Windmill 用 Claude 构建 AI 辅助客户支持流水线

Windmill 团队在工程博客中分享了他们如何利用 Claude 大模型与自家工作流平台，构建了一套覆盖 Slack、Email、Discord 和 GitHub Issues 的自动化客户支持系统。整个流程以人工最终审核为安全阀，确保 AI 起草的回复质量不下降；自上线以来，该队列已处理约 3100 次对话。

多渠道归一，统一 Discord 队列

团队将所有客户沟通渠道汇入同一个 Discord 线程作为工作队列：

• Slack 通过 Webhook 接入，新频道自动加入，不会遗漏客户的首条消息
• 专用邮箱经 Windmill 邮件触发器接入，并被标准化为统一格式
• Discord 消息通过 WebSocket 触发器实时进入
• GitHub Issues 先镜像到 Linear，再走同一套分诊流程，公共社区报告同样受益，并叠加更严格的护栏

每个入口都经过统一的「清理」步骤：用轻量分类模型过滤感谢、闲聊等噪声，把附件归档到对象存储，并处理 assign、close 等团队指令。

线程匹配与异步处理

新消息并不总是新工单——客户可能在数天后回复旧线程，也可能重复报告已知 bug。系统用一个轻量模型读取每条新消息，与近期会话做语义对比，判断它应当延续旧线程还是开新会话：匹配成功则重新挂载原有上下文，匹配失败才创建新工单。

入口流程不做重活，而是把后续分析入队为独立任务，处理耗时通常远低于 1 秒，因此十条消息并发到达也不会排队阻塞，耗时的分析被放在带外进行。

三阶段分析与 Claude 角色分工

异步任务在沙盒化的 Windmill 脚本中调用 Claude，并喂给它完整的上下文：

• 客户档案：套餐、订阅状态、最近使用情况
• 对代码库、文档与 GitHub Issues 的只读访问权限，便于核对是否已知问题或已在新版本修复
• 该客户实例的遥测数据，严格限定范围，查询无法越权读取他人数据
• 邮件附件中的文本与图片直接交给模型

分析最终输出一个小型结构化对象，包含一句话摘要、可直接发送的客户回复草稿，以及可选的修复请求（含标题、问题描述、文件行号和 diff）。Opus 负责重分析，Sonnet 与 Haiku 处理路由与分类等轻量任务。

人工终审与对话续接

摘要与草稿会直接发布到线程里，等人工查看时工单已经像有人在处理。当客户再次回复时，流程重新加载先前上下文，以「跟进模式」运行，让同一段对话持续累积，而不是每次从头冷启动。最终回复与修复由人工按下「批准」后才对外发送，AI 起草质量始终处于人工把关之下。