Worldwide Express 如何用 Amazon Bedrock 实现货运异常自动化处理

Worldwide Express（ShipStation Global 旗下公司）已经打造出庞大的业务规模：系统范围内约 50 亿美元收入、超过 75 家零担（LTL）承运商以及超过 130,000 名客户。但同样的规模也带来了隐性成本。每个月，有 1500 万美元的自由现金流被冻结，滞留在无人解决的计费异常中。每一个异常都必须人工追查，逐家承运商处理，且各有各的规则需要核对。Worldwide Express 将这项工作外包给一个团队，该团队一次处理一个案例，为每笔争议致电客户和承运商。异常不断堆积，现金持续被困，每笔订单转化为资金的时间都变得更长。

Worldwide Express 与 AWS 和 LTM 合作，基于 Amazon Bedrock 构建了一套多智能体 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，并实现了一次性 1000 万美元的自由现金流注入。

在本文中，我们描述这一挑战，解释 Worldwide Express 如何设计该多智能体解决方案，并分享成果。

挑战

在零担货运中，大约 14% 的发票无法通过采购订单、收货单和承运商发票之间的标准三单匹配。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：

• 行项目不匹配： 数量或服务代码与货运记录不一致。
• 价格差异： 承运商计费的费率与合同价格不同。
• 意外附加费： 尾板费、住宅附加费或重新称重调整等未出现在原始报价中的费用。

每个异常都会触发一个五步人工流程：

1. 通过将发票与采购订单、收货单和定价进行交叉比对，识别异常类型。
2. 在供应商记录中调查根本原因。
3. 向承运商或仓库发送包含争议详情的电子邮件。
4. 等待回复。
5. 在 TMS 中执行解决方案。

由于每家承运商都按照自己的运价结构和争议处理流程运作，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，异常解决需要结合上下文的判断：解读承运商的附加费政策、将费用与货运数据进行比较，并根据承运商、异常类型和金额判断其有效性。正是这种多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 与 AWS 业务转型与价值咨询团队合作，在订单到收款生命周期中识别出 19 个自动化机会。由于了解异常自动化的业务价值，Worldwide Express 在不到 6 个月内便从评估阶段推进到生产阶段。

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的推理方式、决策边界的位置以及异常在智能体之间的路由方式进行细粒度控制。直接在 Amazon EC2 上构建框架，并由 Amazon Bedrock 提供推理，使这套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、输入和决策边界都明确且可审计。在账单争议工作流中，每一项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用 AI 智能体之一，每个智能体处理特定类型的账单争议：

• 发票匹配智能体查找匹配的货运记录并标记不一致之处。
• 价格差异智能体将承运商收费与合同费率进行比较，并判断差异是否合理。
• 附加费验证智能体检查意外费用（例如住宅配送或升降尾板费用）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，都会调取特定的承运商账单规则和政策。异常解决后，系统会生成一段通俗易懂的说明，解释发现了什么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），以及访问特定承运商知识库的权限。通过使用 Amazon Bedrock，每个智能体都能通过单一 API 访问合适的基础模型，同时继承现有的 AWS 治理能力。有关各区域的模型可用性，请参阅 Amazon Bedrock 中按 AWS 区域支持的模型。

操作

智能体通过与分析师使用的相同 API 连接到 SpeedShip。这意味着 AI 看到的正是人工审核人员会看到的内容（合同费率、货运详情、交付证明），并将其解决方案写入同一工作流。SpeedShip 在 AWS 上提供 API，因此智能体接入的端点与其他现有系统相同。

承运商知识库

每家承运商都有不同的账单规则、费用定义和争议处理流程。Worldwide Express 存储每家承运商的文档：运价规则、附加费定义、争议处理步骤和差异阈值。当智能体处理异常时，它会先检索该特定承运商的政策和标准操作程序（SOP）文档，然后再做决定，因此每项决策都以承运商自身的规则为依据。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。

人工介入

在初始推广阶段，审批步骤对于 FinOps 的采用是必要的。最初，人工审核人员会使用现有的 SpeedShip UI 在建议最终确定前进行审批。最终，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，用于跟踪按承运商划分的自动化率、按异常类型划分的错误率、解决时间以及人工覆盖频率。当审核人员拒绝某项建议时，系统会记录该反馈。团队根据拒绝历史来改进指令提示词和知识库，稳步提高自动化覆盖率。

端到端流程

下图展示了端到端流程，从异常检测开始，经过三个专用代理，最终到人工审批。在图中，来自数据源（SpeedShip TMS、一个运输系统、一个电子数据交换（EDI）服务器，以及承运商和供应商门户）的异常会被检测出来，并路由到三个代理之一。每个代理都运行在带 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代理框架，并调用 Amazon Bedrock 进行模型推理。代理会生成一份解决报告。随后，成本结算和一份由 AI 撰写的说明会提交给人工审核员，在 SpeedShip 分析师 UI 中审批。

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 已在 40 多家 LTL 承运商中部署了该解决方案。这些代理目前每周关闭 10,000 个（约 50%）异常，错误率低于 1%。这使 FinOps 团队的时间从日常解决转向复杂、高价值的争议处理。

影响最明显地体现在活跃异常积压上：从 2025 年 6 月的 1500 万美元降至六个月后的 400 万美元，减少了 75%。Worldwide Express 释放了 1000 万美元的现金流，每年节省超过 100 万美元成本，并实现 60 倍的首年 ROI。该公司报告称，回款周期缩短了四周。

“借助 AWS，我们已将每周超过 40% 的账单异常自动化，显著降低了成本，并将账单周期从数天加速到数分钟。如今，我们每周释放约 1000 万美元的客户账单金额，速度是以前根本无法实现的。”

— Nathanael Pearson，Worldwide Express FinOps 副总裁

展望未来

Worldwide Express 已经在将这种方法扩展到 Order-to-Cash 周期的其他环节。对于管理高承运商量的物流公司来说，前进的道路是从小处着手。先自动化最重复的异常类型，验证准确性，然后再扩展到其余组合。

结论

Worldwide Express 的异常自动化展示了当代理式 AI 遇到范围明确的业务问题时所能实现的可能性。Amazon Bedrock、承运商特定知识库和人在回路审批设计的结合，使 Worldwide Express 在不到 6 个月内从评估走向生产，同时保持财务控制。该公司现在正将自动化扩展到其他 Order-to-Cash 流程。

要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交流，或进一步了解 Amazon Bedrock。像 LTM 这样的合作伙伴可以用您自己的数据开展 Proof of Value 冲刺。

关于作者

Saumya Shah

Saumya 是 AWS 的客户解决方案经理，已任职四年。她帮助运输与物流企业加速 AI 采用，从概念验证走向生产。

Nikhil Bhagat

Nikhil 是 AWS 的高级解决方案架构师。凭借十多年架构 WAN、DNS 和数据中心网络的经验，他专注于云基础设施、网络和 GenAI。他帮助客户设计、构建和优化云解决方案，并构建代理式 AI 框架。他将支撑弹性网络的同样纪律——包括可靠连接、隔离和周密的流量设计——带入现代 AI 背后的分布式系统。

Lynette Woolfolk

Lynette 是运输与物流垂直领域的客户主管，在 AWS 已有 6 年。她担任企业客户的顾问，帮助他们通过变革性技术解决方案和 AI 驱动的创新实现可衡量的业务价值。

Arjun Srinivasan

Arjun 是企业 AI 高管，现任 ShipStation Global 的 AI 与数据科学高级副总裁，拥有超过 20 年的经验，推动分销、物流、能源、制造和零售领域的数据、分析和 AI 转型。他领导了大规模 AI 战略、治理和产品化工作，涵盖 GenAI、Agentic AI、智能自动化、预测分析、计算机视觉和基于物理的模拟。Arjun 以将新兴技术转化为可衡量的业务成果而闻名，他与高管团队合作，将 AI 从试点扩展到企业采用。他还是一位经常演讲的演讲者、顾问和生态系统建设者，专注于实用、可信和价值驱动的 AI 创新。