Worldwide Express 如何借助 Amazon Bedrock 实现货运异常处理自动化
Worldwide Express（ShipStation Global 旗下公司）做成了不小的生意：系统整体收入约 50 亿美元，合作 75 家以上零担（LTL）承运商，客户超过 13 万。但这样的规模也带来了隐性代价。每个月有 1500 万美元自由现金流被冻结，卡在尚未处理的账单异常里。
每一笔异常都得靠人工追，一家承运商一家承运商地跟，每家还有各自的规则要核对。Worldwide Express 把这项工作外包给了一个团队，他们一件一件地处理，每笔争议都要打电话给客户和承运商。异常越积越多，现金迟迟回不来，每笔订单变成钱的时间也越拖越长。
Worldwide Express 与 AWS、LTM 合作，基于 Amazon Bedrock 搭建了一套多智能体 AI 方案，直接接入其运输管理系统（TMS）SpeedShip。上线六个月后，公司报告活跃异常减少 75%，变现周期缩短 4 周，每年节省 100 万美元，并一次性释放 1000 万美元自由现金流。
本文将介绍这项挑战、Worldwide Express 如何设计这套多智能体方案，以及最终取得的成果。
挑战
在零担货运中，大约 14% 的发票无法通过标准的三方匹配——即采购订单、收货单和承运商发票之间的核对。匹配失败，发票就进入异常处理流程。对 Worldwide Express 来说，异常分为三类：
- 明细行不符： 数量或服务代码与货运记录对不上。
- 价格差异： 承运商账单上的费率与合同价格不一致。
- 意外附加费： 升降台费、住宅附加费或重新称重调整等，原本报价里没有的费用。
每笔异常都会触发一套五步人工流程：
- 将发票与采购订单、收货单和价格信息交叉比对，判断异常类型。
- 在供应商记录中查找根本原因。
- 向承运商或仓库发送邮件，说明争议细节。
- 等待回复。
- 在 TMS 中执行解决方案。
每家承运商都有自己的费率结构和争议处理流程，这套流程占用了 FinOps 团队的大部分精力。
基于规则的流程自动化（RPA）能处理结构化、可预测的工作流。但异常处理需要结合上下文做判断：解读承运商的附加费政策、把费用与货运数据比对，再根据承运商、异常类型和金额判断这笔费用是否合理。这种多样性，正是这个问题适合用智能体 AI 框架来解决的原因。
从评估到上线
2025 年 6 月，Worldwide Express 联合 AWS 业务转型与价值咨询团队，在订单到收款（Order-to-Cash）全流程中梳理出 19 个自动化机会。由于清楚异常处理自动化的业务价值，Worldwide Express 在不到 6 个月里就完成了从评估到生产上线。
工作方式
这套方案运行在 AWS 上：Amazon Bedrock 负责 AI 推理，Amazon Elastic Compute Cloud（Amazon EC2）是运行引擎。设计上需要对每个智能体的推理方式、决策边界的位置，以及异常如何在智能体之间流转做细粒度控制。把框架直接建在 Amazon EC2 上、由 Amazon Bedrock 提供推理，能让编排逻辑完全掌握在团队手里，也支持开源智能体库。
在生产环境中，业务逻辑以显式、可审计的方式约束每个智能体的角色、输入和决策边界。在账单争议流程里，每一个自动决策都必须可解释。
智能体
检测到发票异常后，系统会把它交给三个专用 AI 智能体之一，每个智能体负责一类特定的账单争议：
- 发票匹配智能体：找到对应的货运记录，标出对不上的地方。
- 价格差异智能体：把承运商收费与合同费率比对，判断差额是否合理。
- 附加费验证智能体：核查意外费用（如住宅配送费、尾板费）是否真的对应实际发生的配送事件。
每个智能体在给出建议前，都会先拉取对应承运商的计费规则和政策。异常处理完成后，系统会生成一段通俗易懂的说明，讲清楚发现了什么问题、采取了什么措施。
每个自定义智能体都包含三部分：指令提示词（定义角色、决策边界和输出格式）、一组操作（对接 SpeedShip 的集成），以及访问特定承运商知识库的权限。借助 Amazon Bedrock，每个智能体通过统一 API 调用合适的基础模型，同时沿用现有的 AWS 治理体系。各区域支持哪些模型，请参阅 Amazon Bedrock 文档中的「按 AWS 区域支持的模型」一节。
操作
智能体通过分析师日常使用的同一套 API 连接 SpeedShip。也就是说，AI 看到的内容和人工审核员完全一样（合同费率、货运详情、签收凭证），处理结果也写回同一个工作流。SpeedShip 的 API 部署在 AWS 上，智能体直接对接现有系统所用的相同端点。
承运商知识库
每家承运商的计费规则、费用定义和争议处理流程都不一样。Worldwide Express 为每家承运商单独存储文档：运价规则、附加费定义、争议处理步骤、差异阈值。智能体处理异常时，会先检索对应承运商的规则政策与标准操作流程（SOP）文档，再做判断，确保每项决策都有该承运商自己的规则作依据。三个智能体就能覆盖所有承运商，无需为任何一家编写专属代码。
人工审核环节
在初期推广阶段，人工审核这一步对 FinOps 团队接受这套系统很关键。最初，人工审核员通过现有的 SpeedShip 界面确认建议，确认后才最终生效。后来准确率超过 99%，批量审批就成了默认做法。
可观测性
Worldwide Express 团队搭建了多块看板，跟踪各承运商的自动化率、按异常类型划分的错误率、解决耗时，以及人工推翻频率。审核人驳回某条建议时，系统会把这次反馈记录下来。团队根据驳回历史不断优化指令提示词和知识库，逐步扩大自动化的覆盖范围。
端到端流程
下图展示了端到端流程：从异常检测开始，经过三个专用智能体，最终到人工审批。图中的异常来自多个数据源（SpeedShip TMS、一套运输系统、一台电子数据交换（EDI）服务器，以及承运商和供应商门户），系统检测到异常后，将其路由到三个智能体之一。每个智能体都运行在带 Auto Scaling 的 Amazon EC2 上，使用一套智能体框架，各自拥有独立的提示词、工具和承运商知识库，并调用 Amazon Bedrock 完成模型推理。智能体最终生成一份解决方案报告。
……解决方案，加上一段 AI 撰写的说明，随后进入 SpeedShip 分析师界面，由人工审核人审批。
图 1：Worldwide Express 在 AWS 上构建的 AI 异常处理架构
成果
方案上线六个月，Worldwide Express 已将它推广到 40 多家 LTL 承运商。目前智能体每周处理 10,000 个异常（约占 50%），错误率低于 1%。FinOps 团队因此从日常处理中抽身，转向复杂、高价值的争议处理。
效果最直观的体现是活跃异常积压金额：从 2025 年 6 月的 1500 万美元，降到六个月后的 400 万美元，降幅 75%。Worldwide Express 因此释放了 1000 万美元现金流，每年节省超过 100 万美元成本，首年投资回报率达到 60 倍。据公司反馈，回款周期缩短了四周。
“借助 AWS，我们已把每周 40% 以上的账单异常自动化处理，显著降低成本，把账单周期从几天缩短到几分钟。现在，我们每周能多释放约 1000 万美元的客户账单金额，这样的速度以前根本无法想象。”
—— Nathanael Pearson，Worldwide Express FinOps 副总裁
未来展望
Worldwide Express 已经在把这套做法推广到订单到收款（Order-to-Cash）流程的其他环节。对承运量大的物流公司来说，稳妥的路子是先从小处切入：先把最重复的异常类型自动化，验证准确率，再推广到其余业务。
结语
Worldwide Express 的异常自动化案例说明，当代理式 AI（agentic AI）碰上边界清晰的业务问题时，能做出什么成果。借助 Amazon Bedrock、按承运商划分的知识库，以及「人在环中」（human-in-the-loop）的审批设计，Worldwide Express 在不到 6 个月里就从评估走到投产，同时保住了财务管控。如今，这家公司正把自动化扩展到订单到收款流程的其他环节。