今天分享一个客服工单文本字段结构化拆分的实战案例：对原始工单数据完成清洗，并从工单描述中提取客户ID、产品编码、故障现象等字段，再关联客户和产品信息，完成后续统计分析。

这里要介绍是小白都能用的AI 工作流方案：

不用写 Python，也不用懂 SQL，直接在本地电脑上就能完成千万级 XLSX/CSV 客服工单数据的清洗、文本字段提取、关联分析和结果输出。

二、案例需求分析

 有三张原始数据表，数据量在百万到千万级别，如下：

• 工单记录表.csv （工单ID、创建时间、状态、优先级、工单描述）— 300万行
• 客户信息表.csv （客户ID、客户名称、客户等级、所属地区）— 50万行
• 产品目录表.csv （产品编码、产品名称、产品线、是否停产）— 2万行

本案例要先清洗 3 张表的数据，再从工单描述中提取客户ID、产品编码、故障现象等字段，随后关联客户和产品信息，最后输出多个统计分析结果表和可视化大盘。

生成的可视化大盘如图（HTML文件）：

生成的结果数据表，如图：

1. 清洗数据

清洗数据就是将一些带有脏数据，格式有问题的数据都清洗成统一的， AI 工作流内置了 Python Agent，通过提示词就能实现任意清洗逻辑，如下提示词：

1. "创建时间"统一为 yyyy-MM-dd HH:mm:ss 格式
2. 将"状态"列中的"待处理"、"open"、"新建"统一改为"待处理"，将"已解决"、"closed"、"完成"统一改为"已解决"
3. 将"优先级"列中的"P1"、"紧急"、"urgent"统一改为"紧急"，将"P2"、"高"、"high"统一改为"高"
4. 从"工单描述"列中提取以大写字母"C"开头、后面紧跟数字的客户ID，写入新列"客户ID"
5. 从"工单描述"列中提取以大写字母"P"开头、后面紧跟数字的产品编码，写入新列"产品编码"
6. 从"工单描述"列中提取"故障:"后到下一个逗号或句号之前的文本，写入新列"故障现象"

2. 关联数据

完成清洗和字段提取后，下一步就是把工单表、客户信息表、产品目录表关联起来，生成一张工单关联宽表。
AI 工作流内置了 SQL Agent，只需要用自然语言描述关联逻辑，就可以自动完成多表关联、字段补充和结果输出，如下提示词：

1. 将工单表按"客户ID"关联客户信息表，再按"产品编码"关联产品目录表
2. 新增"信息完整性"列；按"客户ID"找不到客户，或按"产品编码"找不到产品时写为"信息不完整"，客户和产品都匹配成功时写为"信息完整"

3. 统计分析

拿到工单关联宽表之后，就可以继续做统计分析。
AI 工作流通过SQL Agent，可以根据提示词自动完成分组统计、排序、筛选和结果输出，不需要手写 SQL，如下提示词：

1. 按"产品线"分组，统计工单总数、各优先级分布、信息不完整率，输出"产品线工单统计表"
2. 按"故障现象"+"产品线"分组，统计工单数，并按工单数降序取 Top30，输出"高频故障Top30表"
3. 按"客户等级"分组，统计工单数量、紧急工单占比，输出"客户等级工单统计表"
4. 筛出"是否停产"="已停产"且仍有工单提交的记录，输出"停产产品工单明细表"
5. 按"月份"分组统计工单量，输出"工单量月度趋势表"

二、案例要完成的任务提示词

这个提示词就是案例需要完成的任务，直接用于配置到工作流智能体里面。

需要说明一点： 提示词不一定非要写成固定模板 。只要表达得 清晰 、 明确 、 简洁 ，让人一眼能看懂要做什么、按什么顺序做、最后输出什么结果，就可以了。

本次案例整理出的提示词如下：

整体要求：从客服工单描述中提取结构化字段，生成工单分析报告：

第一步 - 清洗并提取工单记录表：
1. "创建时间"统一为 yyyy-MM-dd HH:mm:ss 格式
2. 将"状态"列中的"待处理"、"open"、"新建"统一改为"待处理"，将"已解决"、"closed"、"完成"统一改为"已解决"
3. 将"优先级"列中的"P1"、"紧急"、"urgent"统一改为"紧急"，将"P2"、"高"、"high"统一改为"高"
4. 从"工单描述"列中提取以大写字母"C"开头、后面紧跟数字的客户ID，写入新列"客户ID"
5. 从"工单描述"列中提取以大写字母"P"开头、后面紧跟数字的产品编码，写入新列"产品编码"
6. 从"工单描述"列中提取"故障:"后到下一个逗号或句号之前的文本，写入新列"故障现象"
7. "客户ID"、"产品编码"、"故障现象"提取不到时写为"未提取到"

第二步 - 清洗客户信息表：
1. 将客户信息表中"客户等级"列里的"VIP"、"vip"、"贵宾"统一改为"VIP"，将"普通"、"normal"、"一般客户"统一改为"普通"

第三步 - 清洗产品目录表：
1. 将产品目录表中"是否停产"列里的"Y"、"是"、"true"统一改为"已停产"，将"N"、"否"、"false"统一改为"未停产"

第四步 - 生成工单关联宽表：
1. 将工单表按"客户ID"关联客户信息表，再按"产品编码"关联产品目录表
2. 新增"信息完整性"列；按"客户ID"找不到客户，或按"产品编码"找不到产品时写为"信息不完整"，客户和产品都匹配成功时写为"信息完整"

第五步 - 生成产品线工单统计表：
1. 基于"工单关联宽表"
2. 按"产品线"分组，统计：工单总数、各优先级分布、信息不完整率
3. 输出"产品线工单统计表"

第六步 - 生成高频故障Top30表：
1. 基于"工单关联宽表"
2. 按"故障现象"+"产品线"分组，统计工单数
3. 按工单数降序取Top30
4. 输出"高频故障Top30表"

第七步 - 生成客户等级工单统计表：
1. 基于"工单关联宽表"
2. 按"客户等级"分组，统计：工单数量、紧急工单占比
3. 输出"客户等级工单统计表"

第八步 - 生成停产产品工单明细表：
1. 基于"工单关联宽表"
2. 筛出"是否停产"="已停产"且仍有工单提交的记录
3. 输出"停产产品工单明细表"

第九步 - 生成工单量月度趋势表：
1. 基于"工单关联宽表"
2. 按"月份"分组，统计：工单量
3. 输出"工单量月度趋势表"

三、落地实现：工作流配置

 工作流是由多个智能体节点组成的，这个案例我们涉及到下面几个智能体：

• 文件助手： 获取磁盘的文件或目录。
• 内容清洗器： 专门用来做数据清洗的，只要输入清洗描述就可以对文件数据进行任意整理。
• 数据入库：将文件数据转成本地数据库，用于后面作SQL统计。
• 表统计： 对本地数据库表进行SQL统计，不需要写sql，只需要统计的描述就可以了。
• 报表导出： 对数据库表进行导出，支持导出csv，xlsx，HTML（可视化显示） 。

根据这几个智能体还有上面描述的提示词，我们就可以完成工作流的配置了。

1. 配置文件助手

”文件助手“ 可以用来获取磁盘上任意的一个或多个文件。打开DT-Bot工作流， 配置一个 “文件助手”智能体节点，描述原始数据文件位置，如图：

DT-Bot工作流，解决方案获取可以看文章末尾名片。

根据提示词描述，获取到了”工单记录表.csv“原始表格，给后面智能体使用。

2. 配置内容清洗

“内容清洗器” 很强大，内部是通过python agent执行引擎处理的， 可以对文件进行任意数据整理，我们直接输入清洗提示词就可以了， 如图：

清洗完成后，还是输出的文件，下面需要进行SQL统计，需要先将文件进行入库。

3. 数据入库

”数据入库“ 智能体可以将文件导入到本地数据库引擎，然后形成数据库表，无需任何提示词，如图配置入库：

到此，我们 工单记录表.csv 的清洗，入库就完成了， 其余的表也是如此配置。

4. 表统计

接下来我们需要进行sql统计，直接用“表统计”智能体就好了， 也是直接输入提示词描述，工作流内部会生成相关sql进行统计（全程不用你操心），下面是我配置完成的图：

5. 导出报表

表统计后，只生成了结果表到数据库里面，还需要从数据库里面下载出来，这是要用“报表导出”智能体，可以指定哪些表，下载类型（支持CSV+HTML），如下图：

配置完成后，我们发布工作流执行就可以了。

四、结尾语

这个案例的价值，不只是完成了工单数据清洗，更重要的是把工单描述中的关键信息提取出来，并和客户、产品数据关联起来，形成可直接分析的结果表。通过字段清洗、文本提取、信息关联和统计分析，整个处理过程更清晰，也更贴近真实业务场景。

按照 AI 工作流配置好处理要求后，不需要手写 Python 和 SQL，也可以把原始工单数据快速整理成可直接用于分析和管理的结果表。