RedmineUP testet AI-Agent-Plugin mit MCP-Server im eigenen Support
Vor dem Release liess das Unternehmen sein Support-Team das Redmine-Plugin an echten Kundentickets erproben. Die Erfahrung: Die groesste Herausforderung ist nicht das LLM, sondern die richtige Reihenfolge bei der Einfuehrung.
Hallo, ich bin Marat von RedmineUP Cloud. Wir stehen kurz vor der Veröffentlichung von AI Agent, einem Redmine-Plugin mit integriertem MCP-Server. Vor dem Release haben wir unser eigenes Support-Team damit auf echten Kunden-Tickets arbeiten lassen.
Dabei zeigt sich: Der schwierige Teil ist nicht das LLM. Es ist die Reihenfolge, in der man die einzelnen Dinge einführt.
Wenn Ihr Support auf Redmine läuft, sitzen Sie auf Jahren voller gelöster Tickets, Wiki-Seiten und Kundenhistorie. Heute liegt dieses Wissen einfach ungenutzt herum. RAG macht es nutzbar.
Der Agent durchsucht Wiki-Seiten und Tickets mit Redmines nativer Suche, und zwar mit den Rechten des anfragenden Nutzers. Kein separater Index, der synchronisiert werden muss, keine Berechtigungslecks zwischen Kunden. Jede Antwort verweist auf ihre Quelle: "siehe #4521 und die Wiki-Seite zu SSO".
Ein Webhook wird ausgelöst, sobald eine E-Mail zu einem Ticket wird. Der Agent wählt Kategorie, Priorität und Bearbeiter ausschließlich anhand von IDs, die in Redmine existieren, schreibt einen Entwurf und speichert alles als private Notiz:
PUT /issues/ 4812.json { "issue": { "category_id": 7, "priority_id": 4, "assigned_to_id": 23, "notes": "AI triage: billing, EN, customer frustrated. Similar: #3310. \n\n Draft reply:...", "private_notes": true } } Enter fullscreen mode Exit fullscreen mode Drei Regeln, die uns geholfen haben:
Führen Sie das zwei bis vier Wochen lang durch und protokollieren Sie den Anteil der Entwürfe, die ohne oder mit nur geringen Änderungen versendet wurden, aufgeschlüsselt nach Kategorie. Diese Zahl entscheidet, wo Automatisierung sicher ist.
Über MCP tippt ein Support-Lead: "Median und P90 der ersten Reaktionszeit für Projekt X, Anteil innerhalb von 4 Stunden beantworteter Anfragen, Trend pro Jahr." Der Agent erstellt die Abfrage und die Diagramme und erklärt anschließend den langen Schwanz der Verteilung.
Automatische Antworten nur in eng gefassten Kategorien mit nachgewiesener Treffsicherheit: Passwort-Resets, "wo ist meine Rechnung". In allen anderen Fällen übergibt der Agent an einen Menschen, zusammen mit einer Zusammenfassung.
CRM- und Helpdesk-Daten in einem einzigen Aufruf. Ein kleiner, aber nützlicher Trick: Werte wie den LTV im Code berechnen und das LLM nur deren Erläuterung übernehmen lassen. So bleiben die Zahlen reproduzierbar.
Beginnen Sie nicht mit einem Chatbot. Starten Sie mit Retrieval, ergänzen Sie Entwürfe, messen Sie die Ergebnisse und automatisieren Sie nur dort, wo die Zahlen es als sicher ausweisen.
Die ausführliche Darstellung mit allen API-Details: 5 Steps to Transform Your Redmine Helpdesk with an AI Plugin
Was würden Sie als Erstes einem KI-Agenten in Ihrer Support-Warteschlange übergeben? 👇
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Hi, I'm Marat from RedmineUP Cloud. We're about to ship AI Agent, a Redmine plugin with a built-in MCP server. Before releasing it, we let our own support team use it on real customer tickets.
Turns out the hard part isn't the LLM. It's the order you introduce things in.
If your support runs on Redmine, you're sitting on years of solved tickets, wiki pages and customer history. Today that knowledge just sits there. RAG makes it usable.
The agent searches wiki pages and issues with Redmine's native search, as the user who asked. No separate index to sync, no permission leaks between customers. Every answer links to its source: "see #4521 and the wiki page on SSO".
A webhook fires when an email becomes a ticket. The agent picks a category, priority and assignee only from IDs that exist in Redmine, writes a draft, and saves everything as a private note:
PUT /issues/ 4812.json { "issue": { "category_id": 7, "priority_id": 4, "assigned_to_id": 23, "notes": "AI triage: billing, EN, customer frustrated. Similar: #3310. \n\n Draft reply:...", "private_notes": true } } Enter fullscreen mode Exit fullscreen mode Three rules that saved us:
Run this for 2–4 weeks and log the share of drafts sent with no or minor edits, per category. That number decides where automation is safe.
Through MCP, a support lead types: "Median and P90 first response time for project X, share answered within 4h, trend by year." The agent builds the query, the charts, and then explains the long tail.
Auto-replies only in narrow categories with proven accuracy: password resets, "where's my invoice". Otherwise it hands off to a human with a summary.
CRM + Helpdesk data in one call. A small but useful trick: compute scores like LTV in code, and let the LLM only explain them. The numbers stay reproducible.
Don't start with a chatbot. Start with retrieval, add drafts, measure, and automate only where the numbers say it's safe.
Full write-up with API details: 5 Steps to Transform Your Redmine Helpdesk with an AI Plugin
What's the first thing you'd hand to an AI agent in your support queue? 👇