本文属于系列报道之一，聚焦 OpenAI 如何基于我们的技术构建自有解决方案。

传统支持服务意味着排队、工单和吞吐量。但在 OpenAI，这远远不够。我们服务数亿用户，每年处理数百万请求，且需求量以倍数增长。

许多企业面临规模化挑战。但同时应对规模与超高速增长者寥寥无几。而我们不仅身处这种特殊境地，更在构建可能改变游戏规则的技术。这种独特定位促使我们彻底重构支持体系。

支持服务并非单纯的量级挑战。而是工程与运营设计的挑战。因此我们构建了全新的运营模式：每次交互都推动下一次改进。

运维团队的目标远不止用聊天机器人分流支持问题。他们怀揣愿景：将支持服务重塑为持续学习进化的 AI 运营模式。

核心架构由三大模块构成：

这些组件并非孤立存在。而是形成闭环。企业对话中发现的模式可转化为开发人员常见问题解答。针对单个案例的评估结果能强化数千个案例的模型。由于相同的基础组件驱动所有交互界面——聊天、邮件、语音——改进效果可自动跨渠道扩展。

支持代表的角色正在转变。我们的目标是将工作模式从专注处理事务性工作，转向成为整体构建体系的一部分。他们被赋予参与架构设计的权限：既可通过自下而上的变更部署直接贡献，也可通过日常工作的自然流程间接参与。

代表们会标记应转化为测试案例的交互，在发现新模式时提出并发布分类器，甚至能在数日内原型化轻量自动化方案以填补工作流缺口。培训模式也随之转变：不仅传授政策规范，更注重评估交互质量、识别结构性缺陷并推动改进反馈。

新模式致力于确保支持代表既是响应者，更是构建者。

由此形成的支持体系，其价值不再仅体现在吞吐量上，更在于持续进化的能力。每位成员不仅服务用户，更在主动优化服务所有用户的系统架构。

这种支持体系的构建，得益于我们基于 OpenAI 技术栈的架构。

由于平台基础组件已预先构建，我们减少了系统整合的时间投入，得以专注于核心工作：定义优质服务标准、建立衡量体系并持续优化。

我们从一个简单的问答系统起步，效果良好。借助智能体 SDK，我们迅速扩展到退款、发票查询、事件检索等动态操作。随着模型通过更大背景信息窗口、深入研究和更强的代理能力持续改进，我们能立即采用这些技术突破。

评估机制将日常对话转化为生产环境测试。它将“卓越”的定义固化为：不仅要解决问题，更要做到礼貌、清晰且一致。客服代表在此发挥关键作用——他们标记优劣案例形成评估样本，这些样本持续在生产环境运行以引导模型行为。

“通常遇到问题时，人们只求最快解决。借助 AI 工具，我们不仅能大幅加速回复速度，更重要的是能精准判断模型何时不应作答，”支持自动化团队软件工程师 Jay Patel 如是说。

学习不止于问题解决。模式反馈融入知识库、自动化流程和产品设计。系统形成良性循环：用户获得更快速的解答，构建者获得更紧密的反馈循环，所有环节的质量标准持续提升。 不仅 AI 在学习。整个组织也在同步进化。专家们洞察模型短板，设计新分类器，并贡献数据集进行微调。可观测性仪表盘使质量可量化，清晰展示性能随时间的提升轨迹。

最深刻的变革不在于工具，而在于人员构成与组织成功标准的转变。支持专家不仅因解决问题而受认可，更因精进知识体系、优化模型架构、拓展系统边界而获得肯定。管理者正寻求新型团队成员：既具备一线同理心又拥有设计直觉，将支持技艺与系统优化好奇心相融合的人才。

我们的愿景是让支持不再是用户前往的目的地。而是融入每个产品界面的行动。用户无需“提交工单”。只需在所在位置获取所需帮助。

这项最初为应对规模化而生的举措，已演变为人类与 AI 协同工作的蓝图：协作、适应、持续进化。