一句话结论
Aderant 构建的智能工单系统通过 Amazon Nova Lite 实现 96% 路由准确率，每周为工程团队回收 8 至 14 小时，显著降低维护成本。
关键要点
- Aderant 利用 Amazon Bedrock 平台上的 Amazon Nova Lite 模型，为管理 268 个全球客户端环境的 38 人 SierraOps 团队构建了智能工单分诊系统。
- 在 2026 年 6 月 30 日至 7 月 17 日的生产测试中，系统处理了 109 张工单，路由准确率约为 96%，仅发生 4 次误路由。
- 系统每周平均回收 8 至 14 个工程小时，月总运营成本低于 30 美元，其中 Amazon Bedrock 推理成本低于 1 美元。
- 该架构由单个 AWS Lambda 函数编排，通过 Amazon EventBridge 在工作日每小时触发，并从 Jira、Confluence 等四个数据源获取上下文。
- 系统严格限制在处理内部运营工单及知识源，不访问或存储客户事务数据，高置信度决策自主执行，低置信度工单保留人工审查机制。
背景与事实
Aderant 是一家全球法律行业企业管理软件服务商，其技术支持团队 SierraOps 由 38 名成员组成，负责管理全球 268 个客户端环境的 Expert Sierra 服务。在部署自动化系统之前，团队每周需处理 34 至 40 张工单，每张工单需要工程师花费 15 至 25 分钟进行手动调查分诊，导致大量工程时间消耗在低价值的例行判断上。为了解决这一瓶颈，团队开发了一套智能工单分诊系统，该系统于 2026 年 6 月 30 日正式进入生产初期，并持续运行至 7 月 17 日进行验证。
系统基于 Amazon Bedrock 平台，核心采用 Amazon Nova Lite 模型。技术架构由单个 AWS Lambda 函数负责编排，通过 Amazon EventBridge 在工作日的每小时周期触发任务。系统自动从 Jira、Confluence、Amazon Athena 和 Microsoft SharePoint 获取上下文信息，利用 AWS Secrets Manager 获取安全凭证，并通过 Amazon DynamoDB 追踪跨工单的模式，最后使用 Amazon CloudWatch 进行监控。这种设计避免了额外的供应商合同，充分利用了原生 AWS 集成能力，如 Amazon Bedrock Converse API、IAM 权限及 AWS SDK。
在 2026 年 6 月 30 日至 7 月 17 日的生产测试期间，系统共审查了 109 张工单，路由准确率约为 96%，仅有 4 次误路由记录。经济效益方面，系统每周回收 8 至 14 个工程小时，相当于每月恢复 32 至 56 小时；月运营成本低于 30 美元，其中 Amazon Bedrock 推理成本低于 1 美元。在实际案例中，系统成功将 Azure DevOps 404 错误工单路由至 CloudOps Azure 团队，并提供远程访问配置的解决方案，使工程师在次日 30 分钟内完成任务；对于 PowerShell 部署请求，系统提供指引协助初级工程师在当日解决而未升级至高级团队。此外，系统通过识别跨客户相同软件版本的重复问题模式，自动更新 Confluence 跟踪页并链接已解决工单，形成了知识循环。
团队选择 Amazon Nova Lite 主要基于其操作特异性、原生 AWS 集成及经济性。相比其他模型，Nova Lite 能更有效地提取具体解决步骤和关联历史问题。系统边界严格限制在处理内部运营工单数据及知识源，明确不访问或存储客户事务数据或应用程序业务数据。目前，系统保留了人工审查机制用于低置信度决策，团队每周审查路由纠正以优化逻辑。未来规划包括深入客户历史分析、利用 Amazon Bedrock Knowledge Bases 改进语义匹配，并保留 CloudOps Helper 机器人用于按需深度调查，旨在将工程产能导向高价值工作。
影响分析
这一案例为中文开发者与运维从业者提供了极具参考价值的自动化实施路径，表明在特定垂直领域引入大语言模型（LLM）并非必须追求最高参数量的模型，而是应侧重“操作特异性”与“经济性”。对于拥有大量重复性技术支持工单的企业，利用 Amazon Nova Lite 这类轻量级模型结合 AWS 原生服务（如 Lambda、EventBridge、DynamoDB），可以以极低的边际成本（每月推理成本不足 1 美元）实现显著的效率提升。
从实施角度看，该系统的成功关键在于将“知识循环”制度化。通过自动更新 Confluence 并链接历史工单，系统不仅解决了当前问题，还优化了未来的分诊逻辑。这对中文从业者的启示是：自动化系统的价值不仅在于替代人力，更在于通过数据反馈闭环持续优化知识库。然而，必须注意的是，这种高准确率（96%）建立在严格的系统边界之上——仅处理内部运营数据且不触碰客户敏感数据。在引入 LLM 处理工单时，明确数据隔离边界是确保合规与信任的前提，这也是该架构能够被安全部署至生产环境的核心逻辑。
适用边界
该结论主要适用于拥有成熟内部知识库（如 Confluence）、标准化工单流程（如 Jira）以及具备 AWS 基础设施能力的企业，特别是那些处理非敏感内部运营工单的技术支持团队。此模式不适用于需要直接处理客户敏感个人身份信息（PII）或核心业务逻辑数据的场景，因为系统设计上明确排除了对客户端事务数据的访问。此外，该系统依赖于工作日每小时的固定触发机制，对于需要实时响应或 7x24 小时不间断处理紧急故障的场景，可能需要调整 EventBridge 的触发频率并增加实时流处理组件，当前的每小时批处理架构可能存在延迟风险。
孤本观察
常见问题
Aderant 部署的智能工单分诊系统在 2026 年 6 月 30 日至 7 月 17 日期间的路由准确率及误路由次数是多少？
在 2026 年 6 月 30 日至 7 月 17 日的生产测试中，系统处理了 109 张工单，路由准确率约为 96%，仅发生 4 次误路由。
该智能工单分诊系统的每月运营成本及其中 Amazon Bedrock 推理成本分别是多少？
系统月总运营成本低于 30 美元，其中 Amazon Bedrock 推理成本低于 1 美元。
Aderant 的智能工单分诊系统技术架构主要由哪些 AWS 组件构成，触发机制如何？
架构由单个 AWS Lambda 函数编排，通过 Amazon EventBridge 在工作日每小时触发，利用 Amazon Bedrock 推理，并从 Jira、Confluence 等四个数据源获取上下文。
该系统每周平均能为工程团队回收多少小时？
系统每周平均回收 8 至 14 个工程小时，相当于每月恢复 32 至 56 小时。
Aderant 智能工单分诊系统在数据访问边界上有哪些具体限制？
系统严格限制在处理内部运营工单及知识源，不访问或存储客户事务数据；高置信度决策自主执行，低置信度工单保留人工审查机制。