李克华-淘宝闪购：从骑手智能助手业务落地到 Agent 平台化建设.pdf

《李克华-淘宝闪购：从骑手智能助手业务落地到 Agent 平台化建设.pdf》由会员分享，可在线阅读，更多相关《李克华-淘宝闪购：从骑手智能助手业务落地到 Agent 平台化建设.pdf（26页珍藏版）》请在三个皮匠报告上搜索。

1、淘宝闪购：从骑手智能助手业务落地到 Agent 平台化建设李克华淘宝闪购-高级技术专家目录01020304破局思路实战过程业务介绍 实战趟坑经验05未来规划业务介绍业务背景：淘宝闪购-骑手配送全景业务背景：业务痛点、难点1、“手累”：操作app极不方便；2、“脑累”：业务复杂，规则多，记不住；3、“不安全”：骑行中操作app不安全；For 骑手1、异常进线多；2、判责审核工作量大；For 客服两核心两核心矛盾：矛盾：业务高速增长 VS 骑手配送效率、体验下滑客服供给 无法匹配 骑手爆发式咨询需求For 技术1、“能力烟囱”：各业务自建，能力不一；2、“基建不适配”：通用agent平台，不支持时

2、空能力传统方案：传统方案：1、“加人”：成本高、周期长；2、“加规则引擎”：灵活性差、无法覆盖长尾场景；3、“关键字检索”：准确率低，体验差项目结果总结：解决一个问题，进化到赋能一类业务破题思路破题思路：AI赋能、分层破题基于知识库+RAG，解决骑手通用业务规则咨询，降低咨询类CPO工单基础：RAG智能问答构建骑手专属的SubAgent，依托workflow编排，解决履约高频、复杂问题以及安全异常处理应用：SubAgent智能处理打造物流统一智能体平台，突破行业难题，推动平台智能化发展平台：能力沉淀复用核心目标：降工单、提效率、优体验、降成本通过语音操作app,解放骑手双手，安全又高效核心关键

3、词：“分层”、“匹配”避坑：“杀鸡用牛刀”、“小马拉大车”构建骑手AI判责，降低客服审核成本落地节奏：渐进式求解，有点-面-体阶段一：搭建答疑助手1、提升知识问答准确率；2、提高问答助手服务性能；单点突破-规则答疑阶段二、万能客服1、构建领域专家；2、协同推进专家subagent建设场景协同-复杂问题求解阶段三、agent平台化1、平台能力构建；2、不可能三角挑战；平台化提效体验&提效-解放骑手双手领域智能1、更懂物流业务2、时空智能；平台智能1、创建智能2、进化智能；深入业务-探索llm能力边界1、AI判责-降本、降cpo2、探索新的研发范式1、搭建语音助手，直接操作工具；2、突破噪音、方言

4、等限制；解题过程平台实战1：知识问答助手-解决高频业务规则问答难题：准确率vs性能vs成本策略：2+4 组合策略总结：解决“查的准”“查的快”平台实战1：知识问答助手-语音输入，解决骑手“动口不动手”难题：方言、噪音、暴雨策略：三层防御体系成果：骑手动口不动手、安全高效平台实战2：构建万能客服SubAgent，解决复杂问题解决难题：三坑（效率、认知、资源）策略：合作共建总结：业务+技术同频平台实战2：万能客服-骑手AI判责-公平公正判罚难题：性能、可解释性策略：异步化、推理引擎、白盒模块总结：业务*技术双向奔赴平台实战3：agent平台化-基础建设-效能&不可能三角难题：通用、易用、可定制策略

5、：分层抽象、分级赋能总结：作坊式-工业流水线平台实战3：agent平台化建设-即时物流行业难题难题：数据噪音、时空语义对齐策略：清洗噪音、构建时空对齐总结：聊天机器人-物流数字专家实战过程趟坑经验总结行业陷阱：平庸化的知识库RAG行业现状：行业平台都在推 ”文件上传-自动切片-向量检索-回答”。主要问题：这种简单的 RAG 模式对于结构化差、逻辑性强、多跳推理（Multi-hop reasoning）的场景几乎无效。用户上传一堆文档，以为有了知识库就万事大吉，结果 Agent 经常答非所问，或者只能做简单的片段拼接。后果：用户误以为是大模型不行，其实是检索架构太浅。平台为了易用性，牺牲了检索的

6、深度和精度。破解之道：从“被动检索”转向“主动构建与推理支持”平台必须原生支持 Graph RAG（知识图谱增强）和 Hybrid Search（混合检索）、RAG pipeline定制扩展。不仅仅是存文本，更要自动提取实体关系，构建局部知识图谱。1超越vector search查询重写与分解2在检索前，强制加入一个“Query Decomposition”层，将复杂问题拆解为多个子问题，分别检索后再综合。用户的问题比较模糊，需要对其进行改写或者扩写，以提高召回准确率。3数据治理前置平台不能只做“上传即忘”的仓库，