OpenAI 支持模型：将用户支持转变为 AI 运营模型

OpenAI 已将其用户支持从传统的基于工单的系统转变为面向高速增长的 AI 运营模型。这种方法将重点从处理事务性量转向创建一个持续学习循环，使每一次用户互动都能提升系统的整体性能。

支持的 AI 运营模型

OpenAI 将支持视为工程和运营设计挑战，而非单纯的量化挑战。组织已经超越了仅使用聊天机器人进行简单分流的做法，构建了一个系统，使所有渠道的互动——聊天、电子邮件、电话以及直接嵌入产品的帮助功能——持续提供信息并优化支持体验。

该模型基于三个核心构建块：

• Surfaces（表面）: 交互点，包括聊天、电子邮件、电话以及直接嵌入产品中的帮助功能。
• Knowledge（知识）: 一个动态的指导系统，来源于真实对话、政策和上下文，而非静态文档。
• Evals and Classifiers（评估与分类器）: 由人类和软件共同创建的质量定义，用于衡量、改进和突出反馈。

由于这些原语驱动所有表面，对某一渠道的改进（例如在企业对话中识别出的模式）会自动在所有其他支持渠道中扩展。

支持代表角色的演变

在此新模型中，支持代表从响应者转变为“系统思考者”和构建者。他们不再仅专注于解决单个工单，而是被赋能为支持系统的架构贡献力量：

• Contributing to Evals（贡献评估）: 代表标记可作为测试案例的互动，以编码“优秀”支持的标准。
• Shipping Classifiers（发布分类器）: 当代表识别出新的用户模式时，提出并实现分类器。
• Prototyping Automation（原型自动化）: 代表构建轻量级自动化，以弥补工作流中的缺口。

正如工程经理 Shimul Sachdeva 所言：“Agents 不仅仅是响应工单，它们还在为我们的知识库和政策提供信息。”

通过 OpenAI 堆栈的技术实现

OpenAI 的内部支持系统使用其自有的开发者工具套件构建，能够快速迭代并集成新功能：

• Agents SDK: 提供步骤级跟踪和可观测性，使团队能够重放运行、检查工具调用并调试根本原因。
• Responses API: 为用于监控语气、正确性和政策遵循的分类器提供动力。
• Realtime API: 实现语音支持的功能。
• Evals Dashboard: 使质量能够随时间进行测量和可视化。

团队从一个简单的问答系统起步，利用 Agents SDK 扩展到动态操作，如处理退款、管理发票以及执行事件查询。

学习叠加与反馈循环

系统的设计使学习随时间叠加。评估将日常对话转化为生产测试，确保回复礼貌、清晰且一致。此过程使系统能够识别模型不应回答的问题，从而降低错误。

该反馈循环不仅限于 AI 本身，还延伸至整个组织。专家识别模型的不足之处并贡献用于微调的数据集，而可观测性仪表板提供了可衡量的方式来跟踪性能提升。这种整合确保用户互动中的模式直接反馈到知识库、自动化和产品设计中。