通信世界网消息（CWW）随着5G网络全面普及与6G技术研发推进，用户对网络稳定性、业务响应速度、问题解决效率的要求持续提升，通信服务也向提升用户体验感知进行升级，“体验为王”成为通信运营商竞争的核心赛道。用户满意度作为衡量服务体验的关键指标，与用户留存率、业务使用率呈现正相关；而投诉作为用户不满的直接表达，其处理效果成为影响用户满意度的关键，对企业形象与服务口碑具有重要影响。
然而，当前移动网投诉处理仍存在痛点——人工处理模式过度依赖经验判断，易导致投诉分类模糊、根因定位不精准，不仅问题解决率低，还可能引发二次投诉，制约用户满意度提升。针对这一问题，本文提出了基于大模型的移动网投诉智能分析应用方案，该方案以多源数据深度融合为基础，通过构建标准化、高维度的投诉分析数据集，整合用户状态属性、现网实时信息等数据，创新性引入检索增强生成（RetrievalAugmented Generation,RAG）技术，依托领域专属语料库为大模型提供精准知识锚点，有效提升垂直场景分析的准确性与时效性。
关键技术
当前，数智化浪潮席卷而来，信息技术的迭代升级正在深刻重塑企业生态与工作模式。在此进程中，以DeepSeek、Qwen为代表的人工智能（AI）大模型驱动产业变革，AI在知识问答、逻辑推理、多模态交互等方面的能力进一步增强。尤为关键的是，智能体作为具备自主规划和工具使用能力的AI交互系统，依托大语言模型（Large Language Model,LLM）、检索增强生成等技术加速演进：通过人工训练的持续迭代与数据反馈的动态优化，其能够不断完善自身逻辑决策体系与行为执行能力，从“被动响应指令”转向“主动拆解任务”，最终可独立承接复杂业务流程，成为企业运营场景中高效协同的“数字员工”，为企业数智化转型注入实质动能。而上述技术的演进，也为移动网络领域的运营升级和服务能力提升提供了关键支撑。
有鉴于此，本文研究了基于大模型的移动网投诉智能分析系统，该系统利用LLM的语义理解能力及RAG的精准检索优势，通过融合用户状态、历史投诉记录、网络运营数据等多维信息，快速输出用户投诉问题的可视化智能诊断结论和可落地的解决方案，为解决用户网络问题、提供端到端的优质服务筑牢技术基座。与传统服务模式相比，该系统凭借响应速度快、问题针对性强、功能扩展性高等显著优势，不仅大幅缩短了投诉处理周期，更能精准匹配不同场景下的网络服务需求，最终实现用户感知与整体服务质量的双重提升。该系统的关键技术有以下3种。
网络底座模型
本研究以中国电信自主研发的星辰智能体平台作为核心底座模型支撑。该平台集成智能体应用开发所需的全栈核心技术，具备以下核心能力：其一，提供简洁可靠的智能应用自主编排功能、灵活的工作流编排与管理模块，以及高效的RAG引擎与知识库管理工具；其二，支持多类型模型接入，配备用户友好型操作界面及丰富的智能体开发模板，这使其能够聚焦于技术创新与实际业务需求，实现智能体应用的快速构建与API服务化部署；其三，内置智能体进化模块，覆盖数据标注、模型训练、模型部署全流程环节，针对智能体场景设计专属数据集格式与训练模式，支持数据回流与模型迭代优化，有效加速大模型应用落地进程。其优势主要在以下3个方面。
1. 技术领先：作为开源大模型，平台基于自研万亿参数基础大模型，结合视觉、语言类模型开展应用探索，多场景落地验证成果均处于业界领先水平；同时依托电信研究院等机构多年积累的AI能力与数据处理技术，将其内嵌于平台底层作为核心技术引擎，显著提升应用运行性能。
2. 工具丰富：内置多类大语言模型、多模态模型、AI功能组件及场景化工具，且支持第三方API接入；针对用户问题，大模型可通过意图识别自动调用适配文案加以响应，满足多场景业务需求，提升大模型赋能深度与平台适配性。
3. 灵活易用：应用开发流程简洁高效，借助平台自主编排能力可快速完成应用创建，显著提升业务处理效率；同时支持工作流编排与自定义工具配置，能通过多工具组合编排业务流程，实现复杂业务场景的落地。
LLM技术
LLM是AI领域基于深度学习架构生成的模型，其核心特性在于通过调用海量文本数据集和大规模参数进行训练与泛化学习，从而具备文本含义理解、逻辑推理的能力。鉴于计算机无法直接处理自然语言，LLM需要通过词嵌入技术将文本中的单词切片或字符转化为高维向量空间的词向量。例如，通过Transformer架构中的嵌入层，将“基站故障”“信道干扰”等通信领域专有词汇映射到语义关联向量，而语义相近的词汇在向量空间的距离更近，从而使得模型能够捕捉语言背后的逻辑架构和文义关联。当前主流的LLM多采用Transformer架构，模型以海量预处理文本作为输入，通过多层的自注意机制来捕捉文本中的长距离关联关系（例如“投诉工单”与“网络故障类型”），且借助反向传播算法来持续优化模型内权重参数，通过迭代训练使模型不断掌握语言的逻辑和规则，逐步提升语言理解和文本生成的准确性。
RAG技术
传统的LLM在部署时，面对专业领域的高精度询问或实时信息调取，存在知识滞后、特定领域知识匮乏等情况，容易导致反馈虚构或者提供过时的答案。RAG技术凭借“检索-生成”双引擎架构，能够将信息检索与文本生成高度融合。当模型接收到用户问题时，基于嵌入模型的检索模块率先将专业问题转化为数值向量，在企业文本库、行业数据库等知识库内搜寻近似向量，快速检索与问题高度匹配的信息片段，进而生成更为准确、可靠的回答，有效弥补了LLM的知识盲区。如对于“某地区5G网络卡顿的原因及解决方案”的问题，RAG将检索该片区的网络拓扑、用户历史投诉记录及对应解决方案知识库，LLM根据清晰的逻辑及语料进行信息整合，极大地提升了回答的准确性及可操作性。
系统架构
以中国电信自有AI应用开发平台——星辰智能体平台为核心技术底座，依托平台模块化设计与低代码开发优势，高效构建LLM-RAG驱动的智能投诉处理体系，为系统快速部署、灵活迭代提供坚实技术支撑。该平台具备全流程技术能力，包括可视化AI工作流设计、多模型智能体开发、RAG知识库增强、多模态数据处理、实时监控及日志分析等，可全方位满足移动网投诉智能体在功能开发、数据处理、运维监控等方面的技术需求。
基于星辰智能体平台，投诉智能体分析系统构建“分层协同、闭环赋能”的模块化框架（如图1所示），各模块功能及业务价值如下。
数据预处理模块：作为系统“数据入口过滤层”的基本职能，数据预处理聚焦用户投诉内容的标准化，为后续模型推理提供高质量的输入数据。该模块先对输入问题的文本、工单等基本信息进行清洗与归一化处理，再通过文本解析与关键词提取（如“网络卡顿”“通话吞字”）、格式转换、语义标注（标注问题类型如“网络覆盖问题”“终端故障”）等步骤，精准提取用户终端号码与标识、投诉核心诉求等关键变量，形成结构化的数据清单。这一系列的操作处理不仅有效减少冗余信息干扰，还能将非结构化的数据转化为大模型能够识别的高价值输入数据，从而提升问答与研判效率。
API调用模块：承担“实时数据联动层”职能，基于数据预处理模块提取的用户信息与关键问题，自动触发多系统API调用。对接DCOOS平台获取用户欠费状态、套餐信息，抓取用户当前连接基站的网络指标（如信号强度、信干噪比）、信令交互数据，利用GIS系统获取用户地理位置及周边基站覆盖情况。通过多维度数据联动，为用户质差问题的根因定位提供实时、全面的数据支撑，避免仅依赖文本信息导致的研判偏差。
知识库构建模块：打造“业务经验沉淀层”，将移动网投诉处理领域的历史经验（如典型故障解决方案、工单分类标准）、专业知识、用户沟通话术转化为结构化语料。为提高知识检索的效率，采用向量嵌入技术将语料转化为高维的向量化存储并形成知识库，构建语义索引体系的RAG知识库，确保后续投诉处理时能快速匹配最优参考方案，避免一线人员因经验不足导致重复摸索、拉低解决效率，保障处理操作流程标准统一，实现历史经验赋能当前业务。
综合处理模块：作为系统的“智能推理核心层”，需要整合大模型、API检索、RAG知识库等能力。首先，对用户的投诉内容进行预处理，该模块能够基于语义理解与向量匹配技术来清洗投诉内容，并输出自然语言查询的关键词；之后，通过API调用模块获取的实时网络数据，并从RAG知识库中检索关联的网络问题、解决方案和对应话术，结合形成“静态知识+动态数据”的综合研判依据；随后将该依据输入大模型，通过模型的逻辑推理与语言生成能力，对检索结果进行二次加工，最终生成符合业务规范与用户认知的自然语言答案。
最后，封装上述模块形成一个数据接口嵌入生产系统，或者改装为交互界面的形式，将生成的答案以清晰、直观的方式呈现给服务人员，提供更为便捷的处理方案。
实施过程
第一阶段：首先，全面采集全省范围内周期为一个季度的投诉工单，累计获取3万余条历史工单样本，通过业务侧与技术侧联合分析，明确非网络工单（如终端设置、App故障等）的分类标准、故障根因研判的核心维度（如终端标识、地理位置、网络指标等）及上门人员所需信息推送清单；其次，面向投诉处理人员、上门服务团队开展需求调研与问题征集，累计收集痛点问题200余项（含部分终端型号数据缺失、用户沟通话术适配性不足等）；再次，针对性开展模型与系统优化，最终形成覆盖“需求标准、操作规范、问题解决方案”的标准化操作流程，为后续开发落地提供清晰依据；最后，拉通网管、5GR、投诉数据等所需API嵌入生成流程。
第二阶段：基于上述梳理AI投诉工单处理流程，完成星辰智能体平台核心工作流搭建，整合大模型能力与RAG语料库，其中RAG语料库涵盖历史工单处理案例、终端故障解决方案、网络优化知识库等内容，支撑大模型更精准地完成工单属性识别与根因研判；搭建完毕后完成系统数据接口开发。
第三阶段：开发可视化前端页面，供投诉关联及处理人员实时调取投诉用户的问题分析及根因定位，将根因定位及处理方案更为直观地呈现，从而提高工作效率。第四阶段：省内移动网投诉智能分析应用嵌入运营调度中心平台-定界信息模块，根据用户投诉的网络指标等信息，定位用户访问移动网络的失败原因、用户状态及处理意见，供投诉处理专员使用，助力用户投诉问题高效解决。
总结与展望
为了进一步提高移动网络质量投诉问题的解决效率和服务水平，本文聚焦用户的核心需求，研究并搭建基于LLM和RAG的投诉智能分析模型。该模型提供7×24小时的全天候服务响应，可实时捕捉用户反馈的网络质量问题，能够自动生成符合服务规范的回复话术，并匹配精准、可落地的解决方案，助力一线上门服务人员提升处理投诉的质量。从实际应用效果来看，该模型不仅能够有效缩短用户投诉的响应周期，还可通过前置化的问题分析与方案输出，为优化人员上门服务提供清晰的处理思路。
随着AI技术与通信行业深度融合，LLM与RAG等技术的应用为移动网络服务的智能化提供了更为便捷的解决方案。然而，在技术落地与实际应用过程中，新的挑战也接踵而来：一方面，随着用户投诉场景的日益复杂，系统知识库需要持续扩容，因此，如何建立动态且高效的知识库管理机制，成为保障系统响应能力的关键；另一方面，服务场景的日益复杂对解决措施的质量和准确性提出了更高要求，这是后续研究需要重点突破的核心问题。
*本篇刊载于《通信世界》2025年11月25日*
第22期 总980期
