Ertas + OpenClaw 助力客户支持

使用 OpenClaw 进行工单分拣、回复起草和升级管理的客户支持团队从通用云模型获得平庸的结果。微调的本地模型学习您的产品、分类体系和语调——以零交互成本提供大幅提升的准确度。

The Challenge

OpenClaw 天然适合客户支持自动化：它可以监控支持渠道（邮件、Slack、消息平台），按类别和紧急度分类传入工单，起草回复，升级复杂问题，并生成交接班摘要。部署它的支持团队立即看到了生产力提升。

但使用通用云模型时，提升很快就会触顶。核心问题是客户支持具有深度的领域特异性。「计费咨询」和「订阅管理请求」之间的区别取决于您产品的特定计费架构。「错误报告」和「功能请求」之间的区别取决于您的产品实际做什么与用户期望它做什么。通用 GPT-4o 或 Claude 基于通用语言理解做出合理猜测——但「合理猜测」意味着 70-75% 的分类准确率，即每 4 个工单就有 1 个被错误分类。

错误分类的工单会产生连锁问题：错误的团队分配、不正确的优先级、不恰当的自动回复，以及需要向正确团队重新描述问题的沮丧客户。自动化节省的时间被修正错误路由工单的时间部分消耗。

成本问题加剧了准确度问题。OpenClaw 处理的每个工单都产生 API token——传入消息、分类提示、回复生成、升级检查。一个每天处理 200 个工单的支持团队产生可观的 API 支出。对于利润微薄的 SaaS 公司来说，这些成本通常超过自动化带来的人力节省。

The Solution

Ertas 同时解决准确度和成本问题。在您的实际支持工单历史上微调模型——您的分类体系、产品术语、解决模式、沟通风格。通过 Ollama 本地部署并将 OpenClaw 连接到本地端点。

准确度的改进是立竿见影的。在您系统中 2,000 个已分类工单上微调的模型学会了您的工单类别之间的特定边界——这些边界不可能在系统提示中完整传达。分类准确率通常从 70-75%（通用模型）跃升至 90-95%（微调模型）。回复质量也提高了，因为模型已经看过每种工单类型数百个好回复的示例。

每次交互的成本降至零。所有推理在本地运行。无论您的团队每天处理 50 个还是 5,000 个工单，计算成本都是一样的——您已经拥有的硬件。这使得 OpenClaw 在 API 成本本会令人望而却步的高流量支持运营中也具有经济可行性。

Key Features

Studio

分类体系特定分类

Studio 在您精确的工单分类体系上微调——特定于您的产品和支持结构的类别、子类别、优先级规则和升级标准。模型学会通用模型持续混淆的相似类别之间的边界。

Studio

回复模板训练

在您最好的支持回复上微调——您的团队随时间积累的语调、详细程度、故障排除步骤和解决模式。模型生成的草稿无需冗长的系统提示即可匹配您的支持风格指南。

Cloud

多产品支持

Cloud 支持在共享基础模型上部署产品特定的 LoRA 适配器。拥有多个产品或品牌的公司可以为每个产品获得定制化的支持 AI——不同的分类体系、不同的回复风格、不同的升级规则——共享基础设施。

Cloud

质量监控

跟踪分类准确率、回复接受率和升级模式的变化趋势。识别模型表现不佳的类别并为下一次微调迭代添加有针对性的训练示例。持续改进无需持续的 API 支出。

Example Workflow

一家拥有 3,000 个活跃客户的 B2B SaaS 公司部署 OpenClaw 来增强其 8 人支持团队。团队目前每天通过邮件和 Slack 处理 180 个工单，平均首次响应时间 2.4 小时，一级解决率 45%。公司导出过去 12 个月的 15,000 个已解决工单——每个都有类别标签、优先级分配和关闭它们的解决消息。此数据集上传到 Ertas Studio，用 LoRA 微调 Llama 3.3 8B 模型。模型达到 94% 的分类准确率（对比在相同分类体系上经过提示工程的 GPT-4o 的 71%），并生成客服人员 62% 的时间无需编辑即接受的回复草稿。部署在运行 Ollama 的 Mac Mini M4 Pro（2,800 澳元）上，OpenClaw 代理监控邮件和 Slack 支持渠道。它分类每个传入工单，分配优先级，起草回复，然后自动发送（对于高置信度一级问题）或排队等待客服审查。自动解决工单的首次响应时间从 2.4 小时降至 8 分钟。一级解决率从 45% 提升至 87%。支持团队专注于需要人工判断的复杂二级和三级问题。月度成本：Ertas 订阅 14.50 澳元 + 硬件摊销——对比使用 GPT-4o 处理相同流量约 850 澳元/月的 API 成本。