客户背景
行业
外贸跨境 · 3C 电子
规模
18 人团队 · 阿里国际站
现状
人工算报价 + 人工回 RFQ
期望
快速响应、多接单
客户痛点
1
RFQ 量大响应慢
每天几十条 RFQ，人工逐个回复，慢了就被同行抢走。
2
报价计算复杂
产品规格多、价格表复杂，人工算价易出错。
3
跟进不及时
询盘没有系统跟进，很多潜在订单白白流失。
演示案例
实时演示 · RFQ 报价
就绪
输入
RFQ：USB-C 数据线 10,000 条，含样品要求
Consolelogs · stdout
$ 初始化演示管线…
✓ 需求解析0.4s
✓ 自动报价¥8.5/条
✓ 报价单生成自动
技术方案
01
RFQ 智能解析
自动解析 RFQ 需求，提取产品规格与数量。
02
报价自动计算
按价格表与规则自动计算并生成报价单。
03
跟进提醒
询盘自动分派、跟进提醒与话术推荐。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
适合冷启动与快速验证
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
适合作为主链路承担高频流量
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
适合兜底与高确定性场景
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
L1
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
业务系统 API移动端 / 小程序文件上传 / 扫码API 网关 · 脱敏
L2
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
行业微调模型多模态大模型RAG 知识检索置信度路由
L3
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
业务规则校验实体 / 主数据匹配金额 / 逻辑闭环人工复核工单
L4
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
样本仓在线标注与差错回收月度增量微调漂移监测与告警
技术栈
FastAPIvLLMLangChainRAGQwenGPT-4oTritonKubernetesPostgreSQLRedisMilvusDocker
交付过程
1
价格体系梳理
整理产品价格表与报价规则。
2
RFQ 解析
训练 RFQ 需求解析。
3
报价系统
开发自动报价。
4
试运行
业务员试用。
5
全面使用
纳入日常询盘处理。
上线前后对比
指标上线前上线后
单条 RFQ 响应约 2 小时约 15 分钟
报价差错率3%0.4%
月接单量18 单23 单
“RFQ 现在基本秒回，报价又快又准，接单率明显上来了。”
可复用场景
外贸 B2B 的询盘响应
复杂产品的自动报价
询盘跟进的自动化