📢 转载信息
原文链接：https://openai.com/index/openai-support-model
原文作者：OpenAI
本文是分享 OpenAI 如何利用自身技术和 API 的内部案例系列的一部分。这些工具仅在 OpenAI 内部使用，在此分享旨在说明前沿 AI 如何支持我们团队的各种用例。我们还分享了内部工具的名称，以便更清晰地展示前沿 AI 如何帮助团队完成工作。
超越工单处理：一种新的运营模式
传统意义上的支持工作，往往意味着排队、处理工单和关注吞吐量。但在 OpenAI，这远远不够。我们服务着数亿用户，每年处理数百万请求，并且这种体量还在以数倍的速度增长。
许多组织都面临规模化挑战。但能同时应对规模化和超高速增长的组织却很少。而 OpenAI 恰好处于这种独特的结合中——同时我们还在构建可能改变这种局面的技术本身。正是这种结合，使我们能够从根本上重新思考支持体系。
“支持工作从来就不只是回复工单。它关乎用户是否获得了所需，以及服务是否真正为他们带来了价值。”
支持挑战的本质不是工作量问题，而是工程和运营设计问题。因此，我们构建了一个与众不同的运营模式：一个能让每一次交互都持续改进下一次交互的系统。
连接交互系统
我们的运营团队的目标是远远超越使用聊天机器人来分流支持问题的范畴。团队的愿景是：将支持重塑为一个能够持续学习和改进的 AI 运营模型。
该模型的核心包含三个关键组成部分：
- 触点 (Surfaces)：用户与支持系统进行交互的渠道。包括聊天、电子邮件和电话，但越来越多地嵌入到产品内部。
- 知识 (Knowledge)：不仅仅是静态文档，而是从真实对话、政策和情境中提取并持续改进的动态指南。
- 评估与分类器 (Evals and classifiers)：由软件和人类协同构建的共享质量定义，以及用于衡量、改进和突出反馈的工具。
这些组件并非孤立存在，它们形成了一个闭环。在企业对话中发现的模式可以为开发者 FAQ 提供信息。为一个特定案例编写的评估可以强化模型处理数千个类似案例的能力。由于相同的底层能力 (primitives) 驱动着所有触点（聊天、邮件、语音），改进可以自动跨渠道扩展。
支持专员：成为系统思考者
支持专员的角色正在发生转变。我们的目标是将模型的重心从主要处理事务性工作，转变为参与到整体构建过程中。他们有能力直接通过自下而上的变更贡献，也可以通过日常工作的自然流程间接影响架构本身。
专员们会将应该成为测试用例的交互标记出来，在发现新模式时提出并部署分类器，甚至可以在几天内原型化轻量级自动化来填补工作流程中的空白。培训也随之转变，不再仅仅关注政策，还包括评估交互、识别结构性差距并将改进反馈回系统。
新方法旨在确保支持专员既是响应者，也是构建者。
“座席不仅仅是在回复工单。他们正在丰富我们的知识库和政策。他们拥有我们所不具备的‘地面情报’。”
结果是，一个不再以吞吐量衡量，而更多以其进化能力来定义的支持组织。每个人不仅在为用户服务，同时也在积极改进服务于所有用户的底层机制。
从底层能力到规模化生产
以这种方式构建支持系统，之所以成为可能，是因为我们基于 OpenAI 的技术栈。
- Agents SDK 默认提供了步进式追踪和可观察性。我们可以回放运行、检查工具调用，并即时调试根本原因。
- Responses API 为语调、准确性和政策遵守情况提供分类支持。
- Realtime API 使语音支持成为可能。
- OpenAI 的 Evals 仪表板 使质量可以量化并随时间直观地展示。
由于平台底层能力是现成的，我们花在系统粘合上的时间更少，而花在关键工作上的时间更多：定义“好”的标准，衡量它，并不断改进它。
我们从一个效果良好的简单问答工具开始。利用 Agents SDK，我们迅速扩展到用于退款、发票、事件查询等动态操作。随着模型不断通过更大的上下文窗口、深度研究和更强的代理能力持续改进，我们可以立即采纳这些进步。
不断复利的学习
评估 (Evals) 将日常对话转化为生产环境中的测试用例。它们将“出色”的含义编码化——不仅是解决问题，而且是以礼貌、清晰和一致的方式解决问题。专员在这里扮演着直接角色，标记出优秀和薄弱的示例，这些示例随后成为评估标准，这些评估标准在生产环境中持续运行，以引导模型的行为。
“通常当你遇到问题时，你只是想尽快得到帮助。通过使用我们的 AI 工具，我们能够更快地获得这些回复——同样重要的是，我们知道模型何时不应该回答，”支持自动化软件工程师 Jay Patel 说道。
学习并未止步于问题解决。模式会反馈到知识库、自动化和产品设计中。这个系统会不断积累复利：为用户提供更快响应，为构建者提供更紧密的反馈循环，并在每一个触点上持续提高质量标准。
而且学习的不仅是 AI。整个组织也在同步学习。专家们会发现模型力所不逮之处，设计新的分类器，并为微调贡献数据集。可观察性仪表板使质量可以量化，展示了性能随时间的提升情况。
支持的未来蓝图
最深刻的转变不在于工具，而在于人员以及组织衡量成功的方式。支持专员不仅因解决问题而受到认可，还因完善知识、改进模型和扩展系统本身而受到认可。领导者正在寻找一种新型的团队成员：一个能够将一线同理心与设计直觉相结合，将支持工艺与好奇心相结合，以改进系统的人。
“我们开始看到深度工艺专业知识与深度工程专业知识的结合。这就是部门未来运营的方式。”
我们的愿景是，支持不再是一个你需要“去往”的目的地。它将成为一种“行动”，编织到每一个产品触点中。用户不会“打开一个工单”。他们只是在需要的地方，直接获得所需的服务。
这场始于应对规模化的变革，现已成为人与 AI 如何协同工作的一份蓝图：协作、适应性强，并持续改进。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，小白也可以简单操作。
青云聚合API官网https://api.qingyuntop.top
支持全球最新300+模型：https://api.qingyuntop.top/pricing
详细的调用教程及文档：https://api.qingyuntop.top/about
评论区