AI 进物流网点：从分拣到末端派件

第一车货五点四十到网点，分拣线两边站六个人，传送带不停，手上不能停。错分一件的代价不在这一件：它要被拉回中转场、重新排线、晚一天到客户手上，然后变成一通投诉电话。网点想用 AI 的动机很实在——件量在涨，人不好招，时效考核一天比一天紧。但哪些环节真能交出去、交出去之后错在哪，得一个一个看。

件量越大，规则活越值得交出去

网点的一天可以拆成几段：到车卸货、分拣、装车发运、在途查询、末端派送、异常处理。前四段里大量动作是规则判断——这个地址属于哪个片区、这个件该上哪条线、这单现在到哪了。规则清楚、判断重复、错了能立刻发现，三个条件凑齐，就是适合工具接手的地方。

后两段不一样。派件要面对具体的门、具体的人、具体的天气；异常处理要面对情绪。这两段里工具能做的只是把信息备齐，做决定的还是人。

五个环节，自动化到哪一层

第三列的分布有个规律：越靠近最后一公里，越依赖现场信息。系统里没有「这栋楼电梯今天坏了」，也没有「这位客户每次都要求放门口」。这类信息只在人的脑子里和电话里，工具拿不到，也就不该替人决定。

地址解析的准确率，只能用真数据验

地址解析是整条链路的地基。它错一位，后面的分区、路由、派件全错，而且错误会往后累积。供应商给的准确率通常来自清洗过的测试集，和你的片区结构不是一回事。

验收该这么做：从最近一个月的历史单里随机抽两千条，覆盖老城区、新楼盘、园区、乡镇四类地址，人工标好正确答案，跑一遍看逐条结果。重点不在总准确率，在错在哪些类型上——错的如果全是新楼盘，说明地址库没更新；全是「某路某号某栋」这种长尾格式，说明解析规则不够。这类分层验收的思路，和模型评估指标里讲的「总体好看、分层全是坑」是一回事。

查询能自动答，纠纷不能

「我的件到哪了」占了客服工作量的大头，这类问题有标准答案，查轨迹就能回，交给工具最划算。电话进来的也可以先过一道识别，把查件、改地址、催派分开，再决定自动答还是转人工，语音这一环的稳定性可以看语音识别那篇。

麻烦在边界附近的问法。「我的件三天没动了」听着像查询，实际是投诉的前兆；「你们是不是把我的件弄丢了」需要的不是轨迹，是一个能负责的人。这类对话被自动答复挡回去，客户的火气会翻倍。合理的做法是给转人工设几条硬规则：提到丢件、破损、赔付、投诉的，直接转；同一单当天第二次进来的，直接转；识别置信度低的，直接转。

派件路线是算术题，派件不是

一个派件员一天跑一百多件，路线差一公里，全天就差出半小时。按件量分布、时效要求、路网距离排路线，是典型的组合优化，工具做得比人快，也能把「这单要超时了」提前标出来。多约束条件下怎么让智能体参与排程，AI 智能体那篇有更细的拆法。

但路线一旦落到具体门口，变量就换了。客户临时说放驿站、单元门进不去、货车限行、下雨天件不能放地上，这些都要派件员当场改。系统给的应该是可调整的草案，允许一键改顺序、改片区，而不是一张必须执行的清单。网点负责人每天要做的，是在时效和成本之间找当天的平衡点，这个点每天都在变。

工具算得出时效，算不出指标定偏的后果

先说清楚它做不到什么。它不知道你的片区正在修路，不知道某个大客户这周做活动件量翻倍，也不知道派件员今天状态不对。这些都不在数据里，它给的建议只能建立在历史规律上，规律一变就失灵。

更隐蔽的一层在考核。时效、签收率、投诉率这些数据工具整理得很清楚，指标一旦定偏，它会非常忠实地帮你把偏差执行到底。只考核签收率，派件员就会想办法提前点签收；只考核时效，就会把难送的件压到最后。工具不会提醒「这个指标会引发这种行为」，它只会把数字做得更好看。指标怎么定，得由懂一线的人来定。

还有编造的问题。让它写赔付条款、写承运合同的责任划分、写某个平台的申诉规则，它给出的说法往往条理清楚却没有出处。这类内容只能回到合同文本和平台规则原文核对，编造的机制在AI 幻觉里有解释。下任务时把「只依据我给的轨迹和工单记录回答，查不到就说查不到」写成硬约束，比事后抽查有效，写法参考提示词的结构。

速查：网点上工具前先定四件事

• 用两千条真实历史单验地址解析，分层看错在哪类地址
• 转人工的硬规则先写死：丢件、破损、赔付、二次来电、低置信度
• 派件路线给草案不给清单，允许现场一键改
• 考核指标上线前，先想清楚它会被怎样利用