人工智能
Worldwide Express 如何借助 Amazon Bedrock 实现货运异常自动化Worldwide Express（隶属于 ShipStation Global）已经打造出庞大的业务规模：全系统营收约 50 亿美元，拥有超过 75 家零担（LTL）承运商和超过 13 万名客户。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，卡在尚未解决的账单异常中。每一笔异常都必须人工逐一追查，按承运商分别处理，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，针对每笔争议致电客户和承运商。异常不断堆积，资金持续被占用，每笔订单转化为收入的时间也变得更长。
Worldwide Express 与 AWS 和 LTM 合作，构建了一套多智能体 AI 解决方案，采用 Amazon Bedrock ，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，并一次性释放了 1000 万美元的自由现金流。
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方匹配。当匹配失败时，发票便进入异常处理流程。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： 升降尾板费、住宅配送附加费或重新称重调整费，这些费用未包含在原始报价中。
每笔异常都会触发一个五步人工流程：
- 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。
- 在供应商记录中调查根本原因。
- 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。
由于每家承运商都按照自己的费率结构和争议处理流程运营，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，而 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、决策边界所在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 将承运商的收费与合同费率进行比较，并判断差异是否有效。
- 附加费验证智能体 检查意外费用（如住宅配送或升降尾板费用）是否有实际配送事件支持。
每个智能体在给出建议之前，都会提取特定承运商的计费规则和政策。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行动。
每个自定义智能体都有一个指令提示（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。有关各区域模型可用性，请参阅 Amazon Bedrock 中按 AWS 区域支持的模型.
操作
智能体通过分析师使用的相同 API 连接到 SpeedShip。这意味着 AI 看到的与人工审核员看到的完全一致（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计费规则、费用定义和争议处理程序。Worldwide Express 存储每家承运商的文档：费率规则、附加费定义、争议步骤和差异阈值。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，因此每项决策都基于承运商自身的规则。同样的三个智能体可处理所有承运商，无需任何承运商专属代码。
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。起初，人工审核员会使用现有的 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 团队构建了仪表板，按承运商跟踪自动化率、按异常类型跟踪错误率、跟踪解决时间以及人工覆盖频率。当审核员拒绝某项建议时，系统会记录该反馈。团队根据拒绝历史优化指令提示和知识库，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，从异常检测到三个专用智能体，再到人工审批。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。每个智能体运行在带 Auto Scaling 的 Amazon EC2 上，使用具有各自提示、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。智能体生成解决报告。随后，成本最终确定和一份由 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 已在 40 多家 LTL 承运商中部署了该解决方案。智能体目前每周关闭 10,000 个（约 50%）异常，错误率低于 1%。这将 FinOps 团队的时间从日常解决转移到复杂、高价值的争议上。
影响最明显地体现在活跃异常积压上，其金额从 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，首年 ROI 达 60 倍。公司报告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，显著降低成本，并将账单周期从数天加速到数分钟。如今，我们每周额外释放约 1000 万美元的客户账单金额，其速度在以前根本无法实现。”
— Nathanael Pearson，Worldwide Express FinOps 副总裁
展望未来
Worldwide Express 已在将这一方法扩展到订单到收款周期的其他环节。对于管理高承运商业务量的物流公司而言，前进之路是从小处着手。先自动化最重复的异常类型，验证准确率，然后再扩展到其余业务组合。
结论
Worldwide Express 的异常自动化展示了当智能体 AI 遇到范围明确的业务问题时所能实现的可能性。Amazon Bedrock、承运商专属知识库和人工介入审批设计的结合，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。该公司目前正在将自动化扩展到其他订单到收款流程。
要探索类似方法是否适用于您的组织， 请申请与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使用您自己的数据开展价值验证冲刺。