Worldwide Express 如何用 Amazon Bedrock 自动化处理货运计费异常

Worldwide Express（ShipStation Global 旗下公司）已经做大规模：系统年收入约 50 亿美元，超过 75 家零担（LTL）承运商和 130,000 多家客户。但这种规模也带来了隐性成本。每月有 1500 万美元的自由现金流被冻结在尚未解决的账单异常中。每一个异常都必须人工逐个追查，一家一家承运商地核对各自不同的规则。Worldwide Express 将业务外包给一个每次只能处理一个案件的团队，为每笔争议分别致电客户和承运商。异常不断堆积，现金持续滞留，每笔订单转化为收入的时间越来越长。

Worldwide Express 与 AWS 和 LTM 合作，基于 Amazon Bedrock 构建了多智能体 AI 解决方案，直接接入其运输管理系统（TMS）SpeedShip。上线六个月后，该公司报告活跃异常减少了 75%，回款周期缩短了 4 周，每年节省 100 万美元，并获得一次性 1000 万美元的自由现金流畅通。

在本文中，我们将介绍这一挑战，说明 Worldwide Express 如何设计多智能体解决方案，并分享其成果。

面临的挑战

在零担货运中，大约 14% 的发票无法通过采购订单、货物收据和承运商发票之间的标准三方匹配。当匹配失败时，发票进入异常处理流程。对 Worldwide Express 而言，异常分为三类：

明细项不匹配：数量或服务代码与货运记录不一致。
价格差异：承运商开出的费率与合同价格不同。
意外的附加费：原始报价中未包含的尾板费、住宅地址附加费或重新称重调整。

每个异常都会触发一个五步人工流程：

将发票与采购订单、货物收据和价格进行交叉比对，确定异常类型。
在供应商记录中查找根本原因。
向承运商或仓库发送包含争议详情的电子邮件。
等待回复。
在 TMS 中执行解决方案。

由于每家承运商都有自己的费率结构和争议处理流程，这一流程占用了 FinOps 团队的大部分精力。

基于规则的流程自动化（RPA）可以处理结构化、可预测的工作流。然而，异常解决需要情境判断：解读承运商的附加费政策，将费用与货运数据进行对比，并综合考虑承运商、异常类型和金额来判定有效性。正是这种可变性使该问题适合采用智能体 AI 框架。

从评估到生产

2025 年 6 月，Worldwide Express 委托 AWS 业务转型与价值咨询团队，在订单到收款（Order-to-Cash）全生命周期中识别出 19 个自动化机会。鉴于异常自动化的业务价值，Worldwide Express 在不到 6 个月的时间里就完成了从评估到生产的落地。

工作原理

该解决方案运行在 AWS 上。Amazon Bedrock 提供 AI 推理能力，Amazon Elastic Compute Cloud (Amazon EC2) 则是引擎。该设计要求对每个智能体如何推理、决策边界位于何处以及异常如何在智能体之间路由进行细粒度控制。直接在 Amazon EC2 上构建该框架，并由 Amazon Bedrock 提供推理，使编排逻辑完全掌握在团队手中，并支持开源智能体库。对业务逻辑的生产级控制使每个智能体的角色、输入和决策边界清晰且可审计。在账单争议工作流中，每个自动化决策都需要可解释。

智能体

当检测到发票异常时，系统会将其路由到三个专门的 AI 智能体之一，每个智能体处理特定类型的账单争议：

发票匹配智能体（Invoice Matching Agent）查找匹配的货运记录，并标记出不一致之处。
价格差异智能体（Pricing Variance Agent）将承运商的收费与合同费率进行比较，并判断差异是否合理。
附加费验证智能体（Accessorial Validation Agent）检查意外费用（如住宅配送或尾板装卸费）是否有实际配送事件作为依据。

每个智能体在给出建议之前会提取特定的承运商计费规则和政策。异常解决后，系统会生成一条通俗易懂的说明，解释发现了什么问题以及采取了什么措施。

每个自定义智能体都有一个指令提示词（定义其角色、决策边界和输出格式）、一组操作（与 SpeedShip 的集成）以及对承运商专属知识库的访问权限。通过使用 Amazon Bedrock，每个智能体通过单一 API 访问合适的基础模型，同时继承现有的 AWS 治理机制。有关各区域可用的模型，请参阅 Amazon Bedrock 各 AWS 区域支持的模型。

操作

这些智能体通过分析师所使用的相同 API 连接到 SpeedShip。这意味着 AI 所看到的与人工审核员完全一致（合同费率、货运详情、配送证明），并将处理结果写入同一工作流。SpeedShip 的 API 部署在 AWS 上，因此这些智能体与其他现有系统接入相同的端点。

承运商知识库

每家承运商都有不同的计费规则、费用定义和争议处理流程。Worldwide Express 存储了每家承运商的文档：费率规则、附加费定义、争议处理步骤以及差异阈值。当智能体处理异常时，它会在决策之前检索该承运商的政策和标准操作流程（SOP）文档，因此每个决策都基于该承运商自身的规则。同样的三个智能体处理所有承运商，无需任何针对特定承运商的代码。

人在回路中

在最初推广阶段，审批步骤对 FinOps 的采纳是必要的。起初，由人工审核员使用现有的 SpeedShip UI 在建议最终确定之前进行审批。后来当准确率超过 99% 时，批量审批成为默认方式。

可观测性

Worldwide Express 的团队构建了仪表板，追踪各承运商的自动化率、各异常类型的错误率、处理时间以及人工干预频率。当审核员拒绝某项建议时，系统会记录该反馈。团队根据拒绝记录不断优化指令提示词和知识库，稳步提升自动化覆盖率。

端到端流程

下图展示了从异常检测开始，经过三个专门化的智能体，再到人工审批的端到端流程。在图中，来自数据源（SpeedShip TMS 运输系统、电子数据交换（EDI）服务器以及承运商和供应商门户）的异常被检测出来并路由到三个智能体之一。每个智能体运行在支持 Auto Scaling 的 Amazon EC2 上，使用带有各自提示词、工具和承运商知识库的智能体框架，并调用 Amazon Bedrock 进行模型推理。智能体会生成一份解决方案报告，随后成本核定和一份由 AI 撰写的备注会被提交给人工审核员，在 SpeedShip 分析师界面中进行审批。

图 1：Worldwide Express 在 AWS 上由 AI 驱动的异常处理架构

成果

六个月后，Worldwide Express 已将该解决方案部署到超过 40 家 LTL 承运商。智能体目前每周解决 10,000 条（约 50%）异常，错误率低于 1%。这使得 FinOps 团队的时间从常规处理转向了复杂、高价值的争议处理。

这一成效在未决异常积压上体现得最为明显：积压金额从 2025 年 6 月的 1500 万美元降至六个月后的 400 万美元，降幅达 75%。Worldwide Express 释放了 1000 万美元的现金流，实现了每年超过 100 万美元的成本节约，首年投资回报率达 60 倍。该公司报告称，回款周期缩短了四周。

“借助 AWS，我们将每周超过 40% 的计费异常实现了自动化，显著降低了成本，并将计费周期从数天缩短至数分钟。如今，我们每周以之前根本无法实现的速度释放出约 1000 万美元的额外客户账单。”

— Worldwide Express FinOps 副总裁 Nathanael Pearson

展望未来

Worldwide Express 已经在将这一方法扩展到“订单到收款”（Order-to-Cash）周期的其他环节。对于管理着大量承运商的物流公司而言，前进之路是从小处着手：先自动化最重复的异常类型，验证准确性，然后再推广到其余业务组合。

结语

Worldwide Express 的异常自动化展示了当智能体 AI 遇到定义清晰、范围明确的业务问题时所能实现的可能。Amazon Bedrock、针对特定承运商的知识库以及人在回路的审批设计相结合，使 Worldwide Express 在不到 6 个月的时间里从评估走向生产环境，同时保持了财务管控。该公司目前正在将自动化扩展到其他 Order-to-Cash 流程。

要想探索类似方法是否适用于您的组织，请联系您的客户团队进行洽谈，或进一步了解 Amazon Bedrock。像 LTM 这样的合作伙伴可以使用您自己的数据开展价值验证冲刺。