智能问题反馈系统
时间未提及
全栈开发AI落地飞书集成自动化流程
构建智能问题反馈闭环，减少人工对接成本
背景
企业内部问题反馈依赖人工对接，效率低下且易遗漏
我的职责
全栈负责人，独立负责架构设计、技术选型与开发实施
技术深挖
飞书机器人生态集成与全栈自动化
问题：需要构建一个自动化系统，将飞书群中的用户反馈（含文本和图片）自动捕捉、处理并指派给相应负责人，减少人工对接成本。
方案与实现：设计并实现了基于飞书机器人的全栈自动化流程：通过飞书机器人API捕捉群消息中的文本和图片附件，同步数据到飞书表格；利用Gemini大模型分析反馈内容语义；结合Playwright爬取的平台模块映射表和责任人映射表进行精准匹配；当模型无法匹配时，回退到值班表机制；引入Redis缓存反馈内容以优化性能；实现模型回答格式化和兜底动作确保流程完整性；后端通过调用飞书API完成@负责人等操作。
我的贡献：独立设计并实现了整个自动化流程，包括飞书机器人集成、Gemini模型调用、Playwright爬虫、Redis缓存和兜底机制，确保系统稳定运行。
能力亮点
全栈架构能力
独立设计前后端完整技术架构，实现从消息捕捉到闭环跟进的全链路自动化
AI场景落地
将LLM大模型与传统业务流程结合，实现智能分类与精准指派
架构 / 流程
基于飞书生态与LLM的智能问题反馈自动化架构，实现从捕捉到闭环的全流程智能化
需求捕捉通过飞书机器人捕捉群消息中的文本和图片反馈→内容同步将反馈信息同步到飞书表进行结构化存储→智能分析使用Gemini大模型解析反馈内容，进行语义理解→模块映射结合Playwright抓取的平台模块映射表进行业务归类→责任人匹配根据模块映射表找到对应责任人，未匹配时触发值班机制→智能通知通过飞书API实现精准@负责人，确保问题及时传递→闭环跟进建立反馈处理流程，实现问题从提交到解决的完整闭环
技术栈
飞书机器人Gemini LLMPlaywrightRedisNode.js飞书API
难点与方案
难点：多模态内容解析与业务模块精准匹配
方案：结合LLM语义分析与平台映射表实现智能分类
效果：提高问题分类准确率，减少人工干预
难点：复杂场景下的责任人精准指派
方案：构建模块-责任人映射表与值班表双重保障机制
效果：确保问题及时传递到正确负责人
成果
- 实现问题反馈全流程自动化
- 减少人工对接成本