القائمة
把抖音/淘宝/微信客户问题汇入飞书服务台 — 工单统一管理、AI 自动初步回复建议、客服在飞书内一站处理。基于飞书服务台 v1 API。当用户说「客户工单」「退货咨询」「客服工作台」「集成多平台客服」时使用。属于 lark-fashion-cockpit 销售增长板块。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
女装电商运营驾驶舱 — 给电商品牌主的飞书 CLI 数字化方案。包含 38 大能力（经营/商品/销售/供应链/管理 5 大板块）+ 飞书 CLI 12 个深度集成 + 14 个独家创新（自演进/精准传达/评论迭代/经验沉淀/双级审批/智能反哺/客观贡献度/妙记自动剪辑/货盘梳理/直播话术分析/虚拟试穿/直播日报/库存 GMV 智能匹配/浏览器自动抓数据）。覆盖经营全流程+组织学习闭环+文档协作闭环+多模态视频/试穿+直播自动化抓数据。当用户提到女装/电商运营/搭配推荐/新品下单/任务追踪/手机指挥/AI 自演进/上传下达/根据评论改文档/经验沉淀/员工贡献度/剪个高光视频/会议金句剪辑/货盘梳理/直播话术分析/虚拟试穿/产品上身/今日直播总结/库存 GMV/浏览器自动抓数据/抖音视频号小红书自动化/初始化系统等场景时使用。
用户画像数据库 — 多平台账号 ID 自动去重 + 聚水潭 ERP 拉历史订单 → 推测尺码/身高/体重/腰围/胸围/风格/购买频次 → 消费者画像。是整个 cockpit 的决策底座，所有上新/营销/选品决策都参考这个画像库。当用户说「客户画像」「用户数据库」「身材分布」「尺码占比」「客户来源」时使用。
"新品下单/翻单智能判断 — 给新款一句"该下多少件"，AI 综合 4 维信号给建议：历史爆款元素相似度 + 滞销避雷 + 退货风险 + 人为操作历史教训。当用户说「这款下多少件」「下单建议」「翻单几件」「该不该备料」「新品备货量」「DRS-XXXX 该下多少」「新品备货决策」时使用。属于 lark-fashion-cockpit 商品中心板块（第 21 个能力）。"
对标博主每日监控 + 视频脚本一键拆解 — 监控竞品博主（抖音/快手/视频号）最新视频，AI 评分爆款指数；选中爆款一键拆脚本（yt-dlp + faster-whisper + DOUBAO 多模态 5 维度：镜头/台词/视觉/声音/节奏）。当用户说「监控博主」「看竞品博主」「同行发了啥」「拆这条视频」「二创脚本」时使用。
飞书 IM 套娃路由 — 老板手机飞书消息触发 agent 自动跑 skill。借鉴 4/1 直播来新璐分享的 Larkchannel 思路，做女装垂直行业的事件驱动版本。当用户说「在飞书里直接指挥」「手机上派活」「不打开电脑也能跑」时使用。属于 lark-fashion-cockpit 公司经营板块（第 23 个能力，杀手锏 1 的实现）。
跨平台消息发送 — 飞书一句话指令 → AI 理解 → 同时调用飞书 / 企业微信 / 个人微信 API → 多平台分发消息。一处发消息，不再切 3 个工具复制粘贴。当用户说「通知 ZC 工厂」「群发面料商」「发企微给客户」「跨平台广播」时使用。
| name | lark-fashion-cockpit-helpdesk-tickets |
| version | 1.0.0 |
| description | 把抖音/淘宝/微信客户问题汇入飞书服务台 — 工单统一管理、AI 自动初步回复建议、客服在飞书内一站处理。基于飞书服务台 v1 API。当用户说「客户工单」「退货咨询」「客服工作台」「集成多平台客服」时使用。属于 lark-fashion-cockpit 销售增长板块。 |
| metadata | {"requires":{"bins":["lark-cli"]},"cliHelp":"lark-cli api GET /open-apis/helpdesk/v1/tickets"} |
🎯 老板娘的痛点： 客户问题分散在抖音 / 淘宝 / 视频号 / 微信 4 个平台，客服切换 4 个后台，质量参差不齐，数据无法沉淀复盘。
载体： 飞书服务台 数据沉淀： 11_退货反馈 表（已有）+ 客户工单流水 客户体验： 完全无感（客户在原平台收到回复，只是回复来自飞书机器人代发）
| 平台 | 飞书原生集成 | 第三方桥接 | 可行性 |
|---|---|---|---|
| 飞书内员工咨询 | ✅ 原生 | - | ⭐⭐⭐⭐⭐ |
| 抖音客户咨询 | ❌ 无原生 | ✅ OpenClaw / Coze 桥接 | ⭐⭐⭐⭐ |
| 淘宝客户咨询 | ❌ 无原生 | ⚠ 千牛 API 半开放 | ⭐⭐ |
| 视频号客户咨询 | ❌ 无原生 | ⚠ 微信 API 受限 | ⭐⭐ |
| 微信客户咨询 | ❌ 无原生 | ⚠ 通过企业微信中转 | ⭐⭐ |
结论： 最稳的两条路：
比赛建议：先做内部员工咨询场景做 demo（"团队问题统一通过工单解决"），多平台标"商业化路线图"。
设计师马萍蔓 → 飞书服务台 → 提问"DRS-0429 的色卡能再发我一份吗"
→ 自动建工单 → 分配给生产主管申丽媛
→ 申丽媛飞书内回复 → 工单解决 → 数据沉淀
客户在抖音问"这件能不能 39 码？"
→ OpenClaw 桥接 → 飞书服务台 自动建工单
→ AI 给初步回复建议（基于历史 11_退货反馈 + 01_产品库）
→ 客服在飞书内审核 / 修改 / 一键发送
→ OpenClaw 把回复发回抖音 IM
→ 客户在抖音收到（完全无感）
# 3a. 创建工单（员工/客户提交问题）
lark-cli api POST /open-apis/helpdesk/v1/tickets/start_service \
--data '{
"user_id": "ou_xxx",
"human_service": false,
"appointed_agent_ids": []
}' \
--jq '.data.ticket_id'
# 3b. 列工单（客服查待处理）
lark-cli api GET /open-apis/helpdesk/v1/tickets \
--params '{"status":1, "page": 1, "page_size": 20}'
# status: 1=新建 / 2=处理中 / 3=已解决
# 3c. 客服回复
lark-cli api POST /open-apis/helpdesk/v1/tickets/{ticket_id}/answer_user_query \
--data '{"event_id": "msg_xxx", "faqs": [...]}'
# 3d. 工单状态更新
lark-cli api PUT /open-apis/helpdesk/v1/tickets/{ticket_id} \
--data '{"status": 3, "tags": ["已解决", "退货"], "comments": "..."}'
scripts/helpdesk-ai-suggester.py：拉新工单 → 调 deepseek + 历史 11_退货反馈 → 给客服一份建议回复
def suggest_reply(ticket):
similar = search_similar_complaints(ticket.user_query)
history = get_user_purchase_history(ticket.user_id)
prompt = f"""客户问题: {ticket.user_query}
客户历史购买: {history}
类似历史投诉: {similar[:3]}
请按老板娘风格给一份初步回复（先共情 + 给方案 + 不抹黑产品）"""
return deepseek_call(prompt)
实证数据：响应时长 ↓ 58%，效率 ↑ 40%（参考美宜佳/海底捞案例）。
无需部署，直接打开 examples/helpdesk-demo.html 看 UI 模拟（飞书服务台工单看板）。