Маршрутизация обращений и логика эскалации
Классификация намерений, маршрутизация к специализированным агентам и условия срабатывания эскалации.
«Маршрутизация обращений и логика эскалации» — бесплатный урок AI Agents на CoddyKit. Это урок 1 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения AI Agents, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс AI Agents содержит 4 уроков всего.
Проблема маршрутизации
Агент службы поддержки ежедневно получает тысячи разнообразных сообщений: споры по платежам, сброс паролей, дефекты продуктов, задержки доставки и запросы на новые функции. Отправка каждого сообщения одному и тому же обработчику приводит к медленным ответам низкого качества.
Маршрутизация обращений классифицирует каждое сообщение и направляет его команде, лучше всего подготовленной для решения проблемы.
Классификация намерений с помощью LLM
Слой маршрутизации обращается к LLM с запросом для классификации. Модель возвращает структурированный ответ с меткой intent и оценкой confidence.
import openai, json
client = openai.OpenAI(api_key='YOUR_OPENAI_KEY')
INTENTS = ['billing', 'technical_support', 'returns_refunds',
'account_access', 'shipping', 'general_inquiry']
def classify_intent(message: str) -> dict:
prompt = (
f'Classify this customer message into exactly one intent.\n'
f'Intents: {INTENTS}\n'
f'Message: "{message}"\n'
f'Respond with JSON: {{"intent": "...", "confidence": 0.0-1.0}}'
)
resp = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': prompt}],
response_format={'type': 'json_object'}
)
return json.loads(resp.choices[0].message.content)Маршрутизация в очереди специалистов
После определения намерения направьте обращение в соответствующую очередь специалистов. Для каждой очереди предусмотрены собственные шаблоны ответов, SLA и правила эскалации.
ROUTING_MAP = {
'billing': 'queue_billing',
'technical_support': 'queue_tech',
'returns_refunds': 'queue_returns',
'account_access': 'queue_tech',
'shipping': 'queue_fulfillment',
'general_inquiry': 'queue_general'
}
def route_ticket(ticket: dict) -> str:
result = classify_intent(ticket['message'])
intent = result['intent']
confidence = result['confidence']
queue = ROUTING_MAP.get(intent, 'queue_general')
ticket['intent'] = intent
ticket['confidence'] = confidence
ticket['queue'] = queue
return queueПорог уверенности для эскалации
Если классификатор не уверен (значение уверенности ниже 0,7), автоматическая маршрутизация может оказаться неверной. Обращения с низкой уверенностью следует передавать человеку для ручной первичной сортировки, а не автоматически направлять специалисту.
CONFIDENCE_THRESHOLD = 0.70
def route_with_escalation(ticket: dict) -> dict:
result = classify_intent(ticket['message'])
intent = result['intent']
confidence = result['confidence']
if confidence < CONFIDENCE_THRESHOLD:
return {
'ticket_id': ticket['id'],
'action': 'escalate_to_human',
'reason': f'Low confidence: {confidence:.2f}',
'suggested_intent': intent
}
queue = ROUTING_MAP.get(intent, 'queue_general')
return {
'ticket_id': ticket['id'],
'action': 'route_to_queue',
'queue': queue,
'intent': intent,
'confidence': confidence
}Эскалация приоритета на основе SLA
Даже автоматически маршрутизированные обращения могут не укладываться в SLA, если их не решить вовремя. Фоновая задача проверяет возраст обращения относительно целевых показателей SLA и передаёт просроченные обращения в очередь руководителя.
from datetime import datetime, timezone
SLA_HOURS = {
'queue_billing': 4,
'queue_tech': 8,
'queue_returns': 24,
'queue_fulfillment': 12,
'queue_general': 48
}
def check_sla_breach(ticket: dict) -> bool:
created = datetime.fromisoformat(ticket['created_at'])
age_hours = (datetime.now(timezone.utc) - created).total_seconds() / 3600
sla = SLA_HOURS.get(ticket['queue'], 24)
if age_hours > sla and ticket['status'] == 'open':
ticket['queue'] = 'queue_supervisor_escalation'
ticket['escalation_reason'] = f'SLA breach: {age_hours:.1f}h > {sla}h'
return True
return False
if __name__ == '__main__':
from datetime import datetime, timedelta, timezone
old_ticket = {
'created_at': (datetime.now(timezone.utc) - timedelta(hours=10)).isoformat(),
'queue': 'queue_billing',
'status': 'open',
}
breached = check_sla_breach(old_ticket)
print(f'SLA breached: {breached}')
if breached:
print('Escalation reason:', old_ticket['escalation_reason'])
Маршрутизация по нескольким меткам для сложных обращений
Некоторые сообщения затрагивают несколько областей: «Моя посылка пришла повреждённой, и с меня списали оплату дважды». Классификатор с несколькими метками возвращает несколько намерений; обращение дублируется в обеих очередях, а агенты координируют решение проблемы.
def classify_multi_intent(message: str) -> list[dict]:
prompt = (
f'A customer message may have multiple intents.\n'
f'Intents: {INTENTS}\n'
f'Message: "{message}"\n'
f'Return JSON array: [{{"intent": "...", "confidence": 0.0}}]\n'
f'Include only intents with confidence > 0.5'
)
resp = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': prompt}],
response_format={'type': 'json_object'}
)
data = json.loads(resp.choices[0].message.content)
return data.get('intents', [])
# Route to multiple queues
def route_multi(ticket: dict) -> list[str]:
intents = classify_multi_intent(ticket['message'])
return [ROUTING_MAP.get(i['intent'], 'queue_general') for i in intents]Извлечение метаданных обращения
Перед маршрутизацией извлеките из сообщения метаданные, которые помогут специалистам: номера заказов, названия продуктов и идентификаторы учётных записей. Это ускоряет решение проблемы, устраняя необходимость в первом раунде уточняющих вопросов.
def extract_metadata(message: str) -> dict:
prompt = (
f'Extract structured metadata from this customer message.\n'
f'Return JSON: {{"order_id": null, "product": null, "account_email": null}}\n'
f'Use null for fields not mentioned.\n'
f'Message: "{message}"'
)
resp = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': prompt}],
response_format={'type': 'json_object'}
)
return json.loads(resp.choices[0].message.content)
meta = extract_metadata('My order #A12345 for the blue headphones never arrived.')
print(meta) # {'order_id': 'A12345', 'product': 'blue headphones', 'account_email': None}Повышение приоритета на основе тональности
Разгневанные клиенты с большей вероятностью уйдут. Обнаруживайте негативную тональность и повышайте приоритет обращения, чтобы недовольные клиенты получали более быстрые ответы, даже если срок SLA ещё не истёк.
def detect_sentiment(message: str) -> str:
prompt = f'Classify sentiment as positive/neutral/negative.\nMessage: "{message}"\nReturn JSON: {{"sentiment": "..."}}'
resp = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': prompt}],
response_format={'type': 'json_object'}
)
return json.loads(resp.choices[0].message.content)['sentiment']
def set_priority(ticket: dict) -> str:
sentiment = detect_sentiment(ticket['message'])
if sentiment == 'negative':
ticket['priority'] = 'high'
elif sentiment == 'positive':
ticket['priority'] = 'low'
else:
ticket['priority'] = 'normal'
return ticket['priority']Определение цепочки эскалации
Определите чёткую цепочку эскалации, чтобы у каждой очереди был запасной вариант. Если очередь первой линии не решает проблему в течение SLA, обращение переходит на второй уровень, затем на третий (к старшему специалисту), а потом к руководителю.
ESCALATION_CHAIN = {
'queue_tech': 'queue_tech_tier2',
'queue_tech_tier2': 'queue_tech_senior',
'queue_tech_senior': 'queue_supervisor_escalation',
'queue_billing': 'queue_billing_senior',
'queue_billing_senior': 'queue_supervisor_escalation',
'queue_returns': 'queue_supervisor_escalation',
'queue_fulfillment': 'queue_supervisor_escalation',
'queue_general': 'queue_supervisor_escalation',
'queue_supervisor_escalation': None # terminal — human manager
}
def escalate(ticket: dict) -> str | None:
next_queue = ESCALATION_CHAIN.get(ticket['queue'])
if next_queue:
ticket['queue'] = next_queue
return next_queue
if __name__ == '__main__':
ticket = {'queue': 'queue_tech'}
for _ in range(3):
nxt = escalate(ticket)
print(f"Escalated to: {ticket['queue']}")
if nxt is None:
break
Полный конвейер маршрутизации
Объедините классификацию, извлечение метаданных, анализ тональности и проверку SLA в единый конвейер, который запускается для каждого входящего обращения.
def process_ticket(raw_ticket: dict) -> dict:
ticket = dict(raw_ticket)
# Step 1: Classify and route
routing = route_with_escalation(ticket)
ticket.update(routing)
# Step 2: Extract metadata
ticket['metadata'] = extract_metadata(ticket['message'])
# Step 3: Set priority from sentiment
ticket['priority'] = set_priority(ticket)
# Step 4: Check if already breaching SLA
if ticket.get('created_at'):
check_sla_breach(ticket)
return ticket
result = process_ticket({
'id': 'T001',
'message': 'I was charged twice for my subscription last month!',
'created_at': '2026-05-28T10:00:00+00:00',
'status': 'open'
})
print(result)Контроль точности маршрутизации
Отслеживайте точность маршрутизации, выбирая для проверки человеком определённый процент автоматически маршрутизированных обращений. Если специалист переназначает обращение в другую очередь, это ошибка маршрутизации. Используйте ошибки для улучшения запроса или дообучения классификатора.
import random
def log_routing_decision(ticket: dict, final_queue: str):
was_correct = ticket.get('queue') == final_queue
if not was_correct:
print(f'[ROUTING_ERROR] ticket={ticket["id"]} '
f'predicted={ticket["queue"]} actual={final_queue} '
f'confidence={ticket.get("confidence", 0):.2f}')
# Specialist reassigns ticket: log the discrepancy
def specialist_reassign(ticket: dict, new_queue: str):
log_routing_decision(ticket, new_queue)
ticket['queue'] = new_queue
return ticket
if __name__ == '__main__':
ticket = {'id': 'T-1001', 'queue': 'queue_billing', 'confidence': 0.62}
specialist_reassign(ticket, 'queue_tech')
Какой порог уверенности должен запускать эскалацию к человеку вместо автоматической маршрутизации
Выбор правильного порога уверенности позволяет сбалансировать долю автоматизации и точность маршрутизации. Слишком высокий порог приводит к чрезмерной эскалации, а слишком низкий — к ошибочной маршрутизации.
Повторение маршрутизации обращений
Эффективная маршрутизация обращений объединяет классификацию намерений с помощью LLM с порогом уверенности для эскалации к человеку, извлечение метаданных для более быстрого решения, приоритет на основе тональности для клиентов из группы риска и цепочку эскалации SLA, чтобы ни одно обращение не осталось без внимания.
Часто задаваемые вопросы
Урок «Маршрутизация обращений и логика эскалации» бесплатный?
Да — полный текст урока «Маршрутизация обращений и логика эскалации» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс AI Agents, подпишись на CoddyKit PRO. Курс AI Agents содержит 4 уроков всего.
Чему я научусь в уроке «Маршрутизация обращений и логика эскалации»?
Классификация намерений, маршрутизация к специализированным агентам и условия срабатывания эскалации. Ты практикуешь AI Agents с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать AI Agents?
Предыдущий опыт не требуется. AI Agents на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 1 из 4.
Сколько времени занимает урок «Маршрутизация обращений и логика эскалации»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке AI Agents?
Да. Каждый урок AI Agents включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Маршрутизация обращений и логика эскалации
- Интеграция с CRM: Salesforce и HubSpot
- Протоколы передачи оператору
- Управление контекстом и историей клиента