共享出行如何从Copilot演进至自主Agent

业务背景

哈啰出行覆盖共享单车、打车、顺风车、租车、两轮换电等多元业务，积累了数亿用户与海量运营数据。随着业务规模扩张，对客服响应、供需调度、营销策略的智能化需求日益迫切。

传统运营模式面临三重挑战：

业务链条复杂：多业务线并行，用户需求场景多样，单一系统难以覆盖全链路。

响应效率瓶颈：高峰期客服压力激增，人工处理订单纠纷、优惠券发放等重复性工作，效率受限。

决策依赖经验：营销策略制定依赖运营人员经验，难以实现千人千面的精准触达。

演进路径：从Copilot到Agent

哈啰出行的AI应用经历了从"人机协作"到"自主执行"的演进，分为两个阶段：

阶段一：Copilot模式（辅助提效）

以大模型为工具，辅助各业务团队提升效率，但决策与执行仍由人主导。

研发Copilot：
– 代码语义搜索与智能补全
– 自动化测试代码生成
– 技术文档智能检索

运营Copilot：
– 活动策划文案生成
– 数据报表智能解读
– 客服话术实时推荐

设计Copilot：
– 营销海报背景生成
– 短视频脚本辅助创作
– 多尺寸素材自动适配

该阶段显著降低重复性劳动，但大模型仅为"工具"，未融入业务流程闭环。

阶段二：Agent模式（自主执行）

让模型具备调用业务API、根据输入与事件自动执行的能力，实现业务流程自动化。

智能客服Agent：
– 多轮对话理解用户意图
– 调用订单系统查询详情
– 自动发放优惠券或发起退款
– 复杂场景无缝转人工

营销Agent（AIGA）：
– 实时分析供需与库存数据
– 结合用户画像生成精准策略
– 自动执行触达动作（推送、短信、优惠券发放）
– 效果追踪与策略迭代

技术架构

“`
┌─────────────────────────────────────────────────────────┐
│ 感知层 │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │订单数据 │ │用户行为 │ │地理位置 │ │库存状态 │ │
│ └────┬────┘ └────┬────┘ └────┬────┘ └────┬────┘ │
└───────┼────────────┼────────────┼────────────┼─────────┘
│ │ │ │
└────────────┴────────────┴────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ 决策层（Agent核心） │
│ ┌─────────────────────────────────────────────────┐ │
│ │ 大模型推理引擎 │ │
│ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ │
│ │ │意图理解 │───▶│策略规划 │───▶│动作决策 │ │ │
│ │ │(CoT) │ │(ReAct) │ │(Function│ │ │
│ │ └─────────┘ └─────────┘ │Calling) │ │ │
│ │ └────┬────┘ │ │
│ └─────────────────────────────────────┼──────────┘ │
└────────────────────────────────────────┼────────────────┘
│
┌──────────────┼──────────────┐
│ │ │
▼ ▼ ▼
┌─────────────────────────────────────────────────────────┐
│ 执行层 │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │
│ │ 订单系统API │ │ 营销工具API │ │ 客服工作台 │ │
│ └─────────────┘ └─────────────┘ └─────────────┘ │
└─────────────────────────────────────────────────────────┘
“`

关键技术

1. 多模型协同

根据场景需求选用不同基础模型：

通过量化加速与多卡并行，平衡性能与成本。

2. RAG与实时数据融合

知识库：订单规则、城市运营策略、用户历史数据
检索策略：向量检索 + 实时数据库查询
融合方式：将检索结果与用户实时状态拼接入Prompt，生成个性化响应

3. ReAct推理范式

引导模型在回答前进行多步推理与工具调用：

“`
用户输入："我的订单为什么被取消了？"

ReAct推理过程：
1. Thought：用户询问订单取消原因，需要先查询订单详情
2. Action：调用订单查询API，输入用户ID
3. Observation：订单状态=已取消，取消原因=车辆调度失败
4. Thought：获取到取消原因，需要生成解释并安抚用户
5. Action：调用优惠券发放API，发放补偿券
6. Final Answer："您好，您的订单因车辆调度问题被取消，已为您发放5元补偿券…"
“`

实施效果

系统上线后，核心业务指标显著提升：

关键价值：

流程自动化：Agent直接调用业务API执行操作，减少人工介入环节，处理效率提升。

决策智能化：基于实时数据与用户需求动态生成策略，实现千人千面的精准运营。

人机协同优化：复杂场景自动转人工，AI为人工提供决策支持，整体服务质量提升。

方案延展

该方案对拥有复杂业务链条的企业具有借鉴意义，可扩展至以下场景：

智能调度：基于实时供需预测，自动调整车辆投放与定价策略
风控审核：自动识别异常订单与欺诈行为，实时拦截风险交易
供应链优化：预测零部件需求，自动生成采购计划与库存调度

总结

共享出行智能运维升级的核心在于：从Copilot的"辅助提效"演进至Agent的"自主执行"。技术不是替代人，而是将人从重复性决策与执行中解放，专注于复杂判断与策略优化。AI Agent与大模型的结合，正在重塑出行服务的运营模式与用户体验。

*本文技术方案参考了共享出行平台智能运维实践，该系统已在多业务场景的客服、营销、运营中落地应用。*