医药流通处在制药工业与终端医疗、零售网络之间，承担仓储、配送、结算、信息与合规等多重职能，业务特征是订单密集、单笔规模有限、履约时效要求高、监管规则密集。数商云为某医药流通行业头部企业搭建的AI智能体项目，把大模型的语义理解能力与行业业务规则、既有系统数据结合起来，形成了一套可落地、可审计的企业智能体应用。本文沿着项目从诊断、设计到上线运营的脉络，复盘医药流通场景下智能体搭建的真实逻辑。
一、项目背景：医药流通企业为何需要AI智能体
（一）客户画像与业务特征
该客户是医药流通领域的头部企业，上游对接制药企业与区域代理商，下游覆盖医院、基层医疗机构、连锁药店与单体药店，业务同时包含批发调拨、渠道分销与面向终端的配送服务。其经营特点可以概括为几个方面：客户数量多、订单频次高、品种与规格极其繁杂；客户采购行为受临床需求、季节波动、政策调整影响，需求预测难度大；药品从入库到出库的全过程受药品经营质量管理规范约束，资质、票据、流向、冷链等环节都需要留痕。
与此同时，企业在信息化上并非空白。ERP、仓储管理系统、运输管理系统、订单协同平台、客户关系管理系统都已上线运行，交易数据与库存数据沉淀较为完整。这一点很重要——智能体项目的起点往往是既有系统的数据资产，而不是一张白纸。
（二）既有数字化系统的能力边界
传统业务系统的共同前提是"输入必须是结构化的"：订单字段、单据格式、审核规则都要事先定义清楚，系统才能执行。但医药流通的实际业务现场，大量信息以非结构化形态流动——客户在即时通讯工具里发来一段文字、一张手写清单照片、一份表格截图，或者干脆通过电话口述需求；供应商资质材料是扫描件与电子文档的混合；内部制度与药品知识散落在文件服务器、邮件和员工个人经验中。
结果就是，系统的"刚性"与业务的"柔性"之间出现了明显缝隙，而填补这条缝隙的，是大量人工转录、人工比对与人工判断。这正是数商云在诊断阶段识别出的核心切口：不是替换既有系统，而是在系统之上叠加一层具备语义理解与任务执行能力的智能体交互与决策层。
二、痛点复盘：医药流通业务链条上的真实断点
（一）非结构化订单占据大量人力
客户下单方式的多样性是第一个断点。文字订单中常出现简称、别名、方言化表述，甚至只写通用名而省略剂型与规格；图片与表格订单需要人工逐行录入；同一客户在不同渠道重复询价、改单、加单的情况也相当普遍。业务人员的大量时间消耗在"把需求翻译成系统能识别的字段"这件事上，真正需要人来判断的库存、替代、账期与配送安排反而被压缩了时间。
（二）资质与流向合规审核依赖个人经验
医药流通的合规审核是一项典型的"高频、重复、但容错率极低"的工作。首营企业与首营品种的资料审核、证照与授权书的有效期管理、经营范围与经营方式的匹配性判断、随货同行单据与流向记录的一致性核对，都需要逐项确认。问题不在于规则不存在，而在于规则散落在制度文件与老员工的记忆里，新人在短期内很难形成同等的判断力，一旦出现遗漏，代价往往超出单笔业务本身。
（三）库存、效期与供需匹配的两难
药品有效期管理带来一个持续存在的矛盾：一方面要保障终端不断货，另一方面要避免近效期库存积压造成损失。企业的库存数据是完整的，报表也能看到周转情况，但从"看到数据"到"做出动作"之间存在断层——哪些品种需要提前补货、哪些近效期库存应优先分配给有消化能力的客户、缺货时哪些可替代品种在法律与临床层面是被允许的，这些判断依赖跨部门沟通与经验积累。
（四）一线知识与服务的响应瓶颈
客户咨询药品规格、包装变更、批号、到货时间、政策口径，内部员工咨询业务流程与制度细节，这些问题的答案大多已经存在于企业内部，只是检索成本高、版本容易过期。知识没有被结构化沉淀，就等于每次都要重新回答一遍。客服与业务支持岗因此长期处于被动响应的状态。
三、数商云企业智能体方案设计
（一）总体架构：以业务系统为底座，以智能体为交互层
项目在架构上分为四个层次，彼此职责清晰。模型层负责语义理解与生成，采用通用大模型能力与面向医药领域的提示工程、术语词表相结合的方式，并对不同任务做模型路由，简单任务交给轻量模型，复杂任务才调用更强的推理能力；知识与数据层包含企业知识库、向量检索索引与业务系统的只读数据接口，同时统一指标口径，避免"同一个问题两个答案"；智能体编排层负责意图识别、任务规划、工具调用、上下文记忆与人工审批节点的插入；集成层则通过接口与消息机制与企业既有的订单、仓储、运输、客户管理系统打通。
这里有一条贯穿始终的设计原则：智能体不直接改写业务系统的关键数据，所有写入动作都必须经过结构校验与人工审批。智能体提供的是判断建议与草稿，责任主体仍然是业务流程中的岗位。
（二）智能体矩阵与职责划分
1. 订单智能体：把非结构化信息转成结构化单据
订单智能体接收来自多个渠道的原始需求，完成字段抽取与标准化映射：把客户习惯性简称对应到企业药品主数据，处理规格与包装单位换算，识别剂型、厂家、批号要求与到货时间约束，并结合库存、账期与配送范围做前置校验，最终生成待确认的订单草稿。对于置信度不足的字段，智能体会明确标注并提示复核，而不是"猜一个答案填进去"。这一机制是项目能够被业务部门接受的关键。
2. 合规智能体：让资质审核有据可依
合规智能体承担资料的解析与预审工作：从证照扫描件与授权文件中抽取关键信息，比对客户与供应商主数据，检查有效期与授权链条的完整性，对临期证照提前预警，并在合同与协议审查环节提供条款比对与风险提示。所有判断结果都附上原文出处与依据条款，让审核人员从"重新做一遍"变成"复核与确认"，同时把审核过程完整留痕，便于内部审计与监管检查时的追溯。
3. 供应链智能体：从数据看板走向可解释的建议
供应链智能体把库存、在途、历史销售与客户采购规律放在一起分析，输出补货建议、近效期库存的处置建议以及缺货情况下的替代品种推荐。方案特别强调建议的可解释性：每一条建议都要说明依据了哪些数据、触发了哪条业务规则，业务人员可以采纳、调整或驳回，驳回原因会回流成为后续优化的输入。这使系统不是一个"黑箱结论机器"，而是一个可以被讨论、被修正的协作者。
4. 服务智能体：把知识资产变成可用能力
服务智能体面向内部员工与外部客户，回答药品信息、订单状态、政策口径与流程制度类问题，答案基于企业自有知识库生成并附出处，便于核实。对于超出知识库范围的问题，或涉及用药指导、诊疗建议等专业边界的内容，智能体会明确拒答并转交人工。在医药行业，知道"什么不该答"和知道"答案是什么"同样重要。
（三）关键技术选择与工程化要点
检索增强生成是这套体系的知识基础，但真正决定效果的是知识治理的细致程度：文档如何切片、元数据如何标注、版本如何管理、不同岗位的可见范围如何过滤，这些工作不显眼，却直接决定回答的可靠性。
在工程实现上，项目坚持了几条做法。其一，结构化输出与二次校验并行，模型输出先经过格式约束，再经过业务规则校验，两道关卡都通过才能进入流程；其二，工具调用区分读与写，查询类操作可直接执行，涉及数据变更的操作必须走审批流；其三，权限与数据隔离按组织、客户与品种维度收敛，避免信息越界；其四，建立可观测与评测机制，持续跟踪意图识别、字段抽取、拒答与人工复核等环节的表现，把模型行为纳入可管理的范畴；其五，通过模型路由、缓存与异步处理控制响应时延与资源开销。
（四）实施路径：场景分级与人机协同
项目没有选择一次性铺开，而是按风险与收益对场景分级推进：先落地高频、低风险、效果可衡量的环节，例如订单录入辅助与内部知识问答；再进入中等风险场景，例如资质预审与补货建议；最后才涉及跨部门协同程度更高的复杂判断。每个场景上线前都要求有一段双轨运行期，智能体输出与人工结果并行比对，评测样本取自企业真实的历史单据与工单，而不是脱离业务的通用测试集。
四、实施价值：效率、合规与组织能力的同步改善
（一）交易效率与订单准确性
订单环节的变化最直观。业务人员从重复录入转向异常处理与客户沟通，订单响应速度明显加快，因转录错误导致的错单、漏单与反复确认显著减少。由于订单草稿在生成阶段就完成了主数据映射与前置校验，后续的履约、开票与对账环节的返工也随之下降。新客户、新品规的接入不再需要长时间的人工熟悉过程。
（二）合规风险的收敛
资质审核从依赖个人经验转向依赖标准化流程与可追溯记录。证照与授权的到期预警被前置，审核依据随结果一并留存，企业内部审计与外部检查的举证成本大幅降低。更重要的是，合规能力的沉淀方式发生了改变：过去依靠老员工带新人，现在规则被写入系统，组织的合规水位不再随人员流动而剧烈波动。
（三）供应链响应与决策质量
补货与效期处置从"月度盘点时集中处理"转向"日常持续提示"，近效期库存的处置节奏更早、缺货的替代方案更及时。由于每条建议都带解释，业务人员在采纳过程中也在不断校正规则，人机之间形成了持续优化的循环，而不是简单的工具替代关系。
（四）组织知识与协作方式的变化
散落在文件、邮件与个人经验中的知识，被逐步整理为可检索、可引用、可更新的组织资产。新人培训的路径被缩短，客服与业务支持岗位的重复应答压力下降，人员可以把精力投入到更需要判断力的工作上。这种角色迁移，是智能体项目最容易被低估、却最具长期价值的成果。
五、项目经验：企业智能体搭建的务实建议
（一）先治理数据与主数据，再谈智能
智能体的输出质量，最终受限于它所依赖的数据与知识质量。药品主数据、客户与供应商档案、别名与规格口径如果本身混乱，任何模型都无法给出可靠结果。在这个项目中，前期投入在主数据与知识治理上的精力，回报远高于对模型本身的反复调优。
（二）场景颗粒度决定成败
以一个岗位的一个具体动作作为最小落地单元，通常比"打造一个全能助手"更容易成功。颗粒度足够细，才能定义清楚输入、输出、评价标准与例外处理方式，也才能在短时间内看到可验证的效果。
（三）明确人机边界与责任归属
智能体提供建议，岗位承担责任，审批留痕，这一原则需要在设计阶段就固化到流程里。越是合规敏感的行业，越是不能把"模型判断"当作免责理由。同时，明确的边界也能降低一线人员对新技术的不信任感。
（四）上线不是终点，运营机制才是长期保障
知识会过期，业务规则会调整，客户表达方式会变化。项目因此建立了持续的知识更新、效果评测与问题回流机制，把智能体当作需要长期运营的业务能力，而不是一次交付的信息系统。
（五）与既有系统协同，避免重复建设
数商云在本项目中始终把智能体定位为既有数字化体系的增强层：数据来自既有系统，动作回到既有流程，智能体负责的是理解、连接与建议。这种定位既控制了实施范围，也让企业此前的数字化投入得以继续发挥价值。
回到医药流通这个行业本身，它的竞争壁垒从来不在单点技术，而在于能否把复杂的规则、分散的信息与高频的交易稳定地组织起来。数商云在该客户项目中推进的医药流通AI智能体建设，价值并不体现在"像人一样对话"，而在于把散落在文档、系统与个人经验中的规则与知识，转化为可调用、可审计、可复用的业务能力。对于同样处于强监管、高复杂度环境中的企业而言，这条路径的借鉴意义，或许比任何单一功能的落地都更值得关注。
评论