把人工巡检交给 AI：电商比价反馈自动化实战

一、问题背景：为什么这套人工流程撑不住了

先交代业务场景。某电商平台的超市频道有一套平台侧的自动跟价机制：系统会监测其他渠道的价格，一旦判定更便宜，就自动下调在售商品的价格。这套机制的初衷是保持价格竞争力，但它偶尔会“跟错”，其他渠道的实际成交价并不低（可能是凑单、券后、区域定价等原因），系统却按展示价跟了低价，商品便会以低于运营底线的价格出售，卖一单亏一单。

为了兜底，运营团队只能人工巡检平台的比价后台：把系统给出的“建议价”与内部基线表中每个商品的最低可接受价逐一比对；发现低于底线的商品，再手动走一遍反馈流程，点开反馈入口、选择反馈类型、上传价格截图、填写备注、提交。

这套流程的特征可以用四个词概括：

• 高频：平台跟价时间不可预测，可能早上 9 点，也可能半夜 12 点，几乎需要全天候响应；
• 强规则：判断标准唯一，建议价是否低于基线表最低价，没有任何模糊地带；
• 低创造性：每一步都是固定操作，不依赖人的经验与判断；
• 高压力：进入酒水等品类的销售旺季后，跟价频次显著上升，巡检压力随之放大。

实际情况是：1 个半月内，先后有 2 名员工因盯守压力提出离职，每人每天从早上 7 点值守到夜里 12 点，周末也无法休息；而基线表里有 171 个商品，每轮巡检都要逐个核对。

从工程视角看，这正是最典型的“应该交给机器”的任务：规则明确、动作固定、重复度高、时效要求苛刻。人做这件事的价值趋近于零，出错风险与人力成本却随业务量线性上涨。与其继续加人，不如把整个流程自动化。

二、第 1 天：先把“人怎么干”写成 AI 能读的资产

很多自动化项目失败的第一原因，不是技术不行，而是没人说得清“人到底是怎么干的”。操作细节散落在老员工脑子里，AI 拿到的需求只有一句“帮我把比价反馈自动化”，自然无从下手。

因此，改造的第一步不是写代码，而是流程资产化，具体做两件事：

1. 沉淀 SOP 文档。 让最熟悉操作的同事把日常动作完整写下来：从哪个页面进入、看哪些字段、什么条件触发反馈、反馈时选什么类型、截图截哪里、备注写什么、遇到页面异常怎么办。判断规则必须写成可执行的判定句，例如“当建议价 < 基线表最低价时，触发反馈”，而不是“价格明显偏低时”这类模糊表述。

2. 结构化基线数据。 把 171 个商品的比价反馈表整理成结构化表格，这是整个自动化流程的“事实源”，AI 的所有判断都以此为准，而不是靠模型自行推断价格是否合理。示意结构如下：

字段	类型	说明
sku_id	string	商品唯一标识
brand	string	品牌
spec	string	规格描述
floor_price	decimal	可接受的最低价（底线价）
feedback_note	string	反馈备注模板

这一步的价值在于：它把“隐性经验”转化为“显性规则”，既让 AI 可执行，也让后续任何人员变动都不会导致流程知识流失。事实上，即使不引入 AI，一份合格的 SOP 本身就是运营团队的资产。

三、方案设计：智能体编排 + 规则校验 + 全链路留痕

接下来是技术方案。当前主流做法是“智能体（Agent）+ 网页/接口自动化”的组合：由智能体负责理解流程、调度动作、处理异常，由自动化能力负责实际的页面操作与数据读写。这类能力在主流云平台上均有对应的通用产品类别，例如智能体编排、函数计算、定时调度、对象存储、监控告警等（百度智能云等平台均提供此类通用能力），本文方案不绑定任何特定产品，读者可按自身技术栈等价实现。

整体架构分为四层：

1. 感知层：定时拉取比价后台的价格列表与截图，作为本轮巡检输入；
2. 决策层：逐条比对建议价与基线表底线价。这一层刻意“去智能化”，比对逻辑就是简单的数值比较，用确定性代码实现，大模型不参与定价判断，从架构上规避幻觉风险；
3. 执行层：对触发反馈的商品执行固定动作序列：打开反馈入口 → 选择反馈类型 → 上传截图 → 按模板填写备注 → 提交；
4. 监控层：每轮执行输出结构化日志（SKU、建议价、底线价、动作、结果），失败自动重试，重试仍失败则告警并转入人工处理队列。

核心判定逻辑本质上只有一段：

# 核心判定逻辑（伪代码）
IF suggested_price < floor_price THEN
    触发反馈流程：选择反馈类型 → 上传价格截图 → 按模板填写备注 → 提交
ELSE
    跳过该 SKU，记录状态为“正常”
END IF

交给智能体的提示词则承担“流程说明书”的角色，骨架大致如下：

# 角色
你是电商价格巡检助手，负责按 SOP 完成比价后台的巡检与反馈提交。
# 输入
1. 《巡检操作 SOP》：页面入口、判断规则、反馈步骤、异常处理
2. 基线表：sku_id、brand、spec、floor_price、feedback_note
# 执行规则
1. 逐条读取本轮比价列表中的建议价；
2. 与基线表中对应 SKU 的 floor_price 比对：
   - suggested_price >= floor_price：跳过，记录“正常”；
   - suggested_price < floor_price：执行反馈流程；
3. 反馈流程严格按 SOP 步骤顺序执行，每步校验页面状态后再进入下一步；
4. 单步失败重试 1 次；仍失败则终止该 SKU 本轮处理，写入失败日志并触发告警。
# 边界约束
- 严禁修改基线表中的 floor_price；
- 严禁处理基线表之外的 SKU；
- 所有价格判断以基线表为准，不得依据模型自身知识判断价格合理性；
- 每轮结束输出结构化摘要：{total, skipped, feedback, failed}。

这里有一条重要的设计原则：让大模型做“流程执行者”，而不是“价格决策者”。价格底线来自结构化表格，判断逻辑是确定性比较，模型的价值在于把 SOP 里的自然语言步骤可靠地映射为一系列动作，并在异常时按预案处理。把决策权收回到规则与数据，是把这类流程交给 AI 的安全底线。

四、5 天迭代：真正的工作量在异常与边界

第 1 天的目标是跑通主流程：上午交接资料、讲清流程，下午即可完成一轮完整的“读取—比对—反馈”闭环。智能体类工具把过去需要开发排期的集成工作压缩成了配置与提示词编写，这是效率提升的第一个来源。

但主流程跑通只完成了 30%。剩下 5 天里的真正工作，是和真实环境中的各种“意外”打交道：

• 页面与加载问题：列表懒加载导致漏读商品、截图时机早于价格渲染完成。对策是在执行序列中加入显式等待与完整性校验，例如校验本轮读取的商品数与基线表数量一致，不一致则判定本轮无效；
• 反馈类型映射：不同降价原因对应不同的反馈类型选项，需要在 SOP 中把“场景 → 选项”写成映射表，避免模型临场判断；
• 备注一致性：备注必须按模板填写，把模板放进基线表的 feedback_note 字段，执行时原样引用，不允许自由发挥；
• 失败兜底：重试策略、失败隔离（单个 SKU 失败不影响其他 SKU）、告警通道与人工接管。

每天的迭代节奏基本一致：跑一批 → 看日志 → 把每一个失败案例翻译成一条新规则或一个新校验 → 再跑。到了第 5 天，进入灰度并行阶段：AI 与人工同时巡检，比对双方结果，确认连续多轮零差异后，才切换为“AI 为主、人工只处理告警”。

这个阶段沉淀的经验具有普遍意义：自动化项目的稳定性，不取决于主流程写得多漂亮，而取决于异常分支覆盖得有多全。每一个线上失败案例，都应该变成规则库、校验项或测试用例。

五、成本账：从“两个人月月盯”到“约为原成本 1/20”

改造前的人力投入可以粗略估算：旺季期间 2 名员工，每人每天约 17 小时在线（早 7 点到夜里 12 点），周末无休，折算下来每月在这件事上的有效投入接近 2 个人月，且是在高疲劳、高出错风险状态下的投入。

改造后的成本结构变成了：定时任务的计算资源、截图与日志的存储、智能体执行与模型调用的费用。按该案例的实际口径统计，综合成本约为原来人工方案的 1/20。更重要的是成本性质的变化：人力成本随业务量线性增长，还需要招聘、培训与管理；而自动化成本近似固定，业务量再涨，边际成本几乎不变。

还有一个容易被忽略的隐性收益：响应时延的确定性。人工值守的响应时间取决于“人什么时候看到”，而自动化可以在跟价发生后的固定时间窗口内完成巡检与反馈，把“发现—处理”的链路时长从小时级压缩到分钟级，直接减少了低价订单的暴露时间。

六、成绩单：日均 494 轮，0 失败

稳定运行后的数据验证了这套方案：系统日均执行 494 轮巡检，失败 0 次。配套的监控指标包括：

• 执行成功率：目标 100%，任何失败都会进入告警队列，不允许静默丢失；
• 单轮时长：从触发到反馈提交完成的端到端耗时；
• 异常占比：触发反馈的商品数占巡检商品总数的比例，该指标的异常波动本身就是业务信号（例如平台策略调整、基线表需要更新）；
• 人工介入次数：理想状态趋近于零，任何上升都意味着新边界情况出现，需要回流到规则库。

运营侧的体感变化同样明显：两名原本被巡检占满的员工从盯屏工作中解放出来，转入选品与货架运营等更有价值的环节；人员流失问题从根源上缓解，没有人愿意把职业时间花在机械比对上，而这恰恰是机器最擅长的事。

七、可复用的方法论：把 AI 当成一个“新员工”

复盘整个项目，可以提炼出五条可迁移的经验：

1. 先 SOP，后自动化。 自动化程度的天花板，取决于流程被描述得有多清楚。写不出 SOP 的流程，交给 AI 也跑不稳。
2. 结构化数据是事实源。 判断依据（如底线价）必须来自结构化表格并用确定性逻辑消费，大模型负责执行而非决策，从架构上规避幻觉风险。
3. 主流程一天，异常一周。 按“主流程闭环 → 异常分支覆盖 → 灰度并行 → 正式切换”的节奏推进，用失败案例反哺规则库。
4. 全链路留痕与兜底。 结构化日志、失败隔离、自动重试、告警与人工接管通道，是无人值守的前提，缺一不可。
5. 设计好人机边界。 AI 处理确定性问题，人处理告警与规则外情况，并定期把人的处理结果转化为新规则，形成持续闭环。

这套方法并不局限于比价反馈。凡是具备“高频、强规则、动作固定、时效敏感”特征的工作，库存核对、订单巡检、日志巡检、定时报表、资质证照到期提醒等，都可以套用同样的路径：流程资产化 → 数据结构化 → 智能体编排 → 异常迭代 → 灰度切换。

回到最初的问题：1 个半月 2 名员工离职，表面上是人员管理问题，本质上是把“机器该干的事”压给了人。当流程被正确地交给自动化，人才能回到真正需要人的地方，这或许就是这场 5 天改造最有价值的结论。