,把微調模型和您目前的做法比較,並檢視各自出錯的地方。

    推論運行在您掌控的硬體上,因此沒有按 token 計費的 API 帳單。運行成本就是依工單量配置的硬體,加上用於訓練的 Ertas Studio 方案。這讓 OpenClaw 在 API 成本高到難以負擔的大量客服場景中也划算。

    Key Features

    Studio

    分類法特定分類

    Studio 在您精確的工單分類法上進行微調——類別、子類別、優先順序規則和升級標準,都是您產品和支援結構特有的。模型學習通用模型持續混淆的相似類別之間的邊界。

    Studio

    回覆模板訓練

    在您最好的支援回覆上微調——您的團隊多年來開發的語調、詳細程度、故障排除步驟和解決模式。模型生成匹配您支援風格指南的草稿,無需冗長的系統提示。

    Hub

    多產品支援

    在 Studio 中為每個產品或品牌分別訓練模型,各自擁有自己的分類架構、回覆風格和升級規則。每個模型都列在 Hub 中可供匯出,每個 OpenClaw 代理指向對應產品的模型。

    Studio

    品質監控

    在您自己的客服系統報表中追蹤分類準確度、客服不需修改就採用草稿的比例,以及升級模式。找出模型表現較差的類別,在 Data Craft 中補上針對性的範例,替換之前先在 Studio 中把重新訓練的結果和目前的模型比較。

    Example Workflow

    一家擁有 3,000 個活躍客戶的 B2B SaaS 公司部署 OpenClaw,協助其 8 人客服團隊。團隊目前每天透過電子郵件和 Slack 處理 180 張工單,平均首次回應時間為 2.4 小時,第一線解決率為 45%。公司匯出過去 12 個月的 15,000 張已解決工單,每張都附有類別標籤、優先順序,以及最後解決問題的回覆,移除客戶姓名和聯絡資料後上傳到 Ertas Studio,以 LoRA 微調 Llama 3.1 8B。團隊保留 1,000 張最近的工單,在同一套分類架構下把微調模型的分類與草稿和經過提示詞工程的 GPT-4o 比較,並逐一檢視兩個模型各自出錯的類別。模型匯出為 GGUF,用 Ollama 運行在一台 Mac Mini M4 Pro 上,OpenClaw 代理同時監控電子郵件和 Slack 客服管道。它為每張進來的工單分類、設定優先順序、草擬回覆,接著自動送出(僅限團隊已核准自動化的類別)或放入佇列等待客服審核。客服團隊對照基準追蹤首次回應時間和第一線解決率,把更多時間投入需要人為判斷的複雜第二線和第三線問題。每月的運行成本是 Ertas Studio 方案加上硬體,工單量成長也不會產生按 token 計費的 API 帳單。

    Compliance & Security

    採用本機推論時,即時工單中的客戶資料(客服對話、帳戶資訊、使用模式)都在公司自己的硬體上處理,模型回答時不會經過任何外部 AI 供應商。訓練的情況不同:用於微調的工單歷史會上傳到 Ertas 的雲端 GPU,因此請先移除或遮蔽客戶身分資訊,不再需要時在 Studio 中刪除資料集。客服 AI 的資安審查仍需由您自行完成;在內部運行模型,能讓審查需要檢查的資料流更少。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.