AI智能體在順豐運營環(huán)節(jié)的應(yīng)用01

順豐營運決策場景介紹02

順豐營運AI智能決策演進、挑戰(zhàn)

03

順豐AI智能體技術(shù)探索04

順豐AI智能體解決方案構(gòu)建05

順豐AI智能體業(yè)務(wù)實踐目

錄Contents01順豐營運決策場景介紹順豐簡介-集團業(yè)務(wù)概覽順豐是中國及亞洲最大、

全球第四大綜合物流服務(wù)提供商

，

為客戶提供國內(nèi)及國際端到端一站式供應(yīng)鏈服務(wù)。

同時

，依托領(lǐng)先的科技研發(fā)能力

，致力于構(gòu)建數(shù)字化供應(yīng)鏈生態(tài)

，成為全球智慧供應(yīng)鏈的領(lǐng)導者?？爝f物流國際快遞、貨代及供應(yīng)鏈業(yè)務(wù)覆蓋100個國家及地區(qū)國內(nèi)縣級覆蓋率98.9%2,813個縣級行政區(qū)國內(nèi)地級覆蓋率100%339個地級行政區(qū)國際小包業(yè)務(wù)覆蓋206個國家及地區(qū)國際增值服務(wù)立足中國服務(wù)全球其他業(yè)務(wù)快遞醫(yī)藥快運冷罐數(shù)據(jù)截止時間：2024年12月31日天

網(wǎng)-順豐航空

資源優(yōu)勢中國最大、全球前列的貨運航空公司

中國航空貨運最大貨主

亞洲第一個、世界第四個貨運樞紐機場一夜達全國，隔日連世界處理能力位于世界前列

引入行業(yè)前沿創(chuàng)新技術(shù)系統(tǒng)驅(qū)動管理

高度自動化、智能化從設(shè)計工藝到生產(chǎn)全

鏈條節(jié)能減排天網(wǎng)

國際樞紐

科技樞紐

智慧樞紐

綠色樞紐運營全貨機110架自營89架國內(nèi)航線3,000條安全運行超110萬架次航空總貨量超242萬噸全球累計運營航線173條5.5萬次航班國際航線13,000條累計全國開通超600條航線順豐國內(nèi)貨量占全國航空貨郵運輸量31.1%全貨機散航資源物流

無人機件量數(shù)據(jù)截止時間：2024年12月31日運營管理1,700座倉庫占地面積大于990萬平米

食品冷庫137座醫(yī)藥倉庫12座海外倉庫950座提供包括各類型傳統(tǒng)貨運、整箱承運及拼箱承運的海運服務(wù)海運線路約18,000條海運發(fā)貨量1,230,000TEU全球運營管理干支線貨車超100,000輛末端收派車輛超100,000輛國內(nèi)超36,000個自營及代理網(wǎng)點&面客點海外自營和聯(lián)營門店超14,000個2,813個縣級行政區(qū)國際快遞、貨代及供應(yīng)鏈業(yè)務(wù)覆蓋100豐富的運輸方式資源

提供國內(nèi)及跨境多式聯(lián)運服務(wù)

國內(nèi)服務(wù)覆蓋339個地級行政區(qū)國際小包業(yè)務(wù)覆蓋206個國家及地區(qū)全球范圍網(wǎng)點布局助力實現(xiàn)國際化、本土化運營高鐵產(chǎn)品開通883條線路鐵路普列線路240條地

網(wǎng)-網(wǎng)絡(luò)運輸

能

力地網(wǎng)221快遞運營中轉(zhuǎn)場152快運運營中轉(zhuǎn)場國際班列303條中轉(zhuǎn)場數(shù)據(jù)截止時間：2024年12月31日鐵運覆蓋倉儲海運個國家及地區(qū)陸運網(wǎng)點訂單進入前

訂單進入后市場與客戶驅(qū)動

前置預(yù)測------------------------------>·資源規(guī)劃

-----------≥

快件入網(wǎng)

動態(tài)實時預(yù)測

資源實時調(diào)度綜合行業(yè)市場趨勢

、客戶運營策略

、地區(qū)產(chǎn)品畫像

、物流路網(wǎng)信息等數(shù)據(jù)

，預(yù)測從大網(wǎng)、城市到網(wǎng)點、AOI區(qū)域等各類型區(qū)域的產(chǎn)品件量、重量段等業(yè)務(wù)信息。

運籌優(yōu)化

人工智能

數(shù)據(jù)挖掘與分析

實時計算

流批一體小哥|

收派員幾十萬陸運|

干支線車輛10,

0+

航空|

國內(nèi)散航線路30+中轉(zhuǎn)|

中轉(zhuǎn)分撥370+

智慧決策

-

業(yè)務(wù)預(yù)測與資源精準投放實時接入已入網(wǎng)運單處理狀態(tài)，動態(tài)預(yù)估快件

所處位置和預(yù)計到達時間，聚合至場地、流向、

班次等維度輸出動態(tài)實時預(yù)測結(jié)果。依據(jù)實時需求預(yù)測和實時資源儲備數(shù)據(jù)，

動態(tài)計算盈缺窗口，彈性調(diào)整各類資源

投放安排，保證服務(wù)時效。依據(jù)預(yù)測結(jié)果，進行人員招聘、作業(yè)排班，

場地計劃，運輸資源準備等營運工作。網(wǎng)絡(luò)實時更新場景豐富

、網(wǎng)絡(luò)復雜AOI難度預(yù)估模型收派任務(wù)難度客觀評估各AOI收派難度系數(shù)AOI件量預(yù)測和

小哥效能模型收派任務(wù)量和資源承載力客觀評估各AOI區(qū)域收派難度系數(shù)小哥畫像小哥業(yè)務(wù)能力服務(wù)質(zhì)量+業(yè)務(wù)開發(fā)+基礎(chǔ)信息班次上休安排小哥勞動強度工時數(shù)據(jù)+個人偏好分級分類綜合診斷區(qū)域服務(wù)質(zhì)量、業(yè)務(wù)增長等問題通過任務(wù)線上化管理，減少原指標管理的低效模式優(yōu)劣區(qū)域任務(wù)執(zhí)行過程全管控系統(tǒng)定期監(jiān)控問題改善效果，牽引管理策略優(yōu)化AOI難度評估小哥收派難度依托大數(shù)據(jù)

，

綜合評估AOI難度

，

為小

哥任務(wù)分配和計提定價提供標準依據(jù)?？梢暬ㄎ缓唾Y源調(diào)度實時動態(tài)調(diào)度基于預(yù)測件量

，實時調(diào)整小哥資源配置資源投入和區(qū)域分配小哥/渠道投入和工作區(qū)域分配根據(jù)AOI預(yù)測件量、

工作難度以及小哥

和各渠道的工作能力

，

結(jié)合小哥長/短

期工作強度情況

，

指導小哥工作區(qū)域

及實時收派任務(wù)的合理分配。參考小哥意愿休息，自主選擇工作模式和工作時長依據(jù)不同AOI、時段（夜派）、工齡、評價等維度動態(tài)計提補貼

，單件收益與付出成正比

，長期

依據(jù)評級獲取權(quán)益幾十萬小哥的智慧管理小哥體驗小哥意愿滿足和付出收益公平性提升管理效率管理精細智能

，提升區(qū)域管理能力收派能力收派任務(wù)與運力資源的最優(yōu)匹配任

務(wù)人員權(quán)益區(qū)域診斷執(zhí)行監(jiān)控效益復盤健康措施輸出航空

|一體化航空資源獲取與履約平臺

全貨機時效管控針對全網(wǎng)航班、

樞紐轉(zhuǎn)飛轉(zhuǎn)運場景

，基于智能算法

，事

前化解風險

，事中調(diào)度與事后復盤優(yōu)化

，

自動輸出高質(zhì)

量、

高時效的解決方案。

散航時效管控搭建航空資源池

，智能模型輔助規(guī)劃

，優(yōu)化核心資源獲

取與使用模式

，滿足不同產(chǎn)品的時效需求。鐵路與多式聯(lián)運

|智能多式聯(lián)運承運探索

鐵路資源互聯(lián)互通與國鐵建立合作實現(xiàn)系統(tǒng)對接

，支撐基于高鐵貨動、

高鐵圖定車、

特快班列、

普列行李車等多樣化資源接入應(yīng)用。

互聯(lián)網(wǎng)+多式聯(lián)運承運平臺實現(xiàn)運輸資源、

價格、

任務(wù)、

支付集成

，支持和滿足多

樣化需求接入

，打造科技型多聯(lián)行業(yè)超級貨代

，助力國

家級多式聯(lián)運平臺建設(shè)示范。汽運

|數(shù)智化驅(qū)動自有、外包運力資源選擇I

數(shù)智優(yōu)化運力調(diào)配基于貨量及線路情況預(yù)測

，輸出運力資源結(jié)構(gòu)組成方案，

提升可控類運力資源承運占比

，對臨時需求進行智能化

管控

，保證運力成本穩(wěn)定。 數(shù)智驅(qū)動資源采購與定價建立線路自動化定價體系

，并基于此打造數(shù)智化運力資

源采購系統(tǒng)

，智能判斷運力交易合理性

，保障運力資源

采購合理、

透明、

健康。需求

資源

交易

任務(wù)

結(jié)算運力需求歸集

可用資源匹配運力資源交易任務(wù)指令下發(fā)任務(wù)達成結(jié)算打造連接天地的立體交通網(wǎng)絡(luò)全鏈路數(shù)智化資源與履約管理條航線

個國際及地區(qū)航點全覆蓋

“數(shù)智化”鄂樞

▲

依托”協(xié)同調(diào)度”和“分揀管理”兩大核心控制系統(tǒng)

，全方位提供貨物從落地、卸機、進港駁運、安檢、海關(guān)查驗、分揀、

出港駁運、裝機、起飛全流程、全場景、全要素解決方案

，繪制“樞紐運行態(tài)勢一張圖”。BIM模型

多備份亞洲最大分揀規(guī)模

2.

3萬臺分揀設(shè)備和長達52公里輸送線

，

峰

值處理28萬件/小時；

全網(wǎng)首個不規(guī)則件分揀系統(tǒng)ICS

，

處理貨量

最高可達12000pph。首創(chuàng)順勢監(jiān)管模式

國內(nèi)首創(chuàng)海關(guān)監(jiān)管作業(yè)區(qū)與企業(yè)生產(chǎn)全流程

融合模式

，實現(xiàn)

“順勢監(jiān)管”；

14條海關(guān)智能查驗線

，萬平海關(guān)集中查驗平

臺區(qū)

，

貨物上線、

通關(guān)、

組板僅耗時15-20

分鐘中查驗平臺區(qū)。降落卸機進港駁運分揀出港駁運裝機起飛鄂州樞紐中的數(shù)智化應(yīng)用板箱RFID自動識別進港保障節(jié)點

視覺自動識別預(yù)計業(yè)載動態(tài)計算出港保障節(jié)點

視覺自動識別停機位智能分配航班降落優(yōu)先級排序異常分流方案推薦航班起飛優(yōu)先級排序打板推薦任務(wù)生成車輛任務(wù)智能調(diào)度分揀路徑智能規(guī)劃設(shè)備監(jiān)控風控驗放分揀島智能分配車輛任務(wù)智能調(diào)度j數(shù)據(jù)截止時間

：2024年12月31日支線運輸航空汽運鐵路資源排布供需匹配計劃資源調(diào)度供需波動應(yīng)對小哥動態(tài)調(diào)度小哥實時調(diào)度任務(wù)規(guī)劃分揀指導

|派送順序車輛動態(tài)調(diào)度件量推演｜任務(wù)動態(tài)調(diào)整｜資源動態(tài)指派樞紐訂艙件量推演｜動態(tài)拋艙｜動態(tài)倉位分配分揀能力動態(tài)調(diào)優(yōu)動態(tài)分配/調(diào)整快件格口小哥|

收派員幾十萬陸運|

干支線車輛10,

0+

航空|

國內(nèi)散航線路30+中轉(zhuǎn)|

中轉(zhuǎn)分撥370+支持全網(wǎng)物流網(wǎng)絡(luò)全局的數(shù)智大腦陸運線路規(guī)劃干支線排線｜發(fā)運模式調(diào)優(yōu)車輛資源儲備資源結(jié)構(gòu)設(shè)計｜資源招采航班計劃全貨機周計劃｜散航訂艙計劃｜板箱計劃人員排班人員排班建議分揀計劃推薦合理性校驗

|調(diào)優(yōu)推薦中轉(zhuǎn)場選址中轉(zhuǎn)模式調(diào)優(yōu)

|場地合理布局車輛排班任務(wù)-資源匹配｜司機排班區(qū)域投入規(guī)劃小哥/渠道投入

|工作區(qū)域分配航空線路規(guī)劃多運力一體化規(guī)劃｜航線規(guī)劃資源儲備前置性需求規(guī)劃

與資源鎖定

數(shù)字孿生小哥排班月度輪休

|意愿排班

人工智能航空資源異常調(diào)度航班晚到｜取消｜分流車輛異常調(diào)整車輛晚到｜落貨｜分流場地資源異常調(diào)度到車調(diào)整

|發(fā)車調(diào)整

運籌優(yōu)化

無人X

大數(shù)據(jù)異常調(diào)整營運異常應(yīng)對快件異常干預(yù)異常件預(yù)警支線運輸干線運輸中轉(zhuǎn)場中轉(zhuǎn)場網(wǎng)點網(wǎng)點鐵路站點鐵路站點分點部分點部霧化點霧化點中轉(zhuǎn)場中轉(zhuǎn)場客戶客戶機場機場順豐營運AI決策演進、

挑戰(zhàn)02大小模型協(xié)同優(yōu)勢l大模型提供需求理解

，模型編排能力l小模型提供深度的專業(yè)知識分析、決策優(yōu)化能力順豐營運場景AI

Agent解決方案l

客戶意圖識別l

信息索引/小模型調(diào)用l自然語言理解l

通用知識增強交互l

領(lǐng)域知識分析l

精確優(yōu)化結(jié)果垂域AI模型主要用途AI智能體主要用途l

定制化結(jié)果輸出核心思想：

構(gòu)建物流場景下專項時空圖網(wǎng)絡(luò)

，搭建通用范式時空大模型

，通過模擬運輸網(wǎng)絡(luò)中場地間的關(guān)聯(lián)性和時空上下游的聯(lián)

系依賴

，全面刻畫收轉(zhuǎn)運派流轉(zhuǎn)拓撲網(wǎng)絡(luò)時空全局結(jié)構(gòu)

，

實現(xiàn)統(tǒng)一模型范式表征N個場景預(yù)測能力建設(shè)。場地-場地通過規(guī)劃線路+班次時間構(gòu)建依賴關(guān)系，通過班次時間子圖劃分捕捉時空變化垂域AI模塊

-

自研時空預(yù)測大模型

場地班次

節(jié)點

發(fā)件班次-到件班次

邊多場景多目標預(yù)測任務(wù)到件-重量預(yù)測到件-件量預(yù)測到件-重量預(yù)測發(fā)件-件量預(yù)測班次下一跳場地班次統(tǒng)一時空圖網(wǎng)絡(luò)大件場地重量件量空間圖+時序依賴→時空圖航空OD到件發(fā)件圖信息構(gòu)建跨城市

網(wǎng)絡(luò)同城市

網(wǎng)絡(luò)寄件人收件人中轉(zhuǎn)場中轉(zhuǎn)場網(wǎng)點

項目挑戰(zhàn)u

問題規(guī)模大n

中轉(zhuǎn)場數(shù)量:

380個n

網(wǎng)點數(shù)量:

36,000個n

干支線數(shù)量:

100,000條n

全貨機數(shù)量:

110架u

區(qū)域間公平性考慮n

全局最優(yōu)可能影響部分地區(qū)客戶感知n

大量基于現(xiàn)狀的時效要求約束u求解質(zhì)量要求高n

極小的gap也可能導致局部不優(yōu)n

有經(jīng)驗的規(guī)劃人員可以快速發(fā)現(xiàn)u多個結(jié)構(gòu)不同的（近似）最優(yōu)解n

算法考慮業(yè)務(wù)上的“傾向性”n

分析下結(jié)論要謹慎

，多做靈敏度分析垂域AI模塊

-大規(guī)模網(wǎng)絡(luò)優(yōu)化算法

運籌技術(shù)發(fā)展歷程業(yè)務(wù)背景l(fā)每年有數(shù)百個中轉(zhuǎn)場地要進行新增、搬遷、合并等

，投入大

，網(wǎng)絡(luò)結(jié)構(gòu)影響大l選址要考慮上下游線路、貨量分布、場地能力等

，測算標準不統(tǒng)一且不精準分鐘級大批量求解①精準識別物流體系的關(guān)鍵區(qū)域構(gòu)建AOI類別模型

，統(tǒng)一標準找出核心問題重點解決②深度考慮貨量歸集與線路變化結(jié)合VRP等路徑算法

，衡量貨量與陸網(wǎng)結(jié)構(gòu)影響③時效與成本全環(huán)節(jié)評估場地與干支線全環(huán)節(jié)成本與時效變化

，結(jié)果精準可行垂域AI模塊：

實現(xiàn)高效場地規(guī)劃、

精準測算l涉及模式復雜的選址時

，需要評估多種備選方案得出最終結(jié)果

，要投入大量時間精力關(guān)鍵結(jié)構(gòu)影響定位

全環(huán)節(jié)精細化測算核心算法采用基于Ruin-Recreate的大鄰域搜索算法求解車輛路徑規(guī)劃問題lRuin算子“破壞”線路。它將節(jié)點從線路上移除

，并放入待分配資源池

lRecreate算子“重建”線路。它將待分配資源池中的的節(jié)點重新插入線路

l“破壞”和“重建”步驟交替進行

，持續(xù)地改進路徑通過引入隨機性和多樣性

，獲取高質(zhì)量的解l以一定的概率跳過最優(yōu)的插入位置

，選擇次優(yōu)的插入位置l應(yīng)用模擬退火來接受多樣化的解

，避免陷入局部最優(yōu)算法流程圖Ruin算子流程Recreate算子流程算法效果分鐘級完成2000+條支線的規(guī)劃

(單區(qū)域平均2000條常規(guī)支線）算得好在大多數(shù)算例下

，能與精確解的Gap在

1%以內(nèi)能落地充分考慮順豐業(yè)務(wù)場景

，設(shè)計實現(xiàn)多種業(yè)務(wù)約束

，如串點方式、

串點距離等支持人機交互

，斷點續(xù)算

，用戶動態(tài)調(diào)整規(guī)劃結(jié)果垂域AI模塊：

業(yè)界先進水平的路徑規(guī)劃算法

，

高質(zhì)量、

能落地能交互算得快線路規(guī)劃算法平臺線路聚合發(fā)運數(shù)據(jù)無縫接入及清洗

適配個性化場景

數(shù)據(jù)集生成

參數(shù)配置

算法運算

調(diào)整及推送

在線調(diào)整實時響應(yīng)（校驗、推薦、價值評估）線路規(guī)劃AI工具

：低門檻高交互

，

小白也能上手操作高交互①

不同地區(qū)不同場景可快速調(diào)參

適配②

用戶可線上動態(tài)調(diào)整線路

，算

法實時校驗并評估調(diào)整效果①

輸入對接多個系統(tǒng)數(shù)據(jù)/服

務(wù)

，支持基礎(chǔ)數(shù)據(jù)一鍵生成②

輸出對接順豐生成系統(tǒng)

，

支

持一鍵應(yīng)用生

產(chǎn)

系

統(tǒng)上游

系

統(tǒng)搭配地圖組件

，直觀展示規(guī)劃結(jié)果及模型決策依據(jù)

，

強化算法解釋性高集成

可視化支持“人工+算法”主流程線路規(guī)劃線路優(yōu)化場景業(yè)務(wù)特征運力需求多車輛類型多結(jié)算方式多資源價格差異大解決方案垂域AI模塊：

車輛運力的統(tǒng)一調(diào)度算法車輛資源統(tǒng)一調(diào)度：綜合考慮車輛的實時位置、車型噸位、成本和司機考勤等條件

，為每個運力需求匹配最合適的車輛資源

技術(shù)創(chuàng)新使用歷史數(shù)據(jù)構(gòu)建優(yōu)化模型求解最優(yōu)化方案

，并通過AI大模型提取最優(yōu)化方案特征

，從而實現(xiàn)實時的指派方案

，逼近最優(yōu)化方案搭建可視化調(diào)度工作臺

，引入規(guī)則引擎和運籌優(yōu)化模型

，實現(xiàn)需求的統(tǒng)一接入、資源的統(tǒng)一調(diào)配、成本的最優(yōu)分配

，讓模型輔助人工決策

，達成調(diào)度透明化、合規(guī)化和資源應(yīng)用盡用的目標業(yè)務(wù)痛點車輛效能低，

運輸成本高人工調(diào)度依賴過往經(jīng)驗

，難度大調(diào)度過程不透明

，管理難度高AI

Model垂域AI模型決策的業(yè)務(wù)挑戰(zhàn)業(yè)務(wù)理解方

案難度大多環(huán)節(jié)溝通

信息損耗數(shù)據(jù)輸入

單一定制場景

泛化弱實現(xiàn)周期長

para1

con1

para2

con3

垂域AI模型④算法應(yīng)用實現(xiàn)③AI數(shù)學建模⑤反饋迭代②需求轉(zhuǎn)化①業(yè)務(wù)訴求業(yè)務(wù)產(chǎn)品算法obj03順豐AI智能體技術(shù)探索具備自主決策和行動能力的系統(tǒng)

，通常由LLM、

工具調(diào)用（如API）

、記憶模塊（數(shù)據(jù)庫）

和規(guī)劃邏輯（如ReAct框架）

組成

，能主動完成多步驟任務(wù)?；诤Ａ课谋緮?shù)據(jù)訓練的深度學習模型（如deepseek）

，核心能力是理解和生成自然語言。AI智能體整合LLM單兵作戰(zhàn)個人數(shù)字助理（自動安排會議+郵件跟進）科研Agent（檢索論文→分析數(shù)據(jù)→生成報告）代碼補全游戲NPC（動態(tài)記憶玩家行為并調(diào)整劇情）知識問答回復創(chuàng)意寫作輔助|

大模型&

智能體大語言模型（

LLM）AI智能體（AI

Agent）類型人類智能體短期記憶持續(xù)時間較短的記憶

，

能例如

，記住一個電話

號碼直到撥打完畢。在當前任務(wù)執(zhí)行過程中所

產(chǎn)生的信息

，

為短期記憶

啟用的最直接方法是使用模型的上下文窗口長期記憶持續(xù)時間較長的記憶

，

像知識、

技能、

習慣

，

比如騎自行車或打字長期記憶是長時間保留的

信息。

一般是指外部知識

庫

，通常用向量數(shù)據(jù)庫來

存儲和檢索。|

智能體提升點

-感知記憶能力（

Memory）l

感知記憶就是智能體進行存儲、保留和回憶信息

的能力。上下文窗口（

DS

R1上下文

，

128KB)檢索增強生成（

RAG）人類規(guī)劃流程①

我們首先會思考怎么完成這個任務(wù)。②

然后我們會審視手頭上所擁有的工

具

，

以及如何使用這些工具高效地

達成目的。③

我們會把任務(wù)拆分成子任務(wù)④

在執(zhí)行任務(wù)的時候

，我們會對執(zhí)行

過程進行反思和完善

，

吸取教訓以

完善未來的步驟⑤

執(zhí)行過程中思考任務(wù)何時可以終止①

通過LLM

提示工程

，

為

智能體賦予規(guī)劃思維②通過LLM

使得智能體可以把大型任務(wù)分解為更小的、

更可控的子任務(wù)

，從而能夠

有效完成復雜的任務(wù)。③通過LLM

對完成的子任

務(wù)進行反思

，從錯誤中吸取

教訓

，

并完善未來的步驟

，

提高任務(wù)完成的質(zhì)量。|

智能體提升點

-規(guī)劃決策能力（

Planning）l

規(guī)劃決策模塊是智能體針對待解決的具體問題

，進行任務(wù)拆解

，行動方案制定的模塊.LLM子任務(wù)拆解反思和完善AI智能體規(guī)劃|

智能體提升點

-規(guī)劃決策能力（

Planning）

思維鏈（Chain

of

Thoughts,CoT）

ReAct(推理+行動)思維鏈已經(jīng)是一種比較標準的提示技術(shù)

，

能顯著提升

LLM

完成復雜任務(wù)的效果

。

當我們對

LLM

這樣要求「think

step

by

step」

，

會發(fā)現(xiàn)LLM

會把問題分解成多

個步驟

，一步一步思考和解決。ReAct

模式的核心是將觀察結(jié)果提供給LLM

，使其能夠更新其上下文窗口。

該模型重新評估信息并

根據(jù)這些見解采取行動以提高其推理能力。告訴大模型要分步驟輸出結(jié)果

找點參考資料

，再更好的回答問題|

智能體提升點

-工具模塊協(xié)同能力

(Tool)A2A（Agent

to

Agent）

MCP

(模型上下文協(xié)議）

FunctionCall快速建模、高效優(yōu)化提升方案質(zhì)量AI

Model參數(shù)庫para1

para2

para3約束庫con1

con2

con3目標庫obj1

obj2

obj3增強業(yè)務(wù)場景感知快速精準轉(zhuǎn)化決策問題①描述業(yè)務(wù)場景④結(jié)果理解輸出增強解釋性增加模型應(yīng)用率|AI智能體技術(shù)應(yīng)用

，

垂域優(yōu)化決策能力升級②大模型輸出AI模型微調(diào)1.輸入數(shù)據(jù)2.參數(shù)選用3.約束選用4.

目標+權(quán)重垂域AI模型LLMAIAgent感知代碼生成、快速部署縮短算法應(yīng)用實現(xiàn)周期快速規(guī)劃方案調(diào)用垂域模型組件智能體優(yōu)化決策LLM應(yīng)用復盤規(guī)劃決策③運算結(jié)果業(yè)務(wù)產(chǎn)品LLMLLM幫我取出XXXX中轉(zhuǎn)場貨量及班次信息作為基礎(chǔ)輸入。分三步執(zhí)行。

1.將數(shù)據(jù)按班次貨量歸集。2.調(diào)用線路模型計算出線路規(guī)劃結(jié)果。3.調(diào)用車包模型將線路打成車包。最終輸出單公斤運輸成本。規(guī)劃智能體線路模型班次信息線路信息資源模型系

統(tǒng)

模

型', 上傳數(shù)據(jù)至線路規(guī)劃模型并下載結(jié)果

格式整理

，上傳數(shù)據(jù)至車包模型并下載結(jié)果

進行數(shù)據(jù)分析

，統(tǒng)計運輸成本情況模型編排

從系統(tǒng)導數(shù)

，清洗數(shù)據(jù)并整改格式|順豐營運場景

-智能體協(xié)同過程

面客端-智能體

模型1

一模型2

一模型3

模型2。

。。

系統(tǒng)3

系統(tǒng)2

運輸成本

系統(tǒng)1

模型1

模型n

數(shù)據(jù)處理結(jié)果解析貨量數(shù)據(jù)其他輸入

CoT

以前VS智能決策業(yè)務(wù)痛點僅調(diào)度專員可以使用智能能力調(diào)度專員為問題集中解決方，信息處理壓力大執(zhí)行人員未參與方案制定過程，不理解決策考慮因素和影響，方案信任度低異常調(diào)度機會點流失

智能決策案例以航空異常調(diào)度為例過分依賴人工經(jīng)驗、導致決決策操作界面復雜方案執(zhí)行率低方案采納率低策質(zhì)量差系統(tǒng)3系統(tǒng)1系統(tǒng)2用戶對話窗口：航空異常調(diào)度方案資訊與制定用戶對話窗口：航空智能方案解釋及數(shù)據(jù)即時維護價值點：在同一對話框聯(lián)動執(zhí)行系統(tǒng)

，方便用

戶選擇方案后快速執(zhí)行價值點：通過原因解釋

，讓業(yè)務(wù)人員更容

易理解方案價值點：人人都可以通過對話進行異常方案的咨詢和制定

智能決策案例以航空異常調(diào)度為例|

AI

Agent落地面臨的挑戰(zhàn)l

AI

Agent智能體順豐場景落地，核心要解決的問題之一，是如何適配專業(yè)場景。通用場景:解決日常問題

，如創(chuàng)作輔助公開信息:大多是公開數(shù)據(jù)

，量大面廣

，倡導

社會共享專業(yè)場景:特定領(lǐng)域?qū)I(yè)問題

，需專業(yè)知識核心資產(chǎn):專業(yè)知識是企業(yè)核心資產(chǎn)

，既要共

享

，又要防泄露單一技能:追求解決單領(lǐng)域問題的能力突破社會責任:輸出追求創(chuàng)造性、多樣性

，社會倫

理責任要求高組合技能:需對大模型、傳統(tǒng)模型、現(xiàn)有API協(xié)同調(diào)度

，在企業(yè)業(yè)務(wù)流程中閉環(huán)問題嚴肅責任:用于企業(yè)生產(chǎn)和客戶服務(wù)

，輸出嚴

肅性要求高(正確、及時、完整、可解釋)與業(yè)務(wù)領(lǐng)域Know-how深度結(jié)合從通用AI到垂域AI

，打造垂域智能體專業(yè)性協(xié)作性責任性安全性通用場景專業(yè)場景順豐AI智能體解決方案構(gòu)建04sql查詢數(shù)據(jù)etl圖表生成圍繞實際場景提供如下增量價值

：降低使用門檻(LLM)、提升決策效率(多模型聯(lián)動)、新知識獲取(知識庫)、輔助問題定位(診斷和解釋).......航空網(wǎng)絡(luò)規(guī)劃航空資源規(guī)劃航空資源調(diào)度....收派時空預(yù)測流向時空預(yù)測中轉(zhuǎn)時空預(yù)測....陸運網(wǎng)絡(luò)規(guī)劃陸運資源規(guī)劃陸運資源調(diào)度....中轉(zhuǎn)場地規(guī)劃中轉(zhuǎn)班次規(guī)劃中轉(zhuǎn)資源調(diào)度....豐語豐知其它

LLM1

其它

LLM2......|

SF

AI

Agent

的構(gòu)建智能分析提煉數(shù)據(jù)質(zhì)量校驗市場信息搜集生產(chǎn)問題集行業(yè)專業(yè)術(shù)語

業(yè)務(wù)規(guī)則約束行業(yè)案例專家經(jīng)驗行業(yè)白皮書相關(guān)性設(shè)計強制約束目標設(shè)定問題分類器工具調(diào)用

自定義工具角色設(shè)定指令設(shè)計

引導性設(shè)計智能體開發(fā)工具層垂域基礎(chǔ)

模型層基因?qū)舆B接層工程層自研垂域

AI模型知識庫

建設(shè)提示詞

工程BDI智能體業(yè)務(wù)場景工具能力應(yīng)用層BDIx大模型調(diào)度類知識類預(yù)警類解釋類診斷類規(guī)劃類預(yù)測預(yù)測知識庫和異常波動分析陸運網(wǎng)絡(luò)規(guī)劃輕量

化交互航空異常及時響應(yīng)、

事后高效復盤中轉(zhuǎn)轉(zhuǎn)運方案智能

決策預(yù)測智問動靜預(yù)測偏差分析摸底診斷網(wǎng)絡(luò)規(guī)劃

調(diào)優(yōu)資需匹配航空資源調(diào)度決策航空問數(shù)散航協(xié)議量

達成分析模型方案

可解釋轉(zhuǎn)運異常診斷多方案融通和執(zhí)行|

SF

AI

Agent場景智能體分類

智能體場景矩陣面向不同場景

，智能體解決方案也有區(qū)別；

大數(shù)據(jù)智能以實際業(yè)務(wù)需求為始

，基于自研模型、

商用大模型構(gòu)建多個場景智能體

，形成覆蓋初、

中、

高階應(yīng)用場景的智能體矩陣；業(yè)務(wù)數(shù)據(jù)類

用戶操作類異常解釋+洞察

行為解釋+洞察方案輸出+業(yè)

務(wù)系統(tǒng)聯(lián)動機會挖掘類機會點分析+方案推薦[用戶輸入+系統(tǒng)自動]感知業(yè)務(wù)知識類輸出業(yè)務(wù)知識信息反饋感知

決策

執(zhí)行初階：

知

識問答中階：

方

案計算高階：

業(yè)

務(wù)聯(lián)動數(shù)據(jù)分析+方案問題分析+方案預(yù)測-決策聯(lián)動陸網(wǎng)模式測算數(shù)據(jù)分析類問題求解類陸網(wǎng)診斷中轉(zhuǎn)問答[用戶輸入]感知[系統(tǒng)自動]感知方案輸出/推薦方案輸出/推薦

大模型負責與用戶交互模塊：

意圖識別：用戶想執(zhí)行哪個業(yè)務(wù)場景？后臺應(yīng)該調(diào)用哪個模型服務(wù)？

參數(shù)提?。耗Ｐ头?wù)有哪些必要參數(shù)？哪些可從用戶輸入中提??？

數(shù)據(jù)/方案分析總結(jié)：總結(jié)模型服務(wù)傳回的數(shù)據(jù)和方案，反饋用戶建議；

垂域模型負責輸出決策方案：

數(shù)據(jù)查詢：調(diào)用對應(yīng)數(shù)據(jù)庫

，通過大模型提取的參數(shù)篩選需求數(shù)據(jù)；

解決方案：調(diào)用對應(yīng)運籌模型

，輸入大模型提取的必要入?yún)?/p>

，獲取模

型結(jié)果；

大模型本身無決策邏輯相關(guān)能力：

大模型擅長處理和生成文本；

底層架構(gòu)并非為輸出決策方案而設(shè)計；

物流決策場景多樣

，需針對問題輸出可執(zhí)行評估方案：

項目場景多樣

，如知識檢索、數(shù)據(jù)查詢、數(shù)據(jù)分析總結(jié)、生產(chǎn)運營異常解決方案等；

大模型難以低成本滿足專業(yè)性極強的解決方案需求；|

關(guān)鍵技術(shù)能力建設(shè)—AI

Agent工作流設(shè)計

解決方案：

設(shè)計滿足大/小模型協(xié)同的工作流框架

挑戰(zhàn)：

大模型無決策邏輯

，難以輸出專業(yè)解決方案LLM意圖識別其他場景API航班信息Model

異?；謴湍Ｐ晚権S航空調(diào)度智能體WorkflowLLM參數(shù)提取LLM參數(shù)提取順豐航空調(diào)度業(yè)務(wù)流程運行監(jiān)控異常應(yīng)對Bot用戶

Query異常應(yīng)對方案制定API用戶鑒權(quán)LLM方案展示應(yīng)用跟進效果評估業(yè)務(wù)預(yù)估運力核對異常識別調(diào)令發(fā)布|

關(guān)鍵技術(shù)能力建設(shè)—大/小模型協(xié)同多個能力入口

，充分發(fā)揮營運端到端的智能決策效果規(guī)劃模型資需模型訂艙模型航空畫像分群異常調(diào)度組版模型帶貨模型端到端決策組板決策：“大件入網(wǎng)尺寸為50X40

的1000件

，打幾塊板？”招采決策：“我司采購的深圳X航

當前價格是否最貴？”調(diào)度決策：“深圳機場因雷暴22點開始停運半天？”規(guī)劃決策：“能否取消深圳-北京

的第一架全貨機？”訂艙決策：“應(yīng)該訂航班O34**

多少艙位？”異常智調(diào)板箱智組空網(wǎng)智測資源智采艙位智訂航空智詢專業(yè)培養(yǎng)：“COBT是什么意思？”模型調(diào)用方案整合記憶優(yōu)化信息補齊模型編排生產(chǎn)互通場景入口

AgenttoAgentRemote

Agent|

關(guān)鍵技術(shù)能力建設(shè)—多智能體協(xié)同LLM問題理解LLM分析知識庫

知識檢索LLMNL2SQLMySQL查詢權(quán)限檢查LLM問題理解LLM查詢知識庫

知識檢索LLMNL2SQLMySQL查詢權(quán)限檢查LLM支線知識庫

RAG檢索NL2SQLMySQL查詢權(quán)限檢查任務(wù)分配Agent常見問答問題Bot用戶QueryLLM√LLM回答優(yōu)化增強LLM可視化增強LLM回答優(yōu)化增強LLM可視化增強意圖識別查詢月度報告意圖識別系統(tǒng)/業(yè)務(wù)問題線路規(guī)劃多智能體服務(wù)營運助手

AgentLLM問題診斷AgentLLMLLM支線知識庫

RAG檢索

√

√√√End

-

User異常診斷問題常規(guī)查詢問題追問診斷Client

預(yù)先限制可用業(yè)務(wù)場景集合

，通過提示詞限制大模型結(jié)果

CoT優(yōu)化：分層識別

，針對各層各場景針對性設(shè)計提示詞

多輪對話-ReAct框架

設(shè)計兜底模塊

，通過其他參數(shù)校驗修正大模型結(jié)：

保證大模型結(jié)果可被下游模型穩(wěn)定使用；

若不滿足下游模型輸入格式

，則溫柔回復用戶增加輸入信息；

大模型輸出結(jié)果隨機性強：

用戶描述方式的少量變化

，可能導致不同的大模型結(jié)果；

生產(chǎn)系統(tǒng)需要穩(wěn)定和100%準確的方案：

生產(chǎn)系統(tǒng)輸入輸出格式完全確定

，微小差異便可造成流程報錯；ReAct框架輸入

意圖

ReAct

(推理+行動)LLM-必須知道那個流向要評估-要知道航班延誤多久才能

評估請問你想知道那個流向的快件延誤影響？用戶輸入|

關(guān)鍵技術(shù)能力建設(shè)—

LLM幻覺優(yōu)化

挑戰(zhàn)：

大模型結(jié)果輸出不穩(wěn)定

，難保證100%準確

解決方案：

限制大模型發(fā)揮

，增加都兜底模塊-指定流向-異常類型快

件

時效

影

響飛機延

誤

影

響ObsAct

由于計算資源有限

，在使用高峰時會出現(xiàn)大模型速度慢的現(xiàn)象；

對較復雜知識庫使用混合檢索(文本+向量)

，可能需要較長時間；

智能體調(diào)用的其他模型服務(wù)本身需較長求解時間(如運籌模型一般需要

分鐘級時間)；

用戶查詢數(shù)據(jù)量過大

，超過大模型分析總結(jié)能力

，導致過長等待時間；預(yù)處理和混合架構(gòu)

分層拆解問題：將一個復雜的推理問題拆解

為多個簡單問題；

基于業(yè)務(wù)規(guī)則對大批量數(shù)據(jù)預(yù)處理(如分組歸

并)

，控制大模型接收的數(shù)據(jù)規(guī)模；

混合架構(gòu)

，基于任務(wù)場景

，選擇合適模型：

復雜任務(wù)使用準度高的大模型(速度慢)；

確定任務(wù)使用規(guī)則模塊(速度更快)；產(chǎn)品設(shè)計體驗

差的體驗一般來源于無進度條

的等待；

向用戶展示各節(jié)點流程

，增強

用戶體驗；

對于運行時間較長且無法中途

通信的單個節(jié)點

，可進一步拆

解流程

，分步展示給用戶(；大模型優(yōu)化

私有部署和模型并行

，避免高峰多個模型的排隊現(xiàn)象；|

關(guān)鍵技術(shù)能力建設(shè)—AI

Agent性能優(yōu)化

挑戰(zhàn)：

大模型運行速度慢

解決方案維度測試重點通過標準功能業(yè)務(wù)功能交互流程100%用例通過效果數(shù)據(jù)渲染準確性通過率100%性能頁面加載效率FCP<1.5s維度測試重點通過標準功能語義識別合理性敏感/安全內(nèi)容過濾BERTScore≥0.85敏感/危險內(nèi)容攔截率100%效果準確性/邏輯一致性準確率

，召回率

，

F1性能推理效率TTFT

，TPOT

，

Latency

，QPS維度測試重點通過標準功能異常數(shù)據(jù)處理滿足業(yè)務(wù)邏輯約束100%用例通過效果業(yè)務(wù)規(guī)則符合性業(yè)務(wù)效果指標達成目標值性能一定數(shù)據(jù)規(guī)模下計算時長達成業(yè)務(wù)目標維度測試重點通過標準功能指令傳遞魯棒性意圖識別準確率≥95%效果輸出風格控制風格符合度≥90%維度測試重點通過標準工具鏈數(shù)據(jù)流聯(lián)通型和可靠性100%用例通過知識庫檢索準確性與時效性新知識10s內(nèi)可檢索|

關(guān)鍵技術(shù)能力建設(shè)—智能體測試AI

Agent測試:

對于無法構(gòu)造出系統(tǒng)預(yù)期輸出的部分中最好以統(tǒng)計結(jié)果的方式來評價系統(tǒng)是否達到應(yīng)用預(yù)期。

通過定義每個結(jié)果的置信區(qū)間，

來判定AI系統(tǒng)給出的反饋是否通過測試。

覆蓋維度執(zhí)行基線

單元測試覆蓋率

功能測試覆蓋率

效果指標達成率

性能指標達成率

端

到

端

測

試完整業(yè)務(wù)流程與用戶體驗測試用例測試數(shù)據(jù)集集

成

測

試組件間交互與數(shù)據(jù)流監(jiān)

控

告

警采集日志與閾值告警單

元

測

試組

件

獨

立

功

能功能測試

工具鏈

&

知識庫效果測試提示詞工程模塊測試重點及通過標準分層策略專項測試前端執(zhí)行依據(jù)性能測試統(tǒng)計斷言性能指標數(shù)據(jù)集效果指標安全兼容大模型小模型|

關(guān)鍵技術(shù)能力建設(shè)—智能體測試重點難點

：測試數(shù)據(jù)集●測試集：構(gòu)造覆蓋典型、邊界、異常、對抗場景的輸入案例（如模糊查詢、多輪對話等）。●工具：智能數(shù)據(jù)測試平臺、語料生成智能體、Postman/JMeter（API測試）、pytest+LangChain（模擬LLM交互）、智能體監(jiān)控平臺（BDIx）人工執(zhí)行部分自動化全自動化閉環(huán)結(jié)合線上監(jiān)控體系實現(xiàn)質(zhì)量右移，全自動閉環(huán)語料測試數(shù)據(jù)集自動化生成，部分達成指標自動化計算測試框架在：大件智能體落地應(yīng)用

場景卡片切換

多AI方案推薦優(yōu)化任務(wù)列表AIAgent診斷每塊代表一個獨立方案AI智能推薦優(yōu)化方案深度嵌入生產(chǎn)作業(yè)系統(tǒng)|

產(chǎn)品設(shè)計

-面向AI

Agent的智能決策工具用戶體驗至上打造友好便捷的交互智能體設(shè)計的核心在于用戶體驗

，其成功與否取決于用戶能否便捷、

自然地操作。線路規(guī)劃工作臺（Agent版）|

產(chǎn)品設(shè)計

-面向AI

Agent的智能決策工具透明度與信任構(gòu)建清晰可解釋的

AI智能體的決策過程應(yīng)保持透明

，應(yīng)展示結(jié)論如何得出

，及其依賴的證據(jù)和數(shù)據(jù)來源。智能體規(guī)劃過程智能體工具調(diào)用AI智能體

返回結(jié)果AI智能體

思考過程方案基礎(chǔ)信息順豐AI

Agent實踐應(yīng)用05

業(yè)務(wù)-總部&地區(qū)

預(yù)測數(shù)據(jù)溯源查詢

，快速支持

決策分析

預(yù)測邏輯穿透式解析

，預(yù)測垂

域問題全方位解答數(shù)據(jù)分析類：某業(yè)務(wù)區(qū)的預(yù)測值未來一周預(yù)測值是多少？

未來一周預(yù)測對比上周同步如何？...|

BDI

AI

Agent

-預(yù)測智能體：

預(yù)測智能問答通用知識類：預(yù)測模型怎么做的？

考慮了哪些因素？...

分析提效工具

輔助問題定位

啟發(fā)分析思路

支持靈活嵌入系統(tǒng)頁面

全局入口

，在線知識問答預(yù)測智問

三大類問題在線回答

文字+圖表可視化呈現(xiàn)

多渠道用戶觸達

降低用戶使用門檻業(yè)務(wù)側(cè)對預(yù)測結(jié)果存在高頻咨詢

，人工答疑解釋成本高。豐聲群Agent接入靈活浮窗

科技-數(shù)據(jù)分析下午16:00

111Y指調(diào)豐聲端收到“業(yè)務(wù)預(yù)測助手”告警動態(tài)VS靜態(tài)

，件量上漲15.9%快速核查

，發(fā)現(xiàn)XX區(qū)件量動態(tài)VS靜態(tài)

，件量上漲4****票人工進一步下探

，定位到**大客戶做了不規(guī)律的集收XXR航空資源可能不足

，需要緊急進行資源調(diào)整|

BDI

AI

Agent

-預(yù)測智能體：

動態(tài)波動風險告警

僅預(yù)警了業(yè)務(wù)區(qū)收派動靜波動

信息單薄

，僅包含各時點動態(tài)預(yù)測

值及動靜對比

不足以支撐業(yè)務(wù)進行資源調(diào)整決策

增加航空預(yù)測動靜態(tài)波動預(yù)警由Agent分析數(shù)據(jù)異動

，下探風險點并進行可視化呈現(xiàn)—動態(tài)波動提醒業(yè)務(wù)預(yù)測助手——基于“think-agent”的動態(tài)波動風險識別XX分撥區(qū)-航空動態(tài)預(yù)測使用場景業(yè)務(wù)預(yù)測助手—

深莞區(qū)預(yù)測預(yù)警

專注在航空全鏈路作業(yè)環(huán)節(jié)（5個崗位域

，

7大關(guān)鍵事項的智能決策）各崗位完成多崗位協(xié)同作業(yè)的復雜任務(wù)規(guī)劃崗包括：·復雜方案的智能輸出·多維信息的綜合加工·多層次的原因分析靜態(tài)預(yù)測全貨機/散航規(guī)劃路由規(guī)劃資源招采靜態(tài)預(yù)測資源訂艙