物流人用上大模型：从天天救火到提前预警

最新推荐文章于 2026-06-14 12:48:47 发布

原创最新推荐文章于 2026-06-14 12:48:47 发布 · 181 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#java #人工智能 #agent #prompt #RAG #LLM #大模型

运单格式五花八门人工录入费时易错，物流异常总是客户投诉先于内部预警，供应商评估维度多数据散招标全凭拍脑袋。本文聚焦三个场景，聊聊大模型怎么帮物流人从救火切到预警。

场景一：运单信息智能解析（RAG + 结构化提取）

不同承运商运单格式各异，日处理5000单的货代光录入就3-4人。方案：LLM提取关键字段，RAG检索历史样本做few-shot引导。

from langchain_community.chat_models import ChatOllama
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import OllamaEmbeddings
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.runnables import RunnablePassthrough

llm = ChatOllama(model="qwen2.5:7b")
vs = FAISS.load_local("waybill_index", OllamaEmbeddings(model="nomic-embed-text"),
                       allow_dangerous_deserialization=True)
prompt = ChatPromptTemplate.from_template(
    "提取运单字段。参考：{context}\n运单：{waybill_text}\n"
    "输出JSON：sender,receiver,goods,weight_kg,deadline")
chain = {"context": vs.as_retriever(k=2),
         "waybill_text": RunnablePassthrough()} | prompt | llm | JsonOutputParser()
chain.invoke("张三寄上海浦东，电子元器件，23.5kg，3日达")

关键坑： ①模板改版致字段失效，用语义提取而非模式匹配；②重量单位不统一（kg/公斤/吨），后处理加归一化；③多页运单上下文断裂，先拼接再提取。

场景二：运输异常智能预警（Agent）

异常发现永远滞后——客户投诉打进来才知道出事。方案：Agent查状态→判异常等级→推送通知。

from langchain_community.chat_models import ChatOllama
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool

@tool
def query_status(no: str) -> str:
    """查询运单运输状态"""
    return f"{no}：武汉中转站滞留6小时，预计延误1天"
@tool
def judge_anomaly(status: str) -> str:
    """判定异常等级"""
    return ChatOllama(model="qwen2.5:7b").invoke(f"判定：{status}").content
@tool
def notify(level: str, no: str, detail: str) -> str:
    """预警推钉钉，紧急推钉钉+短信"""
    return f"已推送：{no}，{detail}"

tools = [query_status, judge_anomaly, notify]
prompt = ChatPromptTemplate.from_messages([
    ("system", "运输异常预警Agent。查状态→判等级→发通知。"),
    ("human", "{input}"), ("placeholder", "{agent_scratchpad}")])
AgentExecutor(agent=create_tool_calling_agent(ChatOllama(model="qwen2.5:7b"), tools, prompt),
              tools=tools).invoke({"input": "检查SF20240618"})

关键坑： ①误报漏报代价不对称，阈值倾向宁可误报但须加人工确认；②查询频率按时效差异化（紧急5分/普通30分）；③判定缺货物属性——滞留6小时对冷链是事故对普货不是。

场景三：供应商评估与招标辅助（RAG + Text-to-SQL）

评估维度多数据散在ERP/TMS/客服系统，招标手动拉数据拍脑袋。方案：自然语言查供应商数据+RAG检索合同，AI生成综合报告。

from langchain_community.chat_models import ChatOllama
from langchain_community.utilities import SQLDatabase
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import OllamaEmbeddings
from langchain.chains import create_sql_query_chain
from langchain_core.prompts import ChatPromptTemplate

db = SQLDatabase.from_uri("sqlite:///supplier.db")
sql_chain = create_sql_query_chain(ChatOllama(model="qwen2.5:7b"), db)
cr = FAISS.load_local("contract_index", OllamaEmbeddings(model="nomic-embed-text"),
                      allow_dangerous_deserialization=True).as_retriever(k=3)
prompt = ChatPromptTemplate.from_template(
    "供应商评估：\n数据：{sql_result}\n合同：{rag_context}\n"
    "从价格、时效、破损率、服务响应四维度打分(1-10)给建议")
def evaluate(q):
    res = db.run(sql_chain.invoke({"question": q}))
    ctx = "\n".join([d.page_content for d in cr.invoke(q)])
    return (prompt | ChatOllama(model="qwen2.5:7b")).invoke(
        {"sql_result": res, "rag_context": ctx}).content