Aderant 用 Amazon Nova Lite 自动化支持工单分诊：上线 2.5 周处理 109 张工单，路由准确率约 96%，月成本低于 30 美元。 前置部署 FDE 为什么要看这条 Aderant 复盘 前置部署 Forward Deployed Engineer（FDE）在客户现场最常被追问的，不是模型能不能用，而是那套没人说得清的运维流程值不值得自动化。Aderant 是面向法务行业的商业管理软件厂商，它在 2026 年 9 月 24 日公开了智能工单分诊系统 Intelligent Ticket Analyzer 的上线复盘，把前后对比数字、模型选型依据与作者自述的局限一并写出。 这条复盘里可以直接算账的部分是这样：原先每张支持工单需要 900 至 1500 秒（合 15 至 25 分钟）的人工调查与路由，现在系统在工作日每小时自动跑一遍，38 人的支持团队每周省回 480 至 840 分钟，而整套系统的月成本低于 30 美元。 第二个看点是角色边界的写法：前置部署 FDE 只把客户已有的 Jira、Confluence、SharePoint 与 Amazon Athena 里的上下文接起来，不新增数据面，官方明确它不访问、不处理、不存储客户案件数据或客户应用的业务数据。 Aderant 原来的做法与量化痛点 Aderant 的支持团队 SierraOps 共 38 人，运营 Expert Sierra 产品，覆盖全球 268 个客户环境；团队平均每周处理 34 至 40 张支持工单，其中有一部分是客户提交后长时间无人认领的 CloudOps 队列工单。 自动化之前，每张工单都要工程师先花 900 至 1500 秒（15 至 25 分钟）做人工调查：理解请求内容、定位客户环境细节、判断归属、翻查文档与历史工单，最后才决定分派还是转派。这个基线来自上线前 4 周的实测记录，不是拍脑袋的估计值。 成本不止落在分诊时间上。误路由的工单会一直躺在错误队列里，直到某位工程师偶然发现；资历较浅的成员则需要更多时间或资深工程师指点，才能找到正确的上下文并做出路由判断。 Aderant 的诉求写得很克制：它要的是可重复的调查流程，把人力释放到复杂排障、平台改进与主动性运维上，同时为低置信度判断保留人工复核。 前置部署 Forward Deployed Engineer（FDE）在写 SOW 与验收口径时可以直接引用这条边界，客户环境数据不出域、不进模型训练，是这类项目最容易谈崩的一段。 新做法：五阶段每小时流水线 整个流程由一个 AWS Lambda 函数编排，由 Amazon EventBridge 在工作日按小时触发，通过单个 AWS SAM 与 CloudFormation 模板部署，共五个阶段。前置部署 Forward Deployed Engineer（FDE）可以把这五阶段当成一份现成的编排骨架。 识别（Identify）：从 Jira 拉取 CloudOps 队列中未分配的新工单。 富化（Enrich）：从 Amazon Athena 取客户元数据，从 Confluence 与 SharePoint 取相关知识，再从 Jira 取可比的已解决工单。 分类（Classify）：把工单与拼装好的上下文一起，通过 Amazon Bedrock 的 Converse API 送给 Amazon Nova Lite，要求输出结构化分类与建议的解决起点。 行动（Act）：把分析结论与确认信息回帖，改派误路由工单，通知对应的 Microsoft Teams 频道，并对支持侧可自助解决的场景执行预定义动作。 观察与改进（Observe and improve）：把运营指标写入 Amazon CloudWatch，并把低置信度分类转交人工复核；Amazon DynamoDB 承担跨工单的模式追踪。 为什么选 Amazon Nova Lite：三个决策依据 Amazon Nova Lite 不是凭直觉选的。Aderant 用真实工单数据在 Amazon Bedrock 上评估了多个基础模型，最终由三个依据定案。 运营特异性：在工单内容、环境数据、运行手册与解决历史完全相同的条件下，团队发现 Nova Lite 抽出的解决步骤更具体，与历史工单的关联也更准。 原生集成：Nova Lite 可对接 Amazon Bedrock Converse API、AWS IAM 权限、AWS SDK 与既有 AWS 环境，不需要再引入外部模型供应商和额外合同。 工单量级的成本：初始生产期整套系统的月成本低于 30 美元，其中 Bedrock 推理成本低于 1 美元。正因为这个成本结构，常规工单也能送进模型分析，而不只是高优先级工单。 上线 2.5 周的前后对比数字 官方给出的对比数字集中在 2026 年 6 月 30 日至 7 月 17 日：分析器共审阅 109 张工单，路由准确率约 96%，即 4 张误路由。 时间账：人工分诊基线是每张工单 900 至 1500 秒（15 至 25 分钟），对照的是 4 周预部署实测；系统上线后每周回收 480 至 840 分钟工程时间（合 8 至 14 小时），折算每月 1920 至 3360 分钟。 钱账：系统月总成本低于 30 美元，其中 Bedrock 推理成本低于 1 美元。把月成本上限 30 美元与这 2.5 周的 109 张工单相比，单张工单的系统成本约 0.275 美元（本文按官方给出的上限估算），而它替代的是 15 至 25 分钟的人工调查。 规模上限由三个数决定：支持团队 38 人、覆盖 268 个客户环境、平均每周 34 至 40 张工单。前置部署 Forward Deployed Engineer（FDE）在算 ROI 时要注意，收益随工单量线性放大，这三个数就是天花板。 五周从概念到生产：渐进式验证路径 从最初的概念到生产上线只用了 5 周。前置部署 Forward Deployed Engineer（FDE）可以照搬这套五步渐进验证，它的关键是把自动化动作放到最后一步才打开。 第一步规则起步：先用一条 Jira 自动化规则验证路由概念，但它无法纳入 AWS 上下文、工单历史与模型推理。 第二步 AI 辅助验证：既有的 Amazon Quick CloudOps Helper 智能体证明运营数据足以支撑可用的路由与解决建议。 第三步生产构建：用 AWS Lambda 与 Amazon Nova Lite 实现流程，并用 Kiro 做集成脚手架、架构验证与测试生成。 第四步仅监控测试：让分析器对真实工单跑约 2 周，只比对分类结果与人工决策，据此打磨提示词与路由逻辑，期间不产生任何自动动作。 第五步上线：2026 年 6 月 30 日进入生产，距最初的概念验证正好 5 周。 作者承认的局限与未覆盖场景 官方在文中明写了局限：这些数字来自早期生产期，应作为初始运营结果来看待，而不是长期性能基准。 数据边界也被限定：分析器只使用内部运营工单数据、运营元数据与内部知识源，不访问、不处理、不存储客户案件数据或客户应用的业务数据。 有两类场景被明确列为未覆盖：跨工单的长期客户历史关联分析尚未接入，团队计划评估 Amazon Bedrock Knowledge Bases，用来处理工单术语与文档术语不一致时的语义匹配。 还有三个边界需要记住：前置部署 Forward Deployed Engineer（FDE）在客户现场要额外确认，误路由并未归零（2.5 周内仍有 4 张），低置信度分类依旧依赖人工复核，而且流水线只覆盖 CloudOps 队列中未分配的工单、只在工作日每小时跑一次。 前置部署 FDE 落地时的五个常见坑与绕法 坑一：把上线理解成直接自动化。Aderant 的顺序是先规则、再 AI 辅助、再仅监控、最后才允许自动改派；跳过仅监控阶段，等于把误路由直接交给模型。 坑二：置信度阈值不可配。这套系统只有在置信度达到配置阈值时才自主路由，低于阈值一律转人工；阈值不可调，团队就无法按自己的风险偏好收放自动化范围。 坑三：上线后不再复盘。团队每周复盘路由纠正案例，并用这些纠正去改提示词与路由逻辑；不做这一步，准确率会随工单分布的漂移而下降。 坑四：为了效果选最强模型。Aderant 选 Nova Lite 的核心理由是成本结构让常规工单也值得分析，换成最贵的模型会把可分析工单量压回高优先级那几张。 坑五：部署方式散乱。整套系统用单个 SAM 与 CloudFormation 模板交付，避免出现能跑起来但当班工程师无法复现的现场脚本。 前置部署 Forward Deployed Engineer（FDE）的实用结论 该行动的人：前置部署 FDE 的客户如果是 SaaS 支持或运维组织，每周工单量在数十张量级、单张工单的人工调查超过 900 秒，这套五阶段流水线可以照搬，投入是 5 周加一个 Lambda 编排。 第一步先量基线：按这份复盘的做法，先跑 4 周实测，记录每张工单的人工调查秒数、误路由张数与周工单量；没有这三个数，就无法证明上线收益，也无法在验收会上把 8 至 14 小时的回收说清楚。 第二步做同数据多模型对比：用真实工单加上环境数据、运行手册与解决历史做横向评估，不要用公开榜单选模型，Aderant 的结论正是从这个对比里得出的。 第三步按仅监控上线：先让系统只写分析、不做动作，跑约 2 周比对人工决策，通过后再逐步开放改派与 Teams 通知动作。 适用条件：上下文已经在可 API 化的系统里（Jira、Confluence、SharePoint、Amazon Athena 这一类），有明确的人工复核兜底，且数据边界能写清楚并通过客户的合规审查。 回退方式：原有人工队列保留不动，把流水线切回仅观察模式即可退回人工；把置信度阈值调到 1.0，则所有工单都回到人工复核，无需改代码。 不适用：每周工单只有个位数时，每周 8 至 14 小时的回收根本达不到，维护成本会超过收益，此时应继续用人工或更轻的规则，而不是上这套系统。 关键实体中英对照 领域与角色：前置部署 Forward Deployed Engineer（FDE）、工单分诊 ticket triage、路由准确率 routing accuracy、人工复核 human review、置信度阈值 confidence threshold、预部署基线 baseline。 本次出现的工具与平台：Amazon Bedrock、Amazon Nova Lite、Amazon Bedrock Converse API、AWS Lambda、Amazon EventBridge、Amazon Athena、Amazon CloudWatch、Amazon DynamoDB、AWS SAM、AWS CloudFormation、Jira、Confluence、Microsoft SharePoint、Microsoft Teams、Kiro、SierraOps、Expert Sierra。 原始来源： https://aws.amazon.com/blogs/machine-learning/aderant-builds-intelligent-ticket-triage-with-amazon-nova/