<!-- title: 江苏移动投诉智能体五分钟拆信令 -->

> 核心网投诉处理的"最后一公里"，长期卡在一堆没人愿意碰的信令盲盒上。一条用户投诉背后，单条业务信令里塞着100多条机器语言交互消息，人工拆解要靠5年以上经验的专家盯4个小时——而这类投诉每天以万计涌入。2025年12月，江苏移动联合中兴通讯率先落地"核心网投诉智能体"，把这件最苦最重的活，甩给了一个会读信令的大模型。

## 一、投诉工单为什么是客服后端最难啃的骨头

运营商客服体系里，前端坐席助手、实时质检、话务预测排班、智能陪练，这两年已经被大模型翻来覆去改造过一遍。真正还没被攻克的，是客服链路的**后端闭环**——投诉工单从受理到办结的全流程。

痛点集中在三个地方：

**第一，信令是黑盒。** 用户一句"我在外地漫游上不了网"，落到后端就是一连串SIP、Diameter、GTP、HTTP/2信令交互。单条业务信令含100多条机器语言消息，技能门槛极高，手工分析耗时极长。这件事过去只有5年以上经验的核心网专家能干。

**第二，处理依赖经验、SLA扛不住。** 核心网近5年网元数量增长1.8倍、业务类型增长75%、技术类型增长2倍，但运维人员数量长期持平。"剪刀差"越拉越大，海量工单堆积，SLA承诺越来越难兑现。

**第三，分类不准、派单乱跑。** 传统基于关键词或BERT的投诉分类，准确率长期在40%上下徘徊，工单在部门间来回倒，处理时长被拉到十几小时。

正是这个"投诉处理故事线"，被中国移动集团网络事业部在2024年正式立项，要求基于**智能体+大模型**架构重构整条链路。江苏移动就是这条故事线的首个落地点。

## 二、方案详情：投诉智能体的"三条腿"

江苏移动与中兴通讯给出的投诉智能体，核心是三大技术支柱，外加一条贯穿始终的智能体工作流。

```mermaid
flowchart TD
    A[用户投诉受理<br/>10086/APP/热线] --> B[投诉自动分类与意图理解<br/>LLM+BERT七类高频场景]
    B --> C{智能体工作流引擎<br/>自动编排分析流程}
    C --> D[多模态信令大模型<br/>端到端信令自动解析与异常识别]
    C --> E[核心网配置数据<br/>漫游/注册/会话上下文]
    D --> F[问题精准定位<br/>国际漫游等复杂场景]
    E --> F
    F --> G[投诉处理知识工程<br/>智能推荐处理建议]
    G --> H[闭环回单<br/>经验驱动→知识驱动]
    H --> I[工单自动填写与办结]
    style D fill:#e1f5ff,stroke:#0288d1
    style C fill:#fff4e1,stroke:#f57c00
    style G fill:#e8f5e9,stroke:#388e3c
```

**支柱一：多模态信令大模型。** 这是整套方案最硬的创新点。它学习海量原始信令规则，训练出一个能"看懂"信令的核心网多模态大模型，实现端到端信令自动解析与异常识别。本质上，是把5年专家脑子里的信令解读经验，蒸馏进模型参数里。它继承的不是某一条规则，而是专家在面对"信令三层行为"时的推理逻辑。

**支柱二：智能体工作流引擎。** 大模型能读信令，但单靠它还不够——投诉定位往往要串联多个动作。工作流引擎的作用是"按投诉场景自动编排分析流程"，把信令分析大模型、核心网配置数据、定界小模型这些能力像搭积木一样组合起来，精准定位国际漫游这类最棘手的复杂场景。这就是从"一个会聊天的模型"升级到"一个会干活的智能体"的关键一跃。

**支柱三：投诉处理知识工程。** 定位完问题，还得给出怎么处理。知识工程根据投诉定位结果智能推荐投诉处理建议，辅助运维快速决策、快速处置，把投诉处理从"经验驱动"推向"知识驱动"，最终闭环投诉问题回单。这一层让智能体不只是"分析师"，还是"出方案的顾问"。

## 三、效果数据：4小时信令，压到5分钟

江苏方案作为"率先落地"的标杆，官方通稿侧重关键能力突破。要看这条故事线规模化后的真实数据，同集团浙江移动的"AI+核心网运维智能体"给出了最完整的量化样本（浙江方案的投诉处理模块与江苏一脉相承，同属集团"投诉处理故事线"）。把两份数据拼在一起，投诉智能体的实战成色一目了然。

### 表1：投诉工单处理关键指标——AI vs 传统人工

| 处理环节 | 传统人工方式 | AI投诉智能体 | 提升幅度 |
|---|---|---|---|
| 信令单环节分析耗时 | 4小时（需5年经验专家） | 5分钟（问答式自动完成） | **缩短约97.9%** |
| 投诉工单端到端处理时长 | 14.6小时 | 5小时 | 缩短约65.8% |
| 投诉问题分类准确率 | 约40% | 90%以上 | 提升超50个百分点 |
| 信令分析门槛 | 仅资深专家可做 | 普通员工可上手 | 等效5年经验数字专家 |
| 投诉工单覆盖率 | — | 82% | — |

### 表2：三大运营商/监管侧投诉智能体方案横向对比

| 维度 | 江苏移动×中兴通讯 | 浙江移动（集团同源） | 四川省通信管理局 |
|---|---|---|---|
| 落地时间 | 2025年12月 | 2025年1月（全省覆盖） | 2026年3月 |
| 定位 | 核心网投诉智能体关键能力首发 | 核心网运维智能体（投诉+告警+开通） | 政务监管侧投诉处理 |
| 核心技术 | 多模态信令大模型+工作流引擎+知识工程 | 网络LLM+信令大模型+Multi-Agent框架 | AI多模态解析+智能分派+案例关联 |
| 投诉处理时长 | 信令分析4h→5min | 工单14.6h→5h | 办件效率+24% |
| 工单覆盖 | 国际漫游等复杂场景 | 82%投诉工单 | 累计处理近3000件 |
| 价值落点 | 信令盲盒破局、技术标杆 | 节约8506人天/年、等效33名数字员工 | 多渠道汇聚、全流程闭环 |

这组数据里最震撼的，是**信令分析从4小时压缩到5分钟**——这意味着过去一个专家一天只能啃十几单的活，现在普通员工一天能处理上百单。浙江移动给这笔账算得更直接：基于大模型的多AI智能体方案，**节约8506人天/年，等效增加33名经验丰富的"数字员工"**，实现了"网增人不增"。

江苏侧则把重点放在了最难啃的**国际漫游等复杂投诉场景**上——这些恰恰是传统方法最容易"扯皮"、最容易升级到集团层面的高成本投诉。把它们率先拿下，性价比最高。

## 四、对比分析：投诉智能体到底赢在哪

把投诉智能体放回客服大模型的全景里看，它的差异化价值非常清晰。前端客服大模型（如九天客服大模型）解决的是"怎么跟用户说话"——实时回复建议、意图解析、话术辅助；而投诉智能体解决的是"用户挂了电话之后，问题到底怎么真正解决"。一个是嘴皮子，一个是真功夫。

**和传统工单系统的对比。** 传统工单系统是"流程引擎+人工填单"，分类靠关键词、派单靠规则、分析靠人。投诉智能体把"理解、分析、定位、建议、回单"五件事打包成一条自动化流水线，中间几乎不需要人插手。浙江数据里那个"投诉分类-投诉诊断-信令分析-工单填写"一站式完成，就是这条流水线的直接产物。

**和单一大模型的对比。** 很多团队以为"接个通用大模型就能搞投诉"，结果发现通用模型根本读不懂信令——信令是高度结构化的机器语言，不是自然语言。江苏/浙江方案的真正壁垒，是专门训练的**信令大模型**（独有"E+D大模型架构"和信令多模态数据编码技术），让模型理解业务逻辑而非仅做文本匹配。这是"通专结合、训推一体"在投诉场景的具体落地，也是为什么分类准确率能从40%跳到90%以上的根本原因。

**和监管侧方案的对比。** 四川通信管理局走的是另一条路——它面对的不是运营商内部信令，而是局长信箱、信访平台、12345热线多渠道汇聚来的群众诉求，形态杂（文本、图片、音视频都有）。所以它的智能体重心放在**多模态解析、多源汇聚、智能分派、案例关联识别重复诉求**上，办件效率提升24%、累计处理近3000件。两者一个深挖技术根因（信令），一个广聚诉求入口（多源），分别代表了投诉处理智能化的"纵深"和"广延"两个方向。

```mermaid
flowchart LR
    subgraph 深度方向[纵深：根因拆解]
        S1[江苏/浙江<br/>信令大模型] --> S2[4h信令→5min]
        S2 --> S3[复杂场景精准定位]
    end
    subgraph 广度方向[广延：诉求汇聚]
        W1[四川管局<br/>多模态解析] --> W2[多渠道统一接入]
        W2 --> W3[智能分派+案例去重]
    end
    深度方向 -.互补.-> 广度方向
    style S1 fill:#e1f5ff,stroke:#0288d1
    style W1 fill:#fff4e1,stroke:#f57c00
```

## 五、行业坐标：67%企业已尝到Agent的回报

投诉智能体不是孤立案例，它背后是整个电信行业向Agent化加速迁移的大势。据Google Cloud 2025年《电信行业AI投资回报率报告》，**67%的电信企业已在至少一个业务场景实现AI Agent的投资回报，56%已将Agent投入规模化生产，43%的企业部署场景超过10个**。中国电信联合信通院发布的《2025年政企行业智能体（Agent）研究报告》也指出，AI Agent正从单一服务向多场景协同演进。

在这个坐标里，投诉处理智能体的位置很特殊：它不像前端客服那样直接面向C端用户、看得见摸得着，但它是**SLA承诺能否兑现、重复投诉能否压降、高级专家能否从琐碎中解放**的关键支点。浙江移动已经把"AI+核心网"明确列为冲向自智网络L4级的关键技术路径，核心网运维智能体生产流程全覆盖率达84%——投诉处理就是这条路径上最早跑通、回报最快的一站。

## 六、几点冷静的判断

第一，**信令大模型是壁垒，不是套壳。** 谁能用自有海量信令语料训出能读懂业务逻辑的多模态模型，谁就掌握了投诉处理的主动权。这也是为什么这件事只能由运营商+设备商联合干，互联网大厂的通用模型插不进来。

第二，**投诉智能体的真正价值不在省时，而在"降维"。** 它把5年专家的能力下放给普通员工，让新手也能处理过去只有资深专家才能搞定的疑难投诉。这种能力平权，比单纯省下几个工时意义大得多。

第三，**从单点智能体走向智能体集群是下一步。** 江苏方案已明确提出，将持续生产面向不同维护场景的核心网运维智能体和大模型，**形成智能体集群**。投诉智能体只是第一块多米诺骨牌，告警、开通、排障会陆续被覆盖。

第四，**政务监管侧的入场，意味着投诉处理智能化正在从"运营商自选动作"变成"行业规定动作"。** 四川管局的探索如果铺开，各省通信管理局都会上，运营商内部的投诉处理能力将直接接受监管侧AI的"对标"，倒逼提速。

投诉这个曾经的"客服泥潭"，正在被信令大模型一锹一锹填平。下一个值得盯的，是哪个省能把投诉智能体的覆盖率率先从82%推向95%以上，真正实现"零人工"办结。

---

## 参考来源

1. [江苏移动联合中兴通讯打造投诉分析智能体，引领核心网智能运维新范式](https://openlab.zte.com.cn/zh-CN/news/2025/12/Jiangsu-Mobile-and-ZTE-Build-Complaint-Analysis-Agent) — 中兴开放实验室官网，2025-12-08，三大核心技术原文出处
2. [浙江移动打造"AI+核心网"运维智能体 践行"AI+网络"转型升级新路径](https://www.sohu.com/a/853220316_128075) — 通信世界/搜狐，2025-01-25，信令4h→5min、工单14.6h→5h、覆盖82%等核心数据出处
3. [智能体赋能信息通信业服务监管 四川打造AI驱动提质增效新模式](https://scca.miit.gov.cn/xwdt/gzdt/art/2026/art_fce0c665638948639f6ee210174a9117.html) — 四川省通信管理局官网，2026-03-31，累计处理近3000件、效率+24%
4. [电信行业Agent案例解析：从客服到运维，覆盖全场景的8大标杆实践](https://cloud.tencent.com/developer/article/2592039) — 腾讯云开发者社区，2025-11-21，Google Cloud 2025报告数据（67%/56%/43%）
5. [江苏移动联合中兴通讯打造投诉分析智能体](https://www.c114.com.cn/news/127/a1301812.html) — C114通信网，多源交叉验证

---
> 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。
> 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。

> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)
