跳转至

03 - 售后维权 Agent

项目背景与目标

某 3C 电商平台每月产生约 30 万笔售后维权请求，涉及退货、换货、维修、补偿四类。现有流程依赖用户填写表单、客服人工核对订单与售后政策、主管逐级审批，单笔处理平均耗时 25 分钟，大促期间工单积压严重，用户等待 48 小时仍无结果的情况时有发生。企业希望用 Agent 自动完成「订单查询 → 售后政策匹配 → 责任判定 → 审批流转」全链路，让 80% 的标准化工单在 5 分钟内自动结案，复杂争议仍由人工仲裁。

核心目标： 1. 自动核对订单、物流、商品状态，事实采集零人工 2. 售后政策精准匹配（按品类、金额、时效、用户等级） 3. 多级审批流自动流转，超时自动升级 4. 标准化工单自动结案率 ≥ 80%，处理时长 < 5 分钟

预期价值：缩短维权周期、提升用户信任、降低人工成本、沉淀维权数据反哺商品质量与风控。

需求分析

用户角色与场景 - 消费者：发起退货/换货/维修/补偿，提交凭证 - 一线客服：处理 Agent 转交的争议工单 - 主管/质检：审批超金额阈值工单、抽检 Agent 决策 - 商家：接收售后指令、举证

功能需求列表 - 多渠道发起维权（App、客服、订单页） - 订单与物流状态自动采集（含签收、拒收、在途） - 凭证识别（发票、开箱视频、破损照片多模态识别） - 售后政策知识库匹配（RAG + 规则引擎双轨） - 责任判定（买家/卖家/物流/平台责任） - 多级审批流（金额阈值 + 用户等级 + 风险分） - 自动执行（发起退款、生成换货单、通知商家） - 申诉与人工仲裁入口

非功能需求 - 性能：单工单决策 < 30 秒 - 安全：支付操作需二次校验与审计日志 - 可用性：99.95%，审批流引擎高可用 - 风控：识别骗赔、批量维权异常

约束条件：必须对接现有 ERP/OMS；审批权限矩阵不可随意改动。

技术选型说明

层次 技术选择 选型理由
Agent 框架 LangGraph 状态机天然适配审批流分支
LLM Qwen2.5-72B + VL 多模态 文本决策 + 图片凭证识别
规则引擎 Drools 金额/时效等硬规则确定性判断
审批流 Camunda BPMN 成熟工作流引擎，支持超时升级
数据库 PostgreSQL + Redis 事务一致性 + 缓存热数据
部署 K8s + 私有化 LLM 涉及交易数据，私有化合规

架构设计

flowchart TD
    U[用户发起维权] --> AGENT[维权 Agent]
    AGENT --> COL[事实采集层]
    COL --> OMS[订单/物流/库存]
    COL --> VLM[凭证多模态识别]
    AGENT --> POL[政策匹配]
    POL --> RAG[RAG 知识库]
    POL --> RULE[Drools 规则引擎]
    AGENT --> JUDGE[责任判定 LLM]
    JUDGE --> FLOW[审批流 Camunda]
    FLOW -->|自动| EXEC[执行层: 退款/换货]
    FLOW -->|超阈值| MGR[主管审批]
    FLOW -->|争议| HUMAN[人工仲裁]
    EXEC --> NOTIFY[通知用户/商家]

采用「事实采集 → 双轨政策匹配 → 责任判定 → 审批流」四段式。规则引擎处理确定性约束（如 7 天无理由时效），LLM 处理模糊判断（如「质量问题程度」），两者结果交叉校验后进入审批流。

关键模块实现思路

模块1：事实采集层

  • 思路：Agent 根据维权类型编排采集计划，并行调用 OMS 查订单、物流查轨迹、库存查退回状态；多模态模型识别用户上传的开箱视频与破损照片，提取「破损位置、严重程度」结构化字段。
  • 关键点：采集结果写入 CaseFact 对象，作为后续所有判断的事实基础，避免 LLM 臆造。

模块2：双轨政策匹配

  • 思路：
  • 规则引擎（Drools）：处理「7 天内、金额 < 5000、非定制类」等硬条件，输出可执行结论。
  • RAG：检索售后政策细则（如「数码相机感光元件故障保修期」），供 LLM 做细则解读。
  • 关键点：两轨结论不一致时以规则引擎为准，LLM 结论仅作辅助，保证合规。

模块3：责任判定

  • 思路：LLM 综合 CaseFact + 政策匹配结果，输出责任方（买家/卖家/物流/平台）、处理建议（退款/换货/维修/补偿金额）与置信度；置信度低或金额超阈值转人工。
  • 示意： 
    def judge_liability(fact, policy):
    prompt = build_judge_prompt(fact, policy)
    result = llm.parse(prompt)  # {liable_party, action, amount, confidence}
    if result.confidence < 0.8 or result.amount > THRESHOLD:
        route_to_human(result)
    return result

模块4：审批流编排

  • 思路：用 Camunda BPMN 建模审批流，节点含「自动审批」「主管审批」「质检抽检」「超时升级」；Agent 通过 API 启动流程实例，订阅事件回调执行后续动作。
  • 关键点：审批流与 Agent 解耦，便于运营调整权限矩阵而不改代码。

核心流程详解

流程1：标准退货自动结案

  1. 用户在订单页发起退货，选择「7 天无理由」
  2. Agent 采集：订单已签收 3 天、商品未激活、库存可退
  3. 规则引擎判定：时效内、金额 < 阈值、符合政策 → 自动通过
  4. Camunda 走自动审批节点，触发退款 + 通知商家
  5. 用户 3 分钟内收到退款到账通知

流程2：质量问题争议转人工

  1. 用户称手机屏幕花屏，上传视频
  2. 多模态识别确认花屏，但无法判断是出厂还是人为
  3. 责任判定置信度 0.55 → 转人工仲裁
  4. Agent 生成证据摘要推送仲裁员，仲裁员调取厂家检测报告后判定

部署与优化建议

  • 部署架构：LLM 私有化部署（涉交易数据），Camunda 集群独立；凭证图片走对象存储 + 临时 URL。
  • 性能优化：事实采集并行化；规则引擎编译为决策表预热加载。
  • 成本控制：标准化工单不调用 LLM 生成（规则引擎直接结论），仅争议工单用 LLM。

常见问题与解决方案

  • LLM 责任判定不稳定 → 引入置信度 + 规则兜底，低置信度必转人工。
  • 凭证造假 → 多模态识别 + 反欺诈规则（同一图片重复提交检测）。
  • 审批流卡死 → Camunda 超时定时器，SLA 到期自动升级上级。

扩展方向

  • 预测性维权：识别高风险订单主动跟进，降低维权发生。
  • 商家评级：基于维权数据自动调整商家质量分。
  • 多方协商：引入商家 Agent 与买家 Agent 自动协商，平台仲裁。