Dify 接入蓝耘 MaaS：基于智能客服分流模板搭建一个客服助手

Dify 接入蓝耘 MaaS：基于智能客服分流模板搭建一个客服助手

客服场景里，很多问题并不是“模型能不能回答”，而是“问题该先交给谁处理”。

比如同样是客户发来的消息，有的是登录报错、接口异常、功能 Bug；有的是付款后权益没有开通、发票抬头写错、套餐续费咨询。如果所有问题都丢给一个通用客服机器人，它可能能给出一段看起来完整的回复，但流程上并不一定合理。技术问题应该优先走技术支持，账单问题应该走运营或财务确认，复杂问题还需要提示人工介入。

在 Dify 的应用模板中，智能客服分流助手很适合这个场景。它的核心是通过“问题分类器”先识别用户意图，再把不同类型的问题路由到不同的 LLM 节点处理。

下面基于这个模板做一次完整实操：在 Dify 中接入蓝耘 MaaS，把模板默认模型替换为蓝耘 MaaS 中的 deepseek-v4-flash，并搭建一个可以区分“技术支持问题”和“账单问题”的智能客服分流助手。

文章目录

• Dify 接入蓝耘 MaaS：基于智能客服分流模板搭建一个客服助手
• • 一、为什么客服场景需要先分流
  • 二、整体方案：Dify 做流程分流，蓝耘 MaaS 做理解和生成
  • 三、准备工作
  • • 1. 蓝耘元生代账号和 MaaS API Key
    • 2. 蓝耘 MaaS 模型名称
    • 3. API endpoint URL
    • 4. Dify 工作空间
    • 5. 测试客服问题
  • 四、在 Dify 中接入蓝耘 MaaS 模型
  • 五、从模板创建智能客服分流助手
  • 六、节点一：客户请求
  • 七、节点二：问题分类器
  • • 技术支持类
    • 账单问题类
  • 八、节点三：技术支持 LLM
  • 九、节点四：账单问题 LLM
  • 十、节点五：输出最终回复
  • 十一、实测：用几条客服问题跑一遍
  • • 测试 1：接口 500 报错
    • 测试 2：支付后未开通权益
    • 测试 3：发票抬头修改
    • 测试 4：登录验证码错误
  • 十二、基于模板还能怎么扩展
  • • 1. 增加更多问题分类
    • 2. 给高风险问题增加人工提醒
    • 3. 后续再接入知识库
    • 4. 固定回复边界
  • 十三、蓝耘 MaaS 在这个场景里的价值
  • 十四、总结

一、为什么客服场景需要先分流

在真实客服系统里，用户提交的问题往往已经带有明确的业务处理方向。

举几个例子：

这些问题如果全部交给一个通用机器人处理，会有两个问题：

所以这个实践围绕 Dify 的“问题分类器”模板来做客服分流。目标很明确：让 AI 先判断问题类型，再把问题交给对应的专属客服节点生成回复。

二、整体方案：Dify 做流程分流，蓝耘 MaaS 做理解和生成

从模板可以看到，这个应用的流程非常清晰：

客户请求
-> 问题分类器
-> 技术支持 LLM
-> 账单问题 LLM
-> 输出最终回复

这里面 Dify 和蓝耘 MaaS 的分工如下。

Dify 负责应用编排：

蓝耘 MaaS 负责模型能力：

也就是说，这个应用不是让一个模型“什么都回答”，而是把客服流程拆成多个更明确的节点。问题分类器负责分流，专属 LLM 节点负责回答。这样既方便调试，也更接近真实客服团队的工作方式。

三、准备工作

正式开始前，需要准备以下内容。

1. 蓝耘元生代账号和 MaaS API Key

先进入蓝耘元生代控制台，准备好蓝耘 MaaS 的 API Key。这个 Key 后面要填到 Dify 的模型供应商配置中。

2. 蓝耘 MaaS 模型名称

本次实操使用蓝耘 MaaS 中的 deepseek-v4-flash。这个模型适合放在客服分流这类高频场景中，用来完成意图识别、问题归类和客服回复草稿生成。

实际填写时，要以蓝耘控制台显示的模型调用名称为准

deepseek-v4-flash

3. API endpoint URL

蓝耘 MaaS 的 OpenAI-compatible 接入地址用：

https://maas-api.lanyun.net/v1

后面在 Dify 的 OpenAI-API-compatible 模型供应商中，需要填写这个地址。

4. Dify 工作空间

可以使用 Dify 云端版，也可以使用本地部署版。只要能创建应用、使用模板、配置模型供应商即可。

这里的重点放在利用 Dify 已有模板快速搭建客服分流工作流，Dify 的部署过程不展开。

5. 测试客服问题

为了验证分流效果，可以准备几条典型客服问题：

问题 1：
我今天调用订单查询接口一直返回 500，昨天还是正常的，麻烦帮忙看一下是不是接口出问题了。

问题 2：
我昨天已经支付专业版年费了，但后台还是显示免费版，订单号是 YC202606110018，请帮我尽快开通。

问题 3：
刚才提交发票时公司抬头写错了，还能修改吗？正确公司名是北京云策科技有限公司。

问题 4：
后台登录一直提示验证码错误，换了浏览器也不行，我们团队今天要导出报表，比较着急。

这几条问题分别覆盖技术故障、权益开通、发票处理、账号登录等场景，适合测试问题分类器是否能把问题路由到正确分支。

四、在 Dify 中接入蓝耘 MaaS 模型

模板右侧的“必须配置项”里会显示默认模型要求，例如 gpt-4.1。这个信息表示模板原本依赖某个默认模型，实际搭建时可以把 LLM 节点统一替换成已经接入 Dify 的蓝耘 MaaS 模型。

操作步骤如下：

打开右上角账户菜单或系统设置。

进入“模型供应商”。

deepseek-v4-flash

https://maas-api.lanyun.net/v1

这里有两个细节需要注意。

第一，Dify 页面里如果同时出现“模型名称”和“显示名称”，模型名称应该填写蓝耘控制台里的真实调用名，显示名称可以写成便于识别的 deepseek-v4-flash。

第二，如果模型测试失败，先检查三个地方：API Key 是否完整、Base URL 是否多写或少写了 /v1、模型调用名称是否和蓝耘控制台完全一致。

五、从模板创建智能客服分流助手

模型配置完成后，就可以创建 Dify 应用了。

在 Dify 应用模板中找到“智能客服分流助手”模板。这个模板的说明是：

使用问题分类器节点，自动识别用户意图并路由至对应专属客服。

这个说明已经把应用核心讲清楚了。它不是让模型直接生成一段万能回复，而是先判断用户问题属于哪一类，再交给对应的专家节点。

创建应用后，进入工作流编排页面，可以看到模板中已经包含几个节点：

这正好符合客服分流的基本流程。后续配置的重点是三处：问题分类器里的分类规则、技术支持 LLM 的模型和 Prompt、账单问题 LLM 的模型和 Prompt。

六、节点一：客户请求

“客户请求”是整个工作流的入口。用户在这里输入原始问题，Dify 会把这段文本传给后续的问题分类器。

在模板里，这个输入变量就是客户提交的问题内容，可以理解为：

customer_issue

也就是客户提交的问题内容。

这个节点不需要复杂配置，但在实际业务里，输入内容越完整，后续分类越准确。比如用户只写“打不开”，模型很难判断是登录打不开、页面打不开、接口打不开，还是付款页面打不开。如果用户能补充账号、订单号、报错截图、操作时间，后续处理会更稳定。

在真实业务入口里，可以提示用户尽量填写：

七、节点二：问题分类器

问题分类器是这个模板最关键的节点。

它和普通 LLM 节点不一样。普通 LLM 节点会直接生成一段文字，而问题分类器的作用是判断用户输入应该走哪条分支。

在模板中，问题分类器把客户请求分成两个方向：

分类 1：技术支持
分类 2：账单问题

为了让路由更稳定，分类名称和分类描述都要写清楚。这里保留模板的两个主分支，并把分类描述补得更具体。

技术支持类

适合进入技术支持分支的问题包括：

分类说明配置为：

当用户问题涉及接口错误、系统故障、登录异常、功能不可用、页面报错、数据同步失败、Bug 反馈等技术类问题时，选择此分类。

账单问题类

适合进入账单问题分支的问题包括：

分类说明配置为：

当用户问题涉及付款、订单、套餐、续费、发票、退款、权益开通等账单或商业支持问题时，选择此分类。

这次实操为了便于复现，先保留两个主分支。这样更容易观察分类器是否把技术问题送到技术支持节点、把支付和发票问题送到账单节点。

八、节点三：技术支持 LLM

当问题分类器判断用户问题属于技术类问题时，就会进入“技术支持 LLM”节点。

这个节点需要在模型下拉框中选择前面接入的蓝耘 MaaS 模型 deepseek-v4-flash。它的目标不是泛泛聊天，而是以技术支持的口吻给出排查建议。

Prompt 配置如下：

你是一个 SaaS 产品的技术支持客服，负责处理登录异常、接口报错、功能故障、页面异常和 Bug 反馈。

请根据用户提交的问题生成客服回复，要求如下：
1. 先简要复述用户遇到的问题，体现你已经理解上下文。
2. 判断这类问题可能需要哪些排查信息。
3. 给出 2-4 个清晰的排查步骤。
4. 如果需要用户补充信息，请列出具体信息，例如账号、报错截图、接口请求时间、Request ID、浏览器版本等。
5. 不要编造后台已经处理完成，也不要承诺具体恢复时间。
6. 如果问题可能影响多人或核心业务，请提醒优先升级给技术支持。

这个 Prompt 的重点是约束模型不要直接下结论，而是先收集信息、给出排查方向，并提醒必要时升级人工技术支持。截图中可以看到，技术支持节点已经把模型切换到了蓝耘 MaaS 接入的 deepseek-v4-flash，并写入了对应的角色提示词。

九、节点四：账单问题 LLM

当问题分类器判断用户问题属于账单类问题时，就会进入“账单问题 LLM”节点。

这个节点同样在模型下拉框中选择蓝耘 MaaS 接入的 deepseek-v4-flash，但 Prompt 要换成账单客服角色。

Prompt 配置如下：

你是一个 SaaS 产品的账单与订阅客服，负责处理订单支付、权益开通、套餐续费、发票、退款和企业版购买咨询。

请根据用户提交的问题生成客服回复，要求如下：
1. 先确认用户的核心诉求。
2. 如果用户提供了订单号、付款时间、公司名称、发票信息，请在回复中提到已收到这些信息。
3. 如果继续处理还需要补充信息，请清晰列出。
4. 不要编造订单状态、付款结果、退款结果或发票开具结果。
5. 如果需要后台核对，请说明会根据订单信息进一步确认。
6. 回复语气要礼貌、清楚，适合作为人工客服审核后的回复草稿。

十、节点五：输出最终回复

最后一个节点是“输出”。它负责把对应分支中 LLM 生成的内容返回给用户。

在这个模板里，技术支持 LLM 和账单问题 LLM 最终都会连接到输出节点。用户看不到中间分类过程，只会看到最终回复。

实际调试时，可以分别输入技术类和账单类问题，观察执行路径是否高亮到了正确分支。

建议重点检查三件事：

如果分类经常出错，优先优化问题分类器里的分类描述，而不是直接改 LLM Prompt。因为 LLM 节点只负责分支内回复，路由是否正确主要由问题分类器决定。

十一、实测：用几条客服问题跑一遍

下面用四条测试问题验证这个分流助手的效果。测试时重点看两件事：一是 Dify 调试画布中的执行路径是否进入正确分支，二是最终回复是否符合对应客服角色的边界。

测试 1：接口 500 报错

测试输入：

我今天调用订单查询接口一直返回 500，昨天还是正常的，麻烦帮忙看一下是不是接口出问题了。

预期分支：

技术支持 LLM

从调试结果看，这条问题进入了技术支持分支，回复中也围绕接口 500、请求信息、影响范围和技术排查展开，没有直接编造“后台已修复”的结论。

测试 2：支付后未开通权益

测试输入：

我昨天已经支付专业版年费了，但后台还是显示免费版，订单号是 YC202606110018，请帮我尽快开通。

预期分支：

账单问题 LLM

从调试结果看，这条问题进入了账单问题分支，回复能够识别“已支付但权益未开通”的核心诉求，并保留订单号用于后续核对。

测试 3：发票抬头修改

测试输入：

刚才提交发票时公司抬头写错了，还能修改吗？正确公司名是北京云策科技有限公司。

预期分支：

账单问题 LLM

从调试结果看，发票抬头修改被路由到账单问题分支。回复能够围绕发票信息核对展开，同时没有直接承诺一定可以修改或重开，边界比较稳。

测试 4：登录验证码错误

测试输入：

后台登录一直提示验证码错误，换了浏览器也不行，我们团队今天要导出报表，比较着急。

预期分支：

技术支持 LLM

从调试结果看，登录验证码错误进入了技术支持分支，回复能围绕账号、浏览器、验证码错误和业务紧急程度给出排查建议，适合作为人工客服继续跟进前的回复草稿。

最终测试结果可以整理成下面这个表格：

十二、基于模板还能怎么扩展

当前模板只有两个分支：技术支持和账单问题。这个设计适合入门，也方便快速验证。但如果要更接近真实客服系统，可以继续扩展。

1. 增加更多问题分类

可以把问题分类器扩展成：

每个分类都可以连接一个不同的 LLM 节点，让模型使用不同的角色、话术和处理规则。

2. 给高风险问题增加人工提醒

像数据误删、服务不可用、多人受影响、付款金额异常这类问题，不建议只靠 AI 回复。可以在 Prompt 中要求模型明确提示：

该问题建议转人工或升级对应团队处理。

这样 AI 不会越权处理关键问题。

3. 后续再接入知识库

如果客服问题中有大量固定 SOP，比如退款规则、发票规则、套餐权益说明，后续可以在某些分支里接入知识库。

4. 固定回复边界

在客服场景里，模型最需要被约束的地方是“不要编造处理结果”。所以每个 LLM 节点的 Prompt 都建议加上类似规则：

不要编造后台状态、订单状态、退款结果、恢复结果或处理时效。

这条规则很重要。客服回复可以礼貌，可以完整，但不能替后台系统做不存在的确认。

十三、蓝耘 MaaS 在这个场景里的价值

这个应用看起来是 Dify 模板，但真正承担自然语言理解和回复生成的，还是接入到 Dify 里的大模型。

蓝耘 MaaS 在这个场景里的价值主要体现在三点。

第一，接入方式清晰。通过 OpenAI-API-compatible 的方式，可以把蓝耘 MaaS 模型配置到 Dify 里，后续在 LLM 节点中直接选择使用。

第二，适合中文客服文本。客服消息往往不标准，有口语表达、业务简称、订单号、错误描述和紧急诉求。模型需要先理解这些信息，再组织成客服能用的回复。

第三，能把模型能力放进流程里。相比单独打开一个聊天窗口问模型，Dify 工作流可以把“分类、路由、角色化回复、输出”串成完整链路。蓝耘 MaaS 提供模型底座，Dify 提供流程编排，两者结合后更适合做业务应用原型。

对个人开发者或中小团队来说，这种方式的成本也比较低。先用模板验证流程，再根据实际客服业务增加分类、调整 Prompt、接入知识库或工单系统，就能逐步把一个演示应用打磨成更接近真实业务的工具。

十四、总结

最终链路可以概括为：

客户请求 -> 问题分类器 -> 技术支持 / 账单问题专属 LLM -> 最终客服回复

在这个过程中，Dify 负责模板、节点和流程编排，蓝耘 MaaS 负责自然语言理解和回复生成。通过 OpenAI-compatible 接入方式，把 deepseek-v4-flash 放进 Dify 的技术支持和账单问题两个 LLM 节点后，就可以快速验证一个客服分流应用。

相比通用客服机器人，这种方式的优势是分工更清楚：先判断问题类型，再让对应角色生成回复。后续如果要继续扩展，可以增加更多分类、接入知识库、对接真实工单系统，或者给高风险问题增加人工复核流程。

对想快速尝试 AI 客服应用的人来说，这个模板是一个很适合入门的起点。它不复杂，但能很好地展示蓝耘 MaaS + Dify 在实际业务流程中的落地方式。