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,从通用云模型得到的结果往往平庸。用您自己的工单微调的模型会学会您的产品、分类体系和语气,在本地运行还能省去按 token 计费的 API 账单。

    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),按类别和紧急程度给传入工单分类,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刻就能看到生产力提升。

    但使用通用云模型时,这种提升很快就会触顶,因为客户支持高度依赖具体领域。「计费咨询」和「订阅管理请求」的区别取决于您产品的计费架构;「错误报告」和「功能请求」的区别取决于您的产品实际能做什么,以及用户期望它做什么。通用的 GPT-4o 或 Claude 只能凭一般的语言理解做出合理猜测,而这些猜测会让相当一部分工单被分错类。

    分错类的工单会引发一连串下游问题:分配给错误的团队、优先级不对、自动回复不恰当,客户还得向正确的团队把问题再讲一遍。自动化省下的时间,有一部分又花在了纠正错分的工单上。

    成本问题让准确度问题雪上加霜。OpenClaw 处理的每张工单都会产生 API token:传入的消息、分类提示词、回复生成、升级检查。一个每天处理 200 张工单的支持团队会产生可观的 API 开销,对利润微薄的 SaaS 公司来说,这笔开销可能吃掉自动化带来的大部分人力节省。

    The Solution

    Ertas 同时解决准确度和成本两个问题。在 Ertas Studio 中用您真实的支持工单历史微调模型:您的分类体系、产品术语、解决模式和沟通风格。从 Hub 导出为 GGUF,用 Ollama 在本地运行,再把 OpenClaw 指向这个本地端点。

    用您系统中几千张已分类工单微调出的模型,会学会您各个工单类别之间的具体界限,而这些界限很难在系统提示词里讲清楚。回复草稿也会更好,因为模型已经看过每类工单的大量优秀回复。请用您自己的数据衡量提升:预留一批最近分类的工单,把微调模型和您现有的方案对比,并查看各自出错的地方。

    推理运行在您掌控的硬件上,因此没有按 token 计费的 API 账单。运行成本就是按工单量配置的硬件,再加上用于训练的 Ertas Studio 订阅。这让 OpenClaw 在 API 成本高得难以承受的大批量支持场景中也能算得过账。

    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。

    Hub

    多产品支持

    在 Studio 中为每个产品或品牌分别训练模型,各自拥有自己的分类体系、回复风格和升级规则。每个模型都列在 Hub 中可供导出,每个 OpenClaw 代理指向对应产品的模型。

    Studio

    质量监控

    在您自己的工单系统报表中跟踪分类准确度、客服无需修改就采用草稿的比例以及升级模式。找出模型表现较差的类别,在 Data Craft 中补充针对性的示例,替换之前先在 Studio 中把重新训练的结果和当前模型做比较。

    Example Workflow

    一家拥有 3,000 个活跃客户的 B2B SaaS 公司部署 OpenClaw 来辅助其 8 人支持团队。团队目前每天通过邮件和 Slack 处理 180 张工单,平均首次响应时间为 2.4 小时,一线解决率为 45%。公司导出过去 12 个月的 15,000 张已解决工单,每张都带有类别标签、优先级和最终解决问题的回复,去除客户姓名和联系方式后上传到 Ertas Studio,用 LoRA 微调 Llama 3.1 8B。团队预留 1,000 张最近的工单,在同一分类体系下把微调模型的分类和草稿与经过提示词工程的 GPT-4o 对比,并逐一查看两个模型各自出错的类别。模型导出为 GGUF,用 Ollama 运行在一台 Mac Mini M4 Pro 上,OpenClaw 代理同时监控邮件和 Slack 支持渠道。它为每张传入工单分类、设定优先级、起草回复,然后自动发送(仅限团队已批准自动化的类别)或放入队列等待客服审核。支持团队对照基线跟踪首次响应时间和一线解决率,把更多时间投入到需要人工判断的复杂二线和三线问题上。每月的运行成本是 Ertas Studio 订阅加上硬件,工单量增长也不会产生按 token 计费的 API 账单。

    Compliance & Security

    采用本地推理时,实时工单中的客户数据(支持对话、账户信息、使用模式)都在公司自己的硬件上处理,模型作答时不会经过任何外部 AI 提供商。训练的情况不同:用于微调的工单历史会上传到 Ertas 的云端 GPU,因此请先去除或遮盖客户身份信息,不再需要时在 Studio 中删除数据集。支持 AI 的安全审查仍需您们自己完成;在内部运行模型,能让审查需要检查的数据流更少。

    Related Resources

    Ship AI that runs on your users' devices.

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