企业服务台花费大量时间处理重复请求、对工单进行分类，并反复响应相同的问题。
这导致响应延迟、解决方案不一致，并浪费了客服人员的时间。
Janus 通过自动化、智能分类和生成式人工智能解决了这个问题。
它是一个人工智能驱动的客服系统，用户可以提交工单、接收即时人工智能回复，管理员则可以通过统一的控制面板管理所有事项。Janus
由 MindsDB 人工智能代理和知识库提供支持，能够自动进行分类、对话和分析，从而提供更快、更一致的支持。
目标是实现服务台生命周期的自动化。
其结果是更快的响应周期、一致的答案和可操作的见解。
1. 基于人工智能的工单分类：
每个工单都由一个专用的 MindsDB 人工智能代理进行处理，该代理会预测工单的类型、类别、标签和优先级。
该模型会从以往的工单中学习，以随着时间的推移提高准确率。
工单元数据模式：
{
"type": "str",
"category": "str",
"priority": "str",
"tag_1": "str",
"tag_2": "str"
}
2. AI聊天支持
第二个代理处理实时对话，利用现有的知识库提供上下文信息，从而提供即时解决方案。
3. 管理员仪表盘
管理员可以查看分析数据，批准已解决的案例进入知识库，并按类型、优先级或类别筛选数据。
4. 知识库管理
知识库 (KB) 由 MindsDB 管理。它存储内容和元数据，用于检索和推理。
知识库模式：
content_columns = ["subject", "body", "answer"]
metadata_columns = ["type", "priority", "category", "tag_1", "tag_2"]
5. 搜索和洞察
管理员可以直接在仪表板中可视化工单趋势、最常用标签和类别分布。
以下是 Janus 的高级工作流程。
架构图：
json.loads()有关雅努斯建筑的更多信息，请访问此处。
Streamlit 和 MindsDB 之间的连接是通过 MindsDB Python SDK 处理的。
MindsDB 与外部 AI 提供商（具有 OpenAI 兼容的 API）集成，用于模型推理。
本项目使用Nebius作为提供商端点。
所使用的 LLM 为Qwen/Qwen3-235B-A22B-Thinking-2507，嵌入模型为Qwen/Qwen3-Embedding-8B。
两个 MindsDB AI 代理为工作流程提供支持：
知识库将向量数据库（ChromaDB）与用于上下文检索的嵌入模型相结合。
“如果您想查看我的初步工作，包括知识库创建、AI代理逻辑、查询和一些文件数据库操作，请查看这里的笔记本。”
最具挑战性的部分是准备工单分类器的提示信息，使其输出可直接使用解析器解析的有效 JSON 结构json.loads()。
这使得与 Streamlit 组件能够无缝集成，并最大限度地减少后处理。
示例输出：
{
"type": "Login Issue",
"category": "Authentication",
"priority": "high",
"tag_1": "password",
"tag_2": "reset"
}
MindsDB 的集成非常简单，其 Python SDK 提供了用于代理调用和知识库管理的简易 API。Streamlit
页面（用户和管理员页面）采用模块化设计，可通过侧边栏访问。
人工智能充当第一响应者，处理重复性问题，使人类人员能够专注于复杂案例。
Janus 展示了如何将 Streamlit 的简洁性与 MindsDB 的人工智能和知识库功能相结合，从而实现端到端的客户支持自动化。
它展示了一种模块化架构，该架构可以演进为可用于生产环境的多渠道支持系统。
请给仓库点赞以示支持。
k0msenapati / janusJanus是一款人工智能驱动的客服系统，旨在让客户支持更快捷、更智能。它帮助用户提交支持工单，获得即时的人工智能回复，并允许管理员通过一个简洁的控制面板管理所有事项。
企业服务台花费大量时间对重复的支持请求进行分类和响应，而 Janus 可以自动化整个生命周期：
结果：缩短响应时间，提供一致的解决方案，并获得可操作的见解。
🎟️ 用户门户
🧠 管理员门户
如果您觉得这篇文章有用，请与您的朋友和社区分享，让更多人了解这篇文章。
关注我，获取更多类似内容！
