agent-miner

Agent 交互挖掘

概述

此技能涵盖挖掘 ServiceNow 中的 Agent 交互，以发现自动化机会。通过分析对话日志、事件模式、请求履行数据和解决工作流，你可以识别适合由虚拟 Agent 处理或通过流程自动化的重复性任务。

主要功能：

• 分析虚拟 Agent 和实时 Agent 会话中的对话记录
• 识别适合自动化的高频、低复杂度交互模式
• 发现常见解决路径，并将其标准化为机器人主题
• 映射虚拟 Agent 与实时 Agent 之间的交接点，优化升级流程
• 根据每种模式估算节省时间，量化自动化投资回报
• 生成按优先级排序的自动化候选项报告

适用场景： 规划虚拟 Agent 扩展、发现自助服务机会、为自动化投资制定商业论证，或优化 Agent 工作量分配时。

前提条件

• 角色： 具有报告访问权限的 admin、virtual_agent_admin 或 itil
• 插件： com.glide.cs.chatbot（Virtual Agent）、com.glide.interaction（Agent Workspace）
• 访问权限： 对 interaction、sys_cs_conversation、sys_cs_message、incident、sc_req_item 表具有读取权限
• 数据： 至少 30 天的交互历史记录，才能进行有意义的模式分析
• 相关技能： 使用 genai/build-agent 实现已发现的自动化候选项

流程

步骤 1：收集交互量指标

获取总体交互量，以建立基线并识别高流量类别。

MCP 方式：

Tool: SN-Query-Table
Parameters:
  table_name: interaction
  query: sys_created_on>=javascript:gs.daysAgo(30)^state=closed
  fields: sys_id,number,channel,category,subcategory,assignment_group,assigned_to,opened_at,closed_at,close_code,short_description
  limit: 500

REST 方式：

GET /api/now/table/interaction
  ?sysparm_query=sys_created_on>=javascript:gs.daysAgo(30)^state=closed
  &sysparm_fields=sys_id,number,channel,category,subcategory,assignment_group,assigned_to,opened_at,closed_at,close_code,short_description
  &sysparm_limit=500
  &sysparm_display_value=true

步骤 2：分析虚拟 Agent 对话记录

提取对话消息，以识别常见意图和用户语言模式。

MCP 方式：

Tool: SN-Query-Table
Parameters:
  table_name: sys_cs_conversation
  query: sys_created_on>=javascript:gs.daysAgo(30)^state=closed
  fields: sys_id,number,topic,state,live_agent_transfer,user,sys_created_on,channel,resolution_code
  limit: 200

然后，提取高频主题的消息：

Tool: SN-Query-Table
Parameters:
  table_name: sys_cs_message
  query: conversation=<conversation_sys_id>^ORDERBYsys_created_on
  fields: sys_id,body,direction,sys_created_on,typed_text
  limit: 50

REST 方式：

GET /api/now/table/sys_cs_conversation
  ?sysparm_query=sys_created_on>=javascript:gs.daysAgo(30)^state=closed
  &sysparm_fields=sys_id,number,topic,state,live_agent_transfer,user,sys_created_on,channel,resolution_code
  &sysparm_limit=200
  &sysparm_display_value=true

步骤 3：识别重复事件模式

查询事件，找出高频且解决时间较短的类别，这些类别可能对应可自动化的任务。

MCP 方式：

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_on>=javascript:gs.daysAgo(30)^state=6^resolved_at!=NULL
  fields: sys_id,number,category,subcategory,short_description,close_notes,resolution_code,assignment_group,calendar_duration,contact_type,reassignment_count
  limit: 500

REST 方式：

GET /api/now/table/incident
  ?sysparm_query=sys_created_on>=javascript:gs.daysAgo(30)^state=6^resolved_at!=NULL
  &sysparm_fields=sys_id,number,category,subcategory,short_description,close_notes,resolution_code,assignment_group,calendar_duration,contact_type,reassignment_count
  &sysparm_limit=500
  &sysparm_display_value=true

步骤 4：分析服务请求履行模式

识别流量大且履行工作流简单的目录项。

MCP 方式：

Tool: SN-Query-Table
Parameters:
  table_name: sc_req_item
  query: sys_created_on>=javascript:gs.daysAgo(30)^stage=closed_complete
  fields: sys_id,number,cat_item,short_description,state,assignment_group,calendar_duration,approval,sys_created_on,closed_at
  limit: 500

REST 方式：

GET /api/now/table/sc_req_item
  ?sysparm_query=sys_created_on>=javascript:gs.daysAgo(30)^stage=closed_complete
  &sysparm_fields=sys_id,number,cat_item,short_description,state,assignment_group,calendar_duration,approval,sys_created_on,closed_at
  &sysparm_limit=500
  &sysparm_display_value=true

步骤 5：映射 Agent 交接点

识别虚拟 Agent 对话升级到实时 Agent 的情况及其原因。

MCP 方式：

Tool: SN-Query-Table
Parameters:
  table_name: sys_cs_conversation
  query: live_agent_transfer=true^sys_created_on>=javascript:gs.daysAgo(30)
  fields: sys_id,number,topic,live_agent_transfer,transfer_reason,user,sys_created_on
  limit: 200

REST 方式：

GET /api/now/table/sys_cs_conversation
  ?sysparm_query=live_agent_transfer=true^sys_created_on>=javascript:gs.daysAgo(30)
  &sysparm_fields=sys_id,number,topic,live_agent_transfer,transfer_reason,user,sys_created_on
  &sysparm_limit=200
  &sysparm_display_value=true

步骤 6：检查现有知识覆盖情况

确定是否有知识文章涵盖交互量最高的模式。

MCP 方式：

Tool: SN-Query-Table
Parameters:
  table_name: kb_knowledge
  query: workflow_state=published^active=true
  fields: sys_id,number,short_description,topic,category,sys_view_count,sys_updated_on
  limit: 100

REST 方式：

GET /api/now/table/kb_knowledge
  ?sysparm_query=workflow_state=published^active=true
  &sysparm_fields=sys_id,number,short_description,topic,category,sys_view_count,sys_updated_on
  &sysparm_limit=100
  &sysparm_display_value=true

步骤 7：为自动化候选项评分并确定优先级

根据以下标准汇总发现并评分排序：

标准	权重	评分
交互量	30%	高（>50/月）=3，中（20-50）=2，低（<20）=1
解决复杂度	25%	简单（1 步）=3，中等（2-3 步）=2，复杂（4 步以上）=1
当前解决时间	20%	>30 分钟=3，15-30 分钟=2，<15 分钟=1
知识可用性	15%	有 KB=3，部分具备=2，无=1
交接频率	10%	交接少=3，中等=2，交接多=1

步骤 8：生成自动化机会报告

汇总并生成最终报告：

=== AGENT MINING REPORT ===
Period: [start_date] - [end_date]
Total Interactions Analyzed: [count]
Total Unique Patterns: [count]

TOP AUTOMATION CANDIDATES:
| Rank | Pattern | Volume | Avg Resolution | Score | Est. Savings |
|------|---------|--------|----------------|-------|--------------|
| 1 | Password reset | 245/mo | 8 min | 9.2 | 32 hrs/mo |
| 2 | VPN access request | 180/mo | 12 min | 8.7 | 36 hrs/mo |
| 3 | Software install | 150/mo | 15 min | 8.1 | 37 hrs/mo |

HANDOFF ANALYSIS:
- VA-to-Live transfer rate: [percentage]
- Top transfer reasons: [list]
- Recommended topic improvements: [list]

KNOWLEDGE GAPS:
- Patterns without KB articles: [list]
- Articles needing update: [list]

ESTIMATED ROI:
- Total automatable hours/month: [hours]
- Cost savings estimate: [amount]
- Implementation complexity: [low/medium/high]

工具使用

工具	用途	使用时机
SN-Query-Table	批量查询交互、事件和请求	跨表发现模式
SN-Get-Record	读取单条对话或事件的详细信息	深入分析特定模式
SN-Natural-Language-Search	使用自然语言搜索相关模式	查找相似交互
SN-Get-Table-Schema	发现交互表中可用的字段	初步探索

最佳实践

1. 至少分析 30 天的数据，以捕捉季节性和周期性模式
2. 在分组前规范化简短描述——措辞差异会掩盖实际数量
3. 排除异常值，例如重大中断期间批量创建的事件
4. 为近期数据赋予更高权重——呈上升趋势的模式优先级高于呈下降趋势的模式
5. 考虑用户满意度——优先自动化 CSAT 分数较低的痛点
6. 与客服人员验证——向每天处理这些交互的一线员工确认发现
7. 从快速见效的项目入手——优先选择数量大、复杂度低的模式进行初步自动化
8. 在实施后跟踪转移率，以衡量实际 ROI
9. 每季度重新评估——服务和用户群体的变化会带来交互模式的转变
10. 保护敏感数据——分析前从对话记录中删除 PII

故障排除

问题	原因	解决方法
返回的交互数量较少	查询日期范围过窄，或缺少渠道筛选条件	扩大日期范围；移除渠道筛选条件以纳入所有来源
对话缺少消息	消息保留策略已清除旧数据	检查 sys_cs_message 保留规则；如有存档数据，请使用存档数据
所有类别都显示为“其他”	未强制执行事件分类	改为分析 short_description 文本；考虑使用 NLP 聚类
交接原因为空	VA 主题中未配置转接原因字段	检查 VA 主题配置；确认 transfer_reason 字段已填充
解决时间似乎过长	计算了等待时间，而不只是处理时间	按 calendar_duration 与 business_duration 筛选；检查 SLA 定义
结果中存在重复模式	不同客服人员对相同问题的分类方式不同	根据 short_description 相似度进行规范化；按 resolution_code 分组

示例

示例 1：发现密码重置自动化机会

场景： 找出所有与密码重置相关的交互，用于机器人自动化。

Tool: SN-Query-Table
Parameters:
  table_name: incident
  query: sys_created_on>=javascript:gs.daysAgo(30)^short_descriptionLIKEpassword^state=6
  fields: number,short_description,category,subcategory,calendar_duration,assignment_group,resolution_code
  limit: 100

发现： 每月有 245 起密码重置事件，平均解决时间为 8 分钟，95% 通过标准流程解决。建议采取的措施：实施带 LDAP 集成的 VA 主题，以便用户自助重置密码。

示例 2：软件请求模式分析

场景： 分析软件安装请求，找出最适合通过目录自动化处理的请求。

Tool: SN-Query-Table
Parameters:
  table_name: sc_req_item
  query: sys_created_on>=javascript:gs.daysAgo(30)^cat_item.categoryLIKEsoftware^stage=closed_complete
  fields: number,cat_item,short_description,calendar_duration,approval
  limit: 200

发现： 排名前 5 的软件请求占所有软件 RITM 的 60%。这些请求均具有标准审批和部署流程，适合通过 SCCM/Intune 自动履行。

相关技能

• genai/build-agent - 根据发现的模式构建自定义 AI Agent
• genai/flow-generation - 为确定的候选项生成自动化流程
• genai/playbook-generation - 创建 Agent 辅助自动化的操作手册
• knowledge/gap-analysis - 找出与交互模式相符的知识缺口
• reporting/trend-analysis - 分析趋势，以预测交互量