SpaceXSI 如何用 Grok Bot 扩展客服支持，工单量增175%而未新增招聘

当 Cursor 于 8 月 14 日成为 SpaceXSI 的一部分时，我们的两个客户支持团队开始围绕更广泛的产品组合进行整合。

与此同时，我们正准备推出 Grok Bot，一个你可以委以实际工作的 AI 队友。我们预计该产品会快速增长，带来新一波用户和支持需求。

我们决定使用 Grok Bot 本身来帮助满足这一需求，让它在整个支持运营中发挥作用。它登录了与我们团队相同的工具，其职责从解决单个工单延伸到帮助我们理解并改进整个运营。

我们新合并的团队的支持工单量增长了 175%，但多亏了 Grok Bot，我们不必招聘任何新员工。否则我们可能需要额外招聘 200 人。

我们还是以常规成本的一小部分来做到这一点的。传统 AI 支持工具按每次解决收取 1 到 4 美元的固定费用。而使用 Grok Bot，你只需为实际使用量付费，这部分已包含在你的套餐中。通过一些小优化，我们已经能够以低至 0.20 到 0.30 美元的成本解决工单。

奠定基础

我们采取了“爬、走、跑”的方式来设置 Grok Bot。我们首先将它连接到几个核心系统，包括用于工单管理的 Plain 和用于问题跟踪的 Linear。然后我们让它表现得好像拥有这些工单，同时将其限制为只能撰写内部备注，且每次写入操作都需要人工批准。这让我们能够检查它是否理解每个问题并提出了正确的下一步行动，而不会影响客户体验。

随着结果变得越来越可靠，我们为每次运行添加了追踪和评估。当出现问题时，我们可以看到 Grok Bot 在哪里偏离了方向，进行调整，然后重试。Grok Bot 也可以自行分析这些运行。这种反馈循环让我们能够在保持流程可控的同时快速推进。

一旦这一基础就位，我们开始在复杂度最低的工单上推出 Grok Bot。第一天，我们人工审查了它的理解和拟定的回复，检查其准确性、语气，以及是否遵循了我们的指令。到当天结束时，我们已有足够的信心让它开始直接回复客户。从那时起，我们逐步扩大了它可以处理的工单范围。

从接收问题到解决问题

如果考虑解决一个工单所需的端到端时间，大部分时间都花在发现、调查和故障排查上。我们开始将 Grok Bot 应用于每个工单，作为它一进入我们系统时的预调查步骤。这可能成本高昂，因此我们研究了常见工单并对常见问题进行了分类，以减少需要花费的 token 数量。当一个简单的帮助中心查询就能解决问题时，我们也不会耗用大量的故障排查资源。

每当我们遇到已知问题（它连接到了我们的 Linear 实例），或者在后端遇到常见错误（它连接到了 Datadog）时，我们都训练 Grok Bot 既可以添加到现有问题中，也可以创建新问题。Grok Bot 还会通过视频重现问题，帮助工程团队快速解决它。

当然，我们还需要确保客户能从我们这里得到明确的回复。我们用超过一百万条客户互动记录训练了 Grok Bot，使它直接从我们的员工那里学会了我们的语气和风格。Grok Bot 经过训练，不仅会做出回应，还会始终推动工单走向解决。它通过提出相关问题来实现这一点（也就是说，它不会提出答案已存在于我们日志中的问题）。

Grok Bot 还可以代表客户采取行动。例如，我们为它提供了明确的退款指引，使得 99% 的退款请求无需人工干预即可解决。

实时管理队列

解决单个工单只是工作的一部分。我们还需要了解整个队列中正在发生的情况。Grok Bot 持续监控入站流量，并根据需要关注的内容调整队列。它可以重新排列工单的优先级，根据紧急程度重新分配工单负责人，并在我们即将违反响应时间 SLA 时向组织发出警报。

Grok Bot 还会跨工单寻找模式。当围绕某一特定问题出现的工单量达到设定阈值时，它可以自动宣告事故。它会监控 X 上的情绪变化以及同一问题的重复报告，让我们能够看到直接联系支持团队的客户之外的情况。这些信号共同帮助我们及早发现新出现的问题。

在我们当前的规模下，单纯基于流量的警报会产生大量噪音。Grok Bot 会评估某个峰值是否反映了真实的支持问题，并在向团队发出警报之前先开始调查。这让我们更清楚地了解哪些情况需要采取行动，同时节省了团队的时间和精力。

持续改进我们的客户支持系统

随着 Grok Bot 承担了更多客户支持工作，它也为我们提供了一种改进运营本身的新方式。它会审查由人工和 Bot 处理的客户互动，就可改进之处提供具体反馈，并为个别团队成员和 Bot 发现辅导机会。

每周，Grok Bot 都会向我们的领导团队发送一份摘要，说明我们的 AI 回复在哪些方面有所不足。有时解决方案是更多的训练或更好的文档；有时这份摘要则确认我们设置的护栏机制正在发挥作用。这让我们能够定期了解质量状况，并帮助我们及早应对规律性的问题。

随着越来越多的用户向 Grok 寻求支持，我们的帮助中心日益成为其回答的素材来源。为了保持这些回答的准确性，Grok Bot 会审查我们代码库的变更，并就帮助中心提出相应的更新建议。

我们现在已经进入了 Grok Bot 可以指导其他 Grok Bot 的阶段。它们会识别知识体系中的缺口，填补这些缺口，并将所学内容反馈到系统中。我们正在将这一循环扩展到整个产品组合，使其覆盖每一个产品触点。

将客户支持数据转化为决策

Grok Bot 已成为我们的默认数据分析师，将它在客户支持中观察到的情况转化为发送到我们 Slack 频道的每日报告。当它检测到糟糕客户体验的早期迹象时，就会标记这一情况，以便团队能在还有时间改变结果时及时介入。

举个例子：当一张工单在客户与我们的团队成员（无论是人工还是 Bot）之间来回超过三次时，Grok Bot 就会将该互动标记出来供管理层审查，让领导层有机会介入并挽回客户体验。这类互动有助于训练 Grok Bot，随着 Grok Bot 逐渐了解哪些信号对团队有用，相关报告也会随时间变得更有参考价值。

同样的分析也帮助我们提升产品质量。Grok Bot 每天从客户支持工单中汇总超过 20,000 条产品反馈，并将其归纳为清晰的主题，供我们提交给工程团队。这让产品团队能更全面地了解客户在哪些方面遇到困难、产品在哪些方面需要改进。

Grok Bot 如何改变一个客户支持团队

Grok Bot 仍是一种全新的工作方式，但它已经改变了我们团队的运作方式。我们不再把一天中的大部分时间花在重复性的支持工作上，而是可以专注于设定护栏、处理需要判断力的案例，并决定运营该如何改进。这让工作更有吸引力，也让人们有更多空间将自己的经验应用于更难的问题。

我们仍在探索这种模式能够带来什么。随着客户支持的角色不断演变，我们会持续分享我们的发现。