ServiceDesk Plus预测式AI怎么用好？从训练门槛到自动应用的实操指南
本文基于ServiceDesk Plus云版本官方帮助文档，定义了预测式AI与生成式AI的区别，梳理请求、问题、变更、发布、解决方案五大模块共计十余项预测功能的具体训练门槛（初次训练与周期训练所需的最低数据量）、自动应用配置方式，以及情感分析的具体评分公式。文章拆解企业开启预测功能却发现"推荐不准""某些地点始终空白"的常见原因，并结合Workflow Assist从文字或截图直接生成可视化工作流的能力，说明企业该如何真正把预测式AI用到位，而不是开启开关就当作大功告成。
很多团队打开ServiceDesk Plus的Zia预测功能开关后就以为大功告成，结果几周后发现推荐的技术员、分类始终不准，甚至某些分支机构的预测功能一直空白没有任何建议——这背后往往不是功能本身不好用，而是训练数据没有达到系统要求的门槛，或者自动应用相关的开关根本没有单独打开。这类使用误区，是许多正在评估或已经部署ITSM软件预测能力的团队最容易踩的坑。
预测式AI并不是"开关一开、立刻精准"的黑箱功能，而是一套依赖历史数据持续学习、且有明确训练规则的机制——不同模块、不同预测维度分别要求不同的最低训练数据量，多地点部署时甚至需要逐个地点单独达标。理解这套训练逻辑，是把IT工单系统里的预测能力真正用出效果的前提。
本文将围绕四个问题展开：预测式AI和生成式AI具体是怎么分工的？请求模块的九类预测功能分别需要多少训练数据才能生效？问题、变更、发布、解决方案模块各自有哪些预测能力？情感分析的评分具体是怎么算出来的，Workflow Assist又能帮团队做到什么程度？
什么是预测式AI？它和生成式AI具体是怎么分工的？
根据ServiceDesk Plus云版本官方帮助文档，Zia AI能力分为预测式功能（Predictive Features）与生成式AI功能（GenAI Features）两大部分。预测式功能利用系统内已有的应用数据，自动完成模板、分类、子分类、条目、优先级、技术员组和技术员的推荐分配，并对工单对话进行情感分析；生成式AI功能则借助更先进的生成式AI工具，用于生成代码和解决方案、总结对话、辅助撰写文本与回复、自动化审批，并通过虚拟助手对用户问题给出情境化回答。简单来说，预测式AI回答的是"该分给谁、该归哪一类"，生成式AI回答的是"该怎么写、该怎么答"。
预测式功能目前支持在请求、问题、变更、发布和解决方案五大模块使用，且支持英语、法语、德语、西班牙语等二十余种语言环境，但部分子功能（如问题预测、情感分析、解决方案助手，以及自动开启/关闭工单）目前仅支持英语环境。企业在规划多语言、多地区部署时，需要提前确认目标语言是否在预测式功能的支持范围内。
一、请求模块九类预测功能：各自的训练门槛与自动应用方式
请求模块是预测式AI覆盖最全面的模块，共包含九类预测功能。开启训练后，系统会立即用当前历史数据进行初次训练，此后每7天使用新增或更新的数据进行一次周期训练，单次训练最多使用1万条记录：
- 协作者推荐：分析历史共享工单数据，在手动共享工单时动态推荐最多五位相关技术员、请求人或技术员组。每个地点初次训练需要100条共享工单记录，周期训练需要25条。
- 模板预测：创建、编辑工单或转换工单类型时，根据主题和描述推荐合适的请求模板。初次训练需要事件类和服务类工单各100条（不含默认模板），周期训练各需25条。
- 分类/子分类/条目预测：依次基于主题描述、分类信息推荐最多三个相关的分类、子分类和条目。初次训练均需要100条对应已填写字段的历史工单，周期训练需要25条。
- 优先级预测：基于主题、描述、影响和紧急程度推荐最多三个优先级选项，训练门槛同样是初次100条、周期25条。
- 技术员组/技术员预测：分析技术员组或技术员与工单主题、描述、分类之间的历史关联关系进行推荐，每个地点初次训练需要100条已分配技术员组/技术员的工单，周期训练需要25条。技术员预测还可以在"技术员自动分配"设置中选择"人工智能（Zia）"作为分配模型，实现预测结果自动落地；当Zia暂时无法给出建议时，系统会自动切换到负载均衡（Load Balancing）作为兜底分配方式。
- 情感分析：分析工单描述（最多前2000字符）和后续对话，判断情绪倾向并计算整体情感评分，帮助技术员判断优先处理顺序、发送更有针对性的回复。
需要特别注意的是，分类、优先级、技术员组等预测功能默认只是在表单里"给出建议"，如果希望系统在创建工单时自动把预测结果直接填入对应字段，还需要单独找到该功能卡片上的"自动应用预测"（Auto Apply Prediction）选项手动开启，这是不少团队"开了预测却没自动填充"的常见原因。
二、问题、变更、发布与解决方案模块的预测能力
问题模块 - 技术员预测
分析问题工单的主题、描述、技术员组和分类之间的历史关联（其中主题、描述、技术员组三项权重高于分类），创建或编辑问题时推荐最多三位合适的技术员。每个地点初次训练需要50条已分配技术员的问题工单，周期训练需要10条；如果某个地点数据不足，该地点会训练失败，预测率显示为空，系统会在后续周期自动重试。
变更模块 - 风险预测
基于标题、描述、优先级、影响、紧急程度、变更类型和是否紧急变更等字段，为变更请求推荐最可能的两个风险等级。初次训练需要50条已标注风险等级的历史变更记录，周期训练需要10条。
发布模块 - 发布负责人推荐与风险预测
发布工程师推荐基于发布的标题、描述、地点、组、影响和紧急程度、优先级等信息，推荐最合适的发布负责人；风险预测则基于标题、描述、影响、紧急程度、优先级、发布类型和是否紧急发布等字段推荐风险值。两项功能训练门槛相同：初次训练至少需要25条发布记录，周期训练至少需要5条。
解决方案模块 - Solution Assist
基于检索增强生成（RAG）技术，自动总结一篇或多篇解决方案文章（包括其中的附件内容）来回答用户在Zia聊天机器人中的提问，目前支持解析PDF、DOCX、DOC、MD、TXT、HTML等多种附件格式。该功能可以分别在Zia聊天机器人、工单确认邮件（自动附上解决方案摘要）、创建/编辑工单表单（按需生成或自动生成建议摘要）三个场景中启用，还可以在通知模板中插入$ZiaSolutionSuggest变量，把预测出的解决方案作为工单确认邮件的首次回复内容自动发送给用户。
三、情感分析的评分机制，以及Workflow Assist能做到什么程度
情感评分的具体计算公式
官方文档公开了情感分析的计分规则：积极情绪计1分，中性情绪计0.5分，消极情绪计0分；整体情感评分 = （积极对话数 + 中性对话数×0.5）÷ 总对话数 × 100%。评分0%至30%判定为"不满意"，31%至60%判定为"中性"，61%至100%判定为"满意"，对应不同的表情图标展示在工单详情页右侧面板。技术员可以据此快速判断当前工单的用户情绪走向，而不必逐条重新阅读全部对话。
Workflow Assist：从文字描述或截图直接生成工作流
在工作流编辑页面调用Ask Zia，输入需求描述或直接上传流程截图，Workflow Assist即可自动生成对应的可视化工作流节点，还能定位画布中未连接的节点、给出修复建议，并从知识库中检索帮助文档供参考。需要注意的是，纯文字生成工作流需要选用能力较强的模型（如Zia自研的Zia-zlabs-qwen3-30B-instruct-v1或ChatGPT 4及以上版本）；基于图片生成工作流则必须选用具备多模态处理能力的模型（如ChatGPT 4及以上版本），Zia自研LLM目前尚不支持图片输入。管理员可以在"设置 > Zia > Artificial Intelligence > GenAI Features"中为Workflow Assist单独选择AI供应商。
核心要点速览
- 预测式AI负责"该分给谁、该归哪类"，生成式AI负责"该怎么写、该怎么答"，两者分工不同、共同构成Zia AI能力。
- 不同模块训练门槛不同：请求类功能通常初次需要100条、周期需要25条数据；问题、变更需要50条起步；发布模块最低只需25条。
- 分类、优先级、技术员等预测结果默认只是"建议"，需要单独开启"自动应用预测"才会自动填写对应字段。
- 多地点部署时预测按地点独立训练，某地点数据不足会导致该地点单独训练失败，而非影响全局。
- 情感评分公式已完全公开：（积极数+中性数×0.5）÷总数×100%，0-30%不满意、31-60%中性、61-100%满意。
写在最后：预测式AI是"养出来的"，不是"开出来的"
预测式AI的价值高低，很大程度上取决于企业自身历史数据的完整度和积累时间，而不是打开开关那一刻就能立竿见影。理解每一类预测功能背后的训练门槛、语言支持范围和自动应用开关，是让这套能力真正在日常工单处理中发挥作用的前提，而不是把预测功能当成一个"装上就一劳永逸"的黑箱按钮。
ServiceDesk Plus把这套训练逻辑和自动应用配置都清晰呈现在管理后台，企业可以随时通过每个功能卡片上的"预测率"查看训练进展，按地点、按模块逐步验证效果。从为请求模块的技术员预测积累第一批达标的训练数据开始，团队感知到的分派效率提升，会随着数据量增长而持续显现。
立即体验 ServiceDesk Plus，让预测式AI真正在数据积累中越用越准
| ☁️ 免费注册云版本 | 💻 下载本地版 | 📅 预约专家演示 |
常见问题解答（FAQ）
延伸阅读：
