admin/rlz

Files

renjianbo 805ed0298b feat: 新增多角色系统（派单/分润/推广/区域）

- 后端：RlzDispatch/Profit/Promotion/Region 控制器、服务、Mapper、领域模型
- 权限：MethodSecurityConfig + PermissionInterceptor
- 管理后台：派单/分润/推广/区域 页面与 API
- Android 陪护端：派单/运营/退款 Fragment 及布局
- 小程序：推广员子包、派单/运营/退款/检索子包、自定义 tabBar
- 文档：多角色系统方案、角色权限矩阵、用户操作手册等

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

2026-10-12 00:09:45 +08:00

16 KiB

Raw Permalink Blame History

瑞来健康 — AI 大模型赋能与未来演进

思考角度：多角色系统落地后，引入 AI 大模型可以从哪些维度进一步提升竞争力日期：2026-06-07

一、AI 能力的定位：不是替换人，是放大人的效率

当前平台有 7 个角色，每个人做的事情中，有相当比例是"重复性、规则性、信息密集型"的工作——这正是 AI 最擅长替代的。

AI 不做的事：
  ✗ 陪诊师去医院陪护患者（物理世界）
  ✗ 管理者做战略决策（需要商业判断）

AI 最适合做的事：
  ✓ 回复重复性问题（客服）
  ✓ 匹配订单与陪诊师（调度）
  ✓ 审核认证材料（运营）
  ✓ 分析数据给出建议（管理）
  ✓ 生成推广文案/海报（推广）
  ✓ 风险预警与异常检测（安全）

二、分角色的 AI 赋能场景

2.1 智能客服 — 提升最大、见效最快

当前痛点：客服专员需要人工回复大量重复性问题（退款规则、服务时间、医院地址、订单状态查询），效率低且响应慢。

AI 赋能后：

能力	说明	价值
7×24 自动应答	常见问题秒回：服务价格、退款政策、医院导航、订单查询	客服效率 10×
意图识别+路由	用户说"我要退款" → AI 判断意图 → 自动引导填写原因 → 生成工单 → 推送给客服审核	减少 80% 重复劳动
情绪感知+升级	检测到用户愤怒/紧急（AI 语义分析）→ 自动标记优先级 + 通知人工客服介入	避免投诉升级
多轮对话	"帮我查我昨天的订单" → AI 查库 → "订单已在服务中，陪诊师王XX，预计18:00完成"	用户自助率 60%+
知识库问答	接入医院数据库、陪诊流程文档，回答"XX医院怎么挂号？""三甲医院专家出诊时间？"	从"等待回复"到"即时解答"
工单自动总结	客服处理完纠纷 → AI 生成工单摘要 + 处理建议归档	知识沉淀

落地路径：

阶段 1（2周）：小程序内嵌 AI 聊天入口
  → 对接 LLM API + 平台知识库（RAG）
  → 覆盖 Top 20 常见问题（退款/价格/订单查询/医院导航）

阶段 2（4周）：意图识别 + 工单自动生成
  → 退款意图 → 自动创建工单 + 推送客服审核
  → 投诉意图 → 自动升级 + 通知运营经理

阶段 3（持续）：多模态客服
  → 用户上传医院票据照片 → AI 识别 → 自动填充订单信息
  → 语音输入 → AI 语音转文字 → 意图识别

2.2 智能调度 — 从人工指派到 AI 最优匹配

当前痛点：调度员手动查看空闲陪诊师，凭经验指派，效率低且匹配质量不稳定。

AI 赋能后：

能力	说明
智能匹配评分	订单需求（科室、语言、性别、距离）→ AI 对区域内空闲陪诊师打分排序，考虑：专业匹配度（儿科/妇产科/老年科）、历史好评率、距离医院远近、当前负载
动态定价建议	高峰期/恶劣天气/偏远地区 → AI 建议调价系数，平衡供需
路线规划	多订单组合 → AI 规划陪诊师最优服务路线，减少通勤时间
异常预警	陪诊师超时未到达 → AI 检测异常 → 自动通知备选陪诊师
排班预测	基于历史数据预测各时段订单量 → 提前建议陪诊师排班

匹配模型示例：

匹配得分 = w1×专业匹配(0~1) + w2×好评率(0~1) + w3×距离归一化(0~1) + w4×负载系数

AI 输出：
  陪诊师A: 得分 0.92  ← 推荐（妇产科专业，距离200m，好评98%）
  陪诊师B: 得分 0.78
  陪诊师C: 得分 0.65

调度员确认 → 一键派单，或手动调整

2.3 智能审核 — 认证/内容/退款自动化

场景	当前	AI 赋能后
陪诊师实名认证	人工查看身份证照片、资质证书	AI OCR 识别+公安部接口校验+自动标记异常（PS痕迹、过期证件）
服务评价审核	无审核机制	AI 检测刷评（相似文本、异常频率）→ 自动标记疑似刷单评价
退款审核	客服逐单审核	AI 预审：规则内退款（如服务未开始）自动通过；异常退款（频繁退款用户）自动标记人工复核
推广反作弊	无	AI 检测刷量（同设备多账号、异常邀请转化率）→ 自动风控
护理资讯审核	无	AI 审核文章内容合规性（医疗广告法、虚假宣传检测）

2.4 智能推广 — AI 生成 + 个性化推荐

能力	说明
AI 生成推广文案	推广员输入关键词（"陪诊""老年人""北京"）→ AI 生成 3 条朋友圈文案 + 配图建议
AI 生成分享海报	自动从模板库中选择 + 替换推广员头像/邀请码 + 生成个性化文案
智能推荐目标人群	推广员分享到朋友圈 → AI 分析谁更可能点击/转化，建议推广员定向邀请
个性化推广策略	根据推广员的社交圈特征，AI 建议最佳推广话术和时间

2.5 智能运营 — 数据洞察 + 预测决策

能力	说明
自然语言查询数据	运营经理："上个月北京的订单量是多少？""哪个陪诊师接单最多？"→ AI 转 SQL 查询 → 返回表格+图表
异常检测	AI 实时监控：退款率突增、某区域订单暴跌、某陪诊师差评集中 → 自动预警推送
服务评价情感分析	患者评价文本 → AI 分析情感倾向 + 提取关键词（"态度好""迟到""不专业"）→ 自动分类归档
竞品监控	AI 定期抓取竞品信息（小程序/公众号/美团）→ 生成简报：价格变化、新服务上线、用户评价趋势
月度运营报告	一键生成：本月订单趋势、收入分析、角色绩效、问题汇总、改进建议

2.6 智能安全 — 让平台从"有漏洞"到"可靠"

能力	说明
AI 代码审计	定期扫描后端代码，标记：密钥硬编码、SQL 注入风险、权限缺失
异常行为检测	登录行为分析：异地登录、短时间大量请求、异常金额提现 → 自动触发风控
内容合规检测	用户提交的评价/昵称/图片 → AI 检测涉黄涉政涉暴内容 → 自动拦截
隐私数据检测	AI 扫描日志输出，自动发现并告警：手机号明文、身份证号、银行卡号泄露

三、技术架构：AI 如何集成

3.1 架构总览

┌──────────────────────────────────────────────────┐
│                    小程序 / App / Web               │
└──────────────────────┬───────────────────────────┘
                       │
┌──────────────────────▼───────────────────────────┐
│                  API Gateway (Spring Boot)         │
│  /api/v1/ai/chat  /api/v1/ai/match  /api/v1/ai/* │
└──────────────────────┬───────────────────────────┘
                       │
        ┌──────────────┼──────────────┐
        ▼              ▼              ▼
┌───────────┐  ┌───────────┐  ┌───────────┐
│ AI Service │  │ AI Audit   │  │ AI Ops   │
│  对话/匹配  │  │  审核/风控  │  │ 分析/报表  │
└─────┬─────┘  └─────┬─────┘  └─────┬─────┘
      │              │              │
      └──────────────┼──────────────┘
                     ▼
┌──────────────────────────────────────┐
│           LLM Proxy (通用代理层)       │
│  限流 / 缓存 / fallback / 成本控制     │
└──────────────────┬───────────────────┘
                   │
      ┌────────────┼────────────┐
      ▼            ▼            ▼
┌─────────┐ ┌─────────┐ ┌──────────┐
│ DeepSeek │ │ 通义千问  │ │ 本地模型  │
│ (主力)   │ │ (备用)   │ │ (敏感数据) │
└─────────┘ └─────────┘ └──────────┘

3.2 模型选择策略

场景	推荐模型	原因
客服对话	DeepSeek V3 / 通义千问	中文能力强，成本低
意图识别+分类	DeepSeek V3 / Qwen3	结构化输出稳定
审核/风控（含隐私数据）	本地部署 Qwen2.5-7B	数据不出域，满足合规
代码审计	Claude Opus 4.6	代码理解能力最强
数据分析/NL2SQL	DeepSeek V3	逻辑推理强
文本生成（推广文案）	DeepSeek / 通义千问	创意写作能力好

3.3 关键设计原则

原则	说明
AI 辅助，不替代	所有 AI 决策都可追溯、可覆盖。退款审核 AI 预审但人工确认；匹配建议 AI 打分但调度员拍板
敏感数据不出域	涉及用户隐私（手机号、身份证、医疗信息）的流程走本地模型或脱敏后再调用云端 API
全链路可观测	每次 AI 调用的输入/输出/耗时/成本全记录，支持审计回溯
灰度上线	每个 AI 能力先覆盖 20% 流量 → 验证效果 → 逐步扩大
成本可控	LLM Proxy 层统一缓存相同问题、限流、降级（高峰期回退到规则引擎）

四、实施优先级与 ROI

优先级矩阵：

                    高影响
                      │
      智能客服(2周)    │    智能调度(4周)
      智能审核(3周)    │    智能安全(持续)
                      │
   ───────────────────┼────────────────────
                      │
      智能推广(4周)    │    智能运营(6周)
                      │
                    低影响
    
    横轴：实现难度（左=易，右=难）

阶段	时间	AI 能力	投入	预期效果
Phase 1	第 1~2 周	智能客服（FAQ 问答 + 订单查询）	1 人	客服工作量减少 60%
Phase 2	第 3~5 周	智能审核（认证 OCR + 内容审核）	1 人	审核效率 5×，错误率降低
Phase 3	第 6~9 周	智能调度（匹配打分 + 异常预警）	1.5 人	匹配效率 3×，投诉率降低
Phase 4	第 10~14 周	智能运营（数据问答 + 舆情监控）	1.5 人	决策速度 5×
Phase 5	持续	智能安全（代码审计 + 行为风控）	1 人	安全事件减少 80%+

五、成本估算

项目	月度成本	说明
DeepSeek API (客服+调度+审核)	2,000~5,000 元	国产模型 1 元/百万 token
本地模型服务器 (Qwen2.5-7B)	500~1,000 元	腾讯云 GPU 实例或共享
LLM Proxy 缓存	节省 30~50% API 费用	相同问题不重复调用
月度总计	~~3,000~~8,000 元	远低于一个人工客服工资

对比：一个客服专员月薪 5,000~8,000 元 + 社保。AI 客服 24 小时在线，成本仅为其 1/10。

六、风险与边界

风险	应对
AI 幻觉	客服回答强制引用知识库来源，不确定时说"建议联系人工客服"而非瞎编
医疗建议风险	AI 严禁给出医疗建议，检测到医疗问题时统一回复"请咨询医生"
数据合规	医疗健康数据不传云端 AI，仅本地模型处理；对话数据加密存储
过度依赖	所有 AI 决策保留人工确认环节，关键操作（退款、结算）AI 只做预审
用户抵触	客服场景始终提供"转人工"入口，AI 是加速器不是替代品

七、演进路线图（汇总）

2026 Q3-Q4         2027 Q1          2027 Q2-Q3         2027 Q4+
─────────         ─────────        ───────────        ─────────
多角色系统上线     AI 客服上线       AI 调度+审核       AI 运营+安全
                                                    
安全整改           FAQ 自动应答      智能匹配评分        自然语言查数据
数据库改造         订单自助查询      认证 OCR 审核       异常行为风控
后端服务           意图识别分流      内容合规检测        AI 代码审计
管理后台           知识库 RAG        AI 生成推广文案     竞品监控
小程序多角色                                              月度自动报告
Android 多角色

┌────────────┐   ┌────────────┐   ┌────────────┐   ┌────────────┐
│ 平台化     │ → │ 智能化      │ → │ 自动化      │ → │ 预测化     │
│ (多角色)   │   │ (AI 辅助)   │   │ (AI 决策)   │   │ (AI 预判)  │
│ 竞争力 4/5 │   │ 竞争力 4.5/5│   │ 竞争力 4.8/5│   │ 竞争力 5/5 │
└────────────┘   └────────────┘   └────────────┘   └────────────┘

八、终局思考：陪诊平台的 AI Native 形态

当 AI 渗透到每个角色后，平台的终极形态是什么？

患者的日常：
  "帮我找一个明天上午去协和医院心内科的陪诊师"
  → AI 理解意图 → 自动匹配 → 生成订单 → 推荐最优陪诊师
  → 患者确认 → 支付 → AI 推送行程提醒 → 服务后 AI 回访评价

陪诊师的日常：
  AI 助手说："明天有 3 个订单匹配到你：协和心内科(9:00)、天坛神内(14:00)、社区取药(16:30)"
  → 路线已规划，预计通勤 35 分钟
  → 协和的王阿姨是第三次服务，她偏好普通话好、有耐心的陪诊师（所以你被优先匹配）

运营经理的日常：
  打开看板 → AI 已经生成了今早的简报：
  "昨日订单 128 单(+12%)，退款 3 单(正常范围)
   异常预警：朝阳区 3 位陪诊师连续 3 天未接单，建议跟进
   机会提示：海淀区周末订单量上涨 30%，建议增加该区域推广投入"

客服专员的日常：
  AI 已处理了 80% 的咨询
  你只需要处理 5 个需要人工判断的工单：
  - 工单 #3421：退款争议（AI 已整理双方陈述和订单详情，你只需判断）
  - 工单 #3427：服务投诉（AI 已标记为高风险，患者情绪激烈）

终局竞争力：5/5

从"工具"→"平台"→"智能平台"→"预测型平台"，每一步都是壁垒的叠加：

阶段	壁垒	可复制性
1. 功能可用	代码	容易
2. 多角色生态	利益网络	难
3. AI 智能	数据+模型+业务理解	很难
4. 预测决策	数据飞轮（越多数据→越准→越多用户→越多数据）	几乎不可复制

核心观点：AI 不是锦上添花，而是"智能化"这个维度从 0 到 1 的补齐。多角色系统解决了"谁来做"，AI 解决的是"做得更快、更准、更安全"。两者叠加，平台从能用变成好用，从好用变成不可替代。

16 KiB Raw Permalink Blame History Unescape Escape