场景演示

某跨境电商团队每天会收到 200+ 条来自 Amazon、独立站、邮件与社媒的客户消息。人工分拣导致 SLA 不稳定，退款、物流、差评预警经常漏处理。这个场景用 OpenClaw 可以搭建“多渠道工单分诊流水线”：Collector Agent 统一采集，Triage Agent 自动分类优先级，Policy Agent 校验公司规则，Action Agent 生成回复草案并写回工单系统。

Step by step

1. 在 OpenClaw 中配置 4 个 Agent：采集、分诊、规则校验、执行。

2. 采集 Agent 每 5 分钟拉取新消息，标准化为同一 JSON 结构。

3. 分诊 Agent 按“退款/物流/商品咨询/差评风险/欺诈风险”打标签并评估紧急度。

4. 规则校验 Agent 读取退款政策、物流补偿标准、禁用表达清单，过滤违规回复。

5. 执行 Agent 输出“建议动作 + 可直接发送回复草案 + 需要人工确认项”。

6. 通过 webhook 把结果推送到客服看板，并把高风险工单@值班负责人。

7. 每日汇总 Agent 自动生成《工单效率日报》：平均响应时长、自动闭环率、升级占比。

可复制提示词

你是客服分诊 Agent。请根据输入工单 JSON 完成：

• 分类：退款/物流/商品咨询/差评风险/欺诈风险
• 紧急度：P0/P1/P2/P3
• 输出建议动作（最多3条）
• 生成一段可直接发送给客户的回复（语气专业、简洁、可执行）
• 标记是否需要人工复核（true/false）并说明原因

输出为 JSON，字段固定：category, priority, actions, reply, human_review, reason。

使用的skills

• multi-search-engine（检索客服自动化与多 Agent 协作案例）
• tavily-search（优先搜索素材；当前环境未配置 API，已回退为公开检索来源）
• halo-backend-publisher（后台 API 直接发布到 Halo）

价值与注意事项

**价值**：

• 把“先分拣再处理”的瓶颈自动化，显著降低首次响应时延。
• 让复杂问题自动升级、简单问题自动闭环，释放资深客服精力。
• 用统一结构数据为后续质检、培训、知识库优化提供基础。

**注意事项**：

• 必须把企业政策做成可版本化规则，不要把关键条款只写在 Prompt 里。
• 高金额退款、法律风险场景必须强制人工复核。
• 建议保留 Agent 决策日志，便于复盘误判与持续调优。