这篇文章记录我实现的TicketFlow AI 企业工单智能分类与派单系统。项目面向企业客服和 IT 运维场景将用户提交的中文短文本工单自动识别为固定业务意图为后续自动派单、统计分析和人工兜底提供结构化标签。一、为什么要做工单自动分类企业每天会收到大量口语化工单例如“账号登不上”“申请导出权限”“钱扣了订单没更新”。如果完全依赖人工阅读和分派容易出现响应慢、标签标准不一致、重复流转和误派等问题。TicketFlow AI 的核心目标是输入一条中文工单文本识别用户最主要的业务意图返回类别ID和英文标签通过API接入工单系统低置信度样本交由人工复核二、十类工单标签ID标签说明0account_login账号、登录、密码和验证码问题1permission_apply权限开通、角色和访问申请2system_error系统报错、白屏、超时和服务异常3data_exception数据缺失、错误、重复或不一致4payment_issue支付失败、扣款、退款和订单状态5product_consult产品功能、价格、试用和接入咨询6after_sales维修、退换货和设备售后7complaint多次未解决、服务态度和投诉升级8feature_request新增功能、自动化和体验建议9other无法归入以上类别的其他工单三、多模型技术路线项目没有只使用单一模型而是在同一标签体系下实现四条路线TF-IDF RandomForest快速建立可解释的传统机器学习基线。FastText比较字符级和词级输入探索轻量分类与标注辅助。BERT基于 bert-base-chinese 微调处理口语化和上下文依赖。LLM通过 Prompt 约束 DeepSeek、Agnes 等模型输出固定标签。工单文本 → 数据清洗与标签校验 → RandomForest / FastText / BERT / LLM → pred_id pred_class → Flask API → Streamlit 页面 → 自动路由或人工兜底四、工程目录TicketFlow AI ├── rf TF-IDF RandomForest ├── fasttext_model FastText字符级与词级分类 ├── bert BERT训练、量化、剪枝与蒸馏 ├── LLM 大模型Prompt分类 └── raw_dataset_ticket 工单数据、标签和停用词五、接口设计不同模型目录都提供相近的 Flask 接口GET /health POST /predict POST /predict_batch单条请求示例{ text: 申请合同模块数据导出权限 }返回结果{ text: 申请合同模块数据导出权限, pred_id: 1, pred_class: permission_apply }六、公开版说明GitHub 公开版共使用5000条模拟工单文本验证流程其中训练集4000条、验证集500条、测试集500条不包含企业内部数据、生产模型权重、真实API Key和敏感配置。项目地址TicketFlow AI GitHub 公开演示版七、后续文章后续将依次拆解数据处理、RandomForest基线、FastText、BERT以及模型压缩和部署让项目从“能运行”进一步变成“能解释、能比较、能扩展”的完整NLP工程。