Клиент — SaaS-платформа (логистика), 400+ тикетов в день. Маршрутизация вручную: оператор читал обращение и ставил тег — 30–60 секунд на тикет, ошибки маршрутизации ~12%, SLA страдал. Классификатор на ключевых словах не справлялся с вариативностью формулировок. Задача: система few-shot промптов для классификации намерения и приоритета — 14 категорий, confidence score, fallback «не уверен → general queue». Без автоответа клиенту — только routing. Реализация: • taxonomy: 14 intent-классов (статус, оплата, баг, интеграция, billing, churn risk и др.); • few-shot промпт: 3–5 примеров на класс, hard negatives для путаницы «оплата vs billing»; • structured output JSON: intent, priority, confidence, suggested_queue; • порог confidence: < 0.7 → ручная разметка + пополнение few-shot; • eval на 500 размеченных тикетах: precision/recall по классам; • итерации v1→v4: анализ confusion matrix, добавление edge cases; • документация: как добавить новый intent без переобучения модели. Стек: промпт-инжиниринг, OpenAI API, JSON Schema, Python eval, Zendesk webhook. Приёмка: macro-F1 > 0.88 на hold-out выборке. Итог: время маршрутизации ~2 сек вместо 30–60; ошибки routing −70%. NDA: продукт не публикуется.