零担专线多智能体配载系统 | FDE企业级驻场+装载率优化

零担物流的钱，绝大部分是被“空着的车厢”吃掉的。一趟从杭州发往成都的17.5米挂车，装载率只有68%，剩下32%的容积就是纯亏损——油费照烧、路桥费照交、司机工资照发，却拉不回一分钱运费。而装载率这件事，恰恰是老师傅经验最难覆盖、传统TMS最难算清、人工调度最难兼顾的一环——而这正是零担专线多智能体配载系统要解决的核心问题。本文要讲的零担专线多智能体配载系统，是用多个AI智能体分别承担货源归集、量方预估、三维装载求解与线路串点，在秒级内输出可执行配载方案的工程体系；它以FDE企业级驻场方式交付，以装载率提升作为核心对赌指标，最终把源码与模型完整交到企业手里。

一、为什么零担专线多智能体配载系统成为企业数智化必选项

1.1一条专线的成本账：装载率每提升1个点值多少

先把账算清楚，才有讨论的必要。以一条典型的华东到西南专线为例，单边里程约1900公里，使用17.5米平板挂车：

• 单趟固定成本：油费约5200元、路桥费约3800元、司机工资及补助约2600元、车辆折旧与保险摊销约2100元、两端装卸与短驳约1800元，合计约15500元。
• 单趟可变收入：零担按“元/方”或“元/吨”计费，取泡比1:300（即1立方米折算333公斤），17.5米挂车实际可用容积约130立方米、载重上限约32吨。

如果装载率是68%（体积口径），实际装载约88方，按该线路均价180元/方计，单趟收入约15840元，毛利仅340元——几乎是白跑。如果装载率提升到82%，装载约107方，收入约19260元，毛利升至3760元。装载率提升14个百分点，单趟毛利从340元变成3760元，放大了10倍以上。

这就是零担行业最残酷也最诱人的地方：固定成本刚性，收入的边际弹性极大。装载率从65%到85%，不是“提升20个点”这么温和的说法，而是“从亏本到赚钱”的生死线。

1.2为什么“老师傅+Excel”撑不住了

绝大多数零担专线的配载，至今仍由一位或几位调度老师在Excel或TMS里手工完成。这套方式在小规模时有效，但有三个无法克服的结构性问题：

第一，人脑无法做三维组合优化。 配载本质上是一个带约束的三维装箱问题（3D Bin Packing Problem），属于NP-hard。当待装货物超过50票、尺寸各不相同、还要同时满足“重不压轻、大不压小、易碎品单放、化工品隔离、堆码层数限制、后卸先装”等十几类约束时，人脑只能给出“差不多能用”的可行解，而可行解与最优解之间的差距，通常在8到15个百分点。

第二，经验不可复制、不可留存。 一位干了15年的配载老师傅，脑子里装着本线路几百家常客的货物特性：某家发的是泡货但会虚报尺寸、某家的纸箱不能堆超过3层、某家的托盘是1.1米×1.1米非标。这些知识极其宝贵，但全在个人身上。他休假一天，装载率可能掉5个点；他离职，这条线的配载能力直接归零。

第三，决策速度跟不上货源波动。 零担揽货是滚动的，上午10点和下午4点的货源结构完全不同。人工配载通常一天做1到2版方案，而一趟车在发车前6小时仍在揽货。人工根本来不及在每次货源变动后重新求解，只能“装到哪算哪”。

1.3从“经验配载”到“智能体协同求解”

零担专线多智能体配载系统的核心思路是：把配载这个复合决策，拆成几个职责清晰、可独立迭代、又能协同博弈的AI智能体，让机器承担组合爆炸的部分，让人承担判断与异常处理的部分。

具体来说，系统不是一个“大模型输入货物清单输出配载图”的黑盒，而是由货源智能体负责归集与清洗待配货物、量方智能体负责把“客户申报尺寸”修正为“可信尺寸”、装载求解智能体负责在约束下求解三维摆放、线路智能体负责串点与车型选择、成本对账智能体负责核算每趟盈亏。这些智能体共享一个“待配货物状态池”，通过迭代式求解逼近全局最优。

而FDE企业级驻场的价值在于：配载约束里最要命的那些——哪个客户会虚报、哪条线的回程货什么时候到、哪种货物在本企业的装卸习惯下不能叠——全部写在现场，不写在论文里。不驻场，就永远只能得到一个“理论上最优、现场上不可用”的方案。

二、零担专线多智能体配载系统到底是什么（定义与能力边界）

2.1一个工程化的定义

零担专线多智能体配载系统，是一套面向零担专线企业的Multi-Agent决策系统，它通过对货源结构、货物真实体积重量、车辆资源、线路成本与装卸规则的持续感知，自动生成三维装载方案、车型选型方案与串点顺序方案，并在可解释、可干预、可回滚的治理框架下，对体积装载率、重泡配比、单趟毛利与异常破损率负责。

这里有三个容易被误读的点需要澄清：

• 它不是自动装卸机器人。 系统输出的是“第几票货放在车厢的哪个坐标、朝哪个方向、堆几层”，执行仍由叉车司机与装卸工完成。输出形式通常是可视化的配载图+分步装卸清单+司机端可查看的三维示意图。
• 它不是单纯的“体积计算器”。 计算体积只是第一步，真正的难点是在十几类约束下求近似最优的摆放。
• 它不是替代调度员。 系统给出建议方案与若干备选方案，调度员做最终确认与人工微调。我们的目标是让调度员从“手工排”变成“审方案”。

2.2系统由哪几个智能体组成

标准交付版本包含六个智能体，中小企业可按需裁剪。

货源智能体。 负责从TMS、订单系统、微信群报价记录、Excel报表中归集待配货物，输出结构化的待配清单。这个智能体的难点在于“非结构化数据源”——大量中小专线企业的货源信息是在微信里以“杭州到成都，8方，1.2吨，家电”这种自然语言存在的。我们通常用LLM做结构化抽取，再用规则校验（例如“家电”类货物的密度经验区间）做异常提示。

量方智能体。 这是ROI最高的一个环节。客户申报尺寸普遍存在虚报，行业经验是申报体积与实际体积的平均偏差在7%到15%之间，泡货尤为严重。量方智能体有两种实现路径：一是接入硬件（激光量方设备、视觉量方相机、地磅），在货物入库时自动采集真实长宽高与重量；二是基于历史数据训练修正模型，用“客户历史申报偏差+品类偏差+包装类型”预测真实值。前者精度高（误差可控制在2%以内），后者成本低。两者可以混合：重点客户上硬件，长尾客户上模型。

装载求解智能体。 系统的计算核心。输入是待配货物清单（每票的长宽高、重量、品类、堆码限制、可否倒置、禁混规则、装卸顺序）与车型参数（内尺寸、载重、轴重限制、车门位置），输出是每个货物的摆放坐标与朝向。算法上通常采用“启发式构造+局部搜索+可选强化学习策略”的组合：先用启发式（如极值点法、层构建法）快速生成可行解，再用模拟退火或大规模邻域搜索改进，最后用训练好的策略网络在多条候选里做选择。求解时间要求通常在10到60秒内，因为调度员需要交互试算。

线路与车型智能体。 负责回答“这趟用什么车、要不要串点、串几个点、按什么顺序”。当一条专线的货量不足以装满一辆大车时，是等货还是发小车、是直发还是中转、是从A点串B点再上高速，这些决策直接影响单趟成本。这个智能体本质上求解的是带时间窗的车辆路径问题（VRPTW）与车型选择的联合优化。

成本对账智能体。 负责在配载方案生成后立刻算出这一趟的预估收入（按各票的计费重量×单价）、预估成本（油、路桥、人工、折旧、装卸、异常预备金）与预估毛利。这一步极其重要——它让调度员在装车前就知道这趟赚不赚，而不是月底财务出报表才知道。

异常监控智能体。 负责在运行中发现与配载相关的异常：装车实际体积与方案偏差超过阈值、破损率异常上升、某个客户的申报偏差持续恶化（提示需要重新量方或调整报价）、回程货与去程货的重量失衡（提示轴重风险）。

2.3能力边界：能做什么，不能做什么

边界的一句话总结：零担专线多智能体配载系统优化的是“在给定的货源、车型与线路条件下，把车装得更满、更稳、更赚钱”，它不能凭空创造货源，也不能改变车厢的物理限制。 因此，如果一条专线的货源本身严重不足（日均货量长期低于车辆容积的50%），首要任务是揽货与线路整合，而不是上配载系统。这一点我们在需求诊断阶段会如实告知。

三、FDE企业级驻场合作流程

FDE（Forward Deployed Engineer，驻场交付工程师）企业级驻场模式，与我们面向中小项目的轻量驻场不同，它强调三点：更长的现场周期、更深的组织嵌入、更完整的源码与能力移交。标准流程分为五个阶段，总周期通常为12至16周。

3.1需求诊断（第1至3周）

目标：把“装载率上不去”这个模糊诉求，拆解成可量化、可归因、可对赌的具体问题。

关键动作：

• 数据盘点。拉取近6至12个月的全部运单明细，字段至少包含：发货客户、品名、申报件数/长宽高/重量、实际量方数据（如有）、计费重量、单价、车牌车型、司机、发车与到达时间、装卸点、异常记录（破损、拒装、超载）。如果没有历史量方数据，这是第一个要补的缺口。
• 装载率真相还原。这一步最容易出问题。很多企业自报的“装载率90%+”其实是“车辆看起来装满了”的主观判断。我们会用两种口径交叉验证：体积装载率（装载体积/车厢容积）与重量装载率（装载重量/核定载重），并计算“双达标率”——即体积与重量同时超过80%的车次占比。行业实测中，双达标率往往只有30%到45%，远低于企业自报水平。
• 现场跟车与跟装。驻场工程师会随车跟至少3至5趟完整运输，并在装卸现场蹲点至少10个工作日。目的不是作秀，而是记录那些“不上系统”的约束：某客户的托盘只能横放、某装卸平台高度限制导致大件只能从侧面进、司机习惯性留出30厘米的通道。
• 基线锁定。约定过去8周或12周的滚动均值作为对赌基线，明确剔除口径（如双十一、春节停运前后两周）。

交付物：《装载现状诊断报告》（含双达标率分析、损失车次Top清单）、《配载约束清单》、《对赌基线确认单》。

为什么这一步要3周而不是3天：零担专线的约束是“长在业务里的”，跟车与跟装省不掉。我们见过太多项目因为跳过这一步，上线后被装卸班组一句“你这方案我们装不了”直接否掉。

3.2方案设计（第4至5周）

目标：确定智能体拆分、技术架构、集成方式与对赌结算公式，并通过客户技术评审。

关键动作：

• 确定智能体裁剪方案。对于年营收5亿以上的企业，建议上全量六个智能体；对于年营收1至5亿的企业，建议先上“量方+装载求解+成本对账”三个核心智能体，跑通后再补。
• 确定集成架构。标准做法是部署在企业内网或专有云，通过API与现有TMS对接，读取待配货源、回写配载方案与成本预估。对于TMS老旧、接口不开放的企业，提供“旁路模式”：以独立Web应用形式运行，调度员在TMS外操作，通过Excel或中间库交换数据。
• 确定量方硬件方案。如果选择上硬件，需要在方案中明确设备选型（激光量方门架/手持量方设备/视觉量方相机）、安装位置（入库口、分拣线）、与系统的对接协议。
• 设计对赌结算公式。主指标通常是“体积装载率”或“双达标率”，辅指标可包括单趟毛利、破损率。我们建议采用“基础服务费+装载率提升分成”的结构，并把“提升”定义为相对基线的绝对百分点提升，避免“百分比的百分比”这种歧义。

交付物：《技术架构设计书》《智能体职责矩阵》《量方硬件方案》《效果对赌协议附件》。

3.3驻场开发（第6至12周）

目标：在客户现场完成开发、联调、试运行，并让调度班组真正用起来。

关键动作：

• 驻场团队规模通常4至6人：FDE负责人1名、算法工程师1至2名、后端工程师1至2名、实施顾问1名。办公地点在客户调度中心或仓库现场，而非远程。
• 采用双周迭代，共3至4个迭代。迭代一交付“量方+可视化”，先让调度员看到真实体积与申报体积的差异——这一步往往就能带来3至5个点的装载率提升，因为虚报被修正后，配载输入变准确了。迭代二交付三维装载求解与配载图。迭代三交付车型串点与成本对账。迭代四补齐异常处理、权限与审计。
• 并行试验：在开发期间同步开展“影子运行”——系统每天输出配载方案，但不强制使用，由调度员按人工方案执行，事后对比两套方案的装载率。这既是验证，也是建立信任的过程。
• 现场培训从迭代二就开始，让调度员每天用系统做一次试算并提出修改意见。上线时他们已经是熟练用户，而不是被动接受者。

交付物：可运行系统、配载图可视化模块、技术文档、运维手册、培训记录。

3.4效果对赌（第11至16周）

目标：用可复核的方式证明装载率提升，并结算。

关键动作：

• 进入正式运行期，通常采用“分线路交替”的准实验设计：同一条专线在不同发车日交替使用系统方案与人工方案（switchback），以消除线路间差异带来的偏差。
• 每周出具归因报告：核心指标（体积装载率、双达标率）、辅指标（单趟毛利、破损率）、护栏指标（发车准点率、装卸时长、客户投诉率）。
• 达标则按协议结算效果部分；未达标按分档处理（与共享出行项目一致的三档机制）。
• 特别提示：装载率的统计必须基于“实际装车后的复核数据”，而不是系统方案的预估数据。我们通常要求客户在装车完成后拍一张车厢照片或用量方设备复核，作为结算依据。

交付物：《周度归因报告》《效果对赌结算单》。

3.5源码交付（第12至16周收口）

目标：让客户完整拥有这套系统，包括再训练与再开发的能力。

关键动作：

• 交付全部源码、模型权重、特征定义、训练脚本、部署脚本（Docker Compose与K8s Helm Chart两种形态）。
• 交付《约束配置手册》：把配载约束（重不压轻规则、堆码规则、禁混矩阵、品类参数）做成可配置的表，让客户业务人员自己就能改，而不是每次改规则都要找我们。这一点极其重要，因为约束是会变的。
• 交付《模型再训练手册》：明确数据回流频率、重训触发条件（如某品类尺寸分布变化超过阈值）、评估指标与回滚步骤。
• 交付知识产权文件与不少于3个月的免费答疑期。

为什么源码交付是FDE模式的试金石：如果供应商不愿意交付源码，说明它卖的是锁定而非能力。我们在https://www.semkw.com/公开的FDE交付标准里，源码交付是不可协商的底线条款。

四、行业落地案例

4.1案例A：华东某区域性零担网络，日均发车260车次

企业背景。 该企业在长三角与珠三角之间经营12条专线，自有车辆90台、合同车170台，日均发车约260车次，年营收约9亿元。客户以中小制造企业为主，货物结构复杂：五金件、汽配、家纺、小家电、塑料制品混杂，泡重比差异巨大。

痛点。 三条主线：一是装载率波动极大，同一条线不同日期的体积装载率在58%到88%之间跳，均值71%；二是客户申报尺寸虚报严重，装车时常出现“按申报排好了，实际装不下”的情况，导致临时甩货，平均每趟甩货1.7票；三是破损赔付成本高，年破损赔付约430万元，其中挤压类占六成。

诊断发现。 通过跟车跟装，我们发现三个关键问题：第一，调度员在配载时几乎不看重量分布，只看“能不能塞进去”，导致重心偏移与底层重压，是破损的主因；第二，申报尺寸虚报主要集中在三类客户（家纺、塑料制品、泡沫包装件），平均虚报幅度18%；第三，车辆选型僵化，12条线中有5条线长期固定使用13米车，即使货量只有90方也不换小车，因为“换车要重新报备，麻烦”。

方案。 部署全量六个智能体。量方采用混合方案：在三大主要收货口安装激光量方门架（覆盖约60%货量），长尾客户用历史偏差模型修正。装载求解智能体配置了23条硬约束与11条软约束，硬约束包括轴重上限、重不压轻、化工品隔离、堆码层数上限、后卸先装（LIFO）；软约束包括重心尽量居中、重货优先底层、同客户货物尽量集中（便于点数交接）。同时上线成本对账智能体，让调度员在发车前看到预估毛利。

过程与结果。 项目周期15周，驻场9周。前三周的值得注意：光是量方数据修正这一项，就让“配载输入准确率”从82%提升到97%，装载率直接提升了3.4个百分点——这部分收益在装载求解上线前就已经兑现。正式运行8周后的结果：

• 体积装载率从71.0%提升至83.6%，提升12.6个百分点；
• 双达标率（体积与重量同时超80%）从34%提升至61%；
• 平均单趟甩货从1.7票降至0.3票；
• 挤压类破损赔付年化下降约210万元（降幅约49%）；
• 按260车次/日、年运营330天计算，装载率提升带来的年化毛利增量约2800万元。

关键经验。 该项目最大的阻力不在技术，而在装卸班组。第一版配载图被工人评价为“花里胡哨，找货找不到”。我们随后调整了输出形式：把三维图改成“按装卸顺序的分步清单+每一层一张平面示意图”，并让工人参与设计看板样式。改动后执行率从40%提升到92%。这再次说明，FDE驻场的意义在于把方案磨成现场能用的样子。

4.2案例B：西南某专线联盟（7家企业共用平台），共享配载

背景与痛点。 7家中小专线企业组成一个联盟，各自有3至12台车，线路高度重叠（昆明、贵阳、重庆方向）。联盟希望做“共享配载”：把各家凑不满车的货拼在一起，提高整体装载率。但尝试了两年都没做成，原因是担心客户资源外流——谁都不想让别家看到自己的客户名单与价格。

方案要点。 这个案例中，AI智能体的设计重点从“算得快”转向“算得安全”。我们做了三件事：

• 隐私保护的货源归集：各企业只上传“脱敏后的货物特征”（尺寸、重量、品类编码、目的地区县、可接受的拼车时间窗），不上传客户名称与价格。用一个中心化的拼货智能体做匹配，匹配成功后再由双方线下确认。
• 收益分配智能体：拼车后如何分运费是联盟最关心的问题。我们设计了基于Shapley值近似算法的分配方案，按各方贡献的“货物体积×里程×稀缺度”计算分配权重，规则公开可查。
• 串点优化：拼车必然带来多点装卸，串点顺序由线路智能体求解，约束包括各企业的装卸时间窗、场地限制、司机工时。

过程与结果。 项目周期13周，驻场7周（分别在3家主要企业轮驻）。上线后6个月的结果：参与拼货的车次占比从0提升至37%；整体体积装载率从66%提升至79%；参与企业的平均单趟成本下降14%；联盟新增的成员间结算纠纷为0（因为分配规则透明且自动化）。

可复制的经验。 这个案例说明，零担专线多智能体配载系统的价值不止于“装得更满”，还可以是组织间的协同基础设施。当技术解决了信任与分配两个问题，原本做不成的合作就能做成。

4.3案例C：某家电品牌区域仓的干线发运优化

背景。 某家电品牌在华中设区域仓，向12个地级市经销商发运，以整车直发为主、零担补货为辅。痛点是淡旺季波动剧烈（旺季货量是淡季的2.4倍），车型计划完全靠调度员经验，旺季爆仓、淡季空驶。

方案。 部署线路与车型智能体+装载求解智能体，重点做“车型组合规划”：提前7天预测各方向货量，给出每日车型需求计划（几台17.5米、几台9.6米、几台4.2米），并与承运商预约。

结果。 旺季临时调车成本下降38%（提前预约价格显著低于临时找车）；淡季车辆平均装载率从61%提升至76%；因车型不匹配导致的二次转运次数下降71%。该案例的启示是：配载优化的上游是车型计划，把计划提前7天做出来，比临发车前拼命塞车更有效。

五、零担专线多智能体配载系统方案对比

5.1三种路径全景对比

5.2三条路径的优缺点深拆

FDE企业级驻场的优点：

• 风险共担。供应商的收入与装载率提升挂钩，甲乙双方目标一致。
• 约束适配。零担配载的成败几乎全在约束细节上，只有驻场才能把这些细节挖出来。
• 见效快。第3周量方修正就能见效，这对建立内部信心非常关键——很多数字化项目死于“半年看不到效果”。
• 能力移交。源码交付+约束配置手册，客户能自己改规则。

FDE企业级驻场的缺点：

• 门槛高。企业需要有基本的数据基础（至少6个月可导出的运单明细）和管理层推动力，否则驻场也推不动。
• 组织摩擦。配载优化会触及调度员的既得利益与工作习惯，需要一把手支持。
• 单价高于纯人力外包。虽然总额通常低于自建失败的成本，但前期账面数字更大。

传统外包/买断软件的优点：启动成本低、采购流程简单、适合标准化程度高的场景。

传统外包/买断软件的缺点：成品软件的配载模块通常是“体积计算器+简单堆叠”，无法处理“重不压轻+LIFO+禁混+托盘非标”的组合约束；人力外包则面临激励错位——按人月计费，做得越快赚得越少。更关键的是，这两种方式都不对装载率负责，风险100%在企业自己身上。

企业自建的优点：能力完全内化，长期边际成本低，可与企业的TMS、WMS、财务系统深度打通，形成独特竞争力。

企业自建的缺点：人才稀缺。三维装箱求解+运筹优化+物流业务的复合人才，市场上极少；试错周期长，第一个版本很可能因为约束理解不到位而被现场否决；缺乏外部基准，容易陷入自我循环。

5.3决策建议：一张判断表

需要强调的是：如果企业连历史运单的体积数据都没有（只有件数和重量），第一步永远是补量方，而不是上求解器。 输入不准，输出再漂亮也是错的。这一点我们会在第一次沟通时就讲清楚。

六、常见落地误区

6.1误区一：只看体积装载率，忽略重泡平衡

很多企业追求“装满”，结果车厢塞得满满当当，但重量远低于核定载重——这是典型的“装满但没装够”。反过来，重货为主的线路则常常体积还有一半空着，重量已经超了。

正确做法：同时监控体积装载率与重量装载率，并把“双达标率”作为核心对赌指标。真正的高质量配载，是让体积与重量同时逼近上限，这需要在货源归集阶段就做重泡搭配——比如主动揽一些重货来配泡货。

6.2误区二：把配载当成纯算法问题，忽略量方数据质量

这是最高频的失败原因。客户申报尺寸的虚报率在7%到15%，如果直接拿申报数据去求解，得到的方案在装车时必然装不下，调度员试两次就会放弃系统。

正确做法：量方先行。哪怕预算有限，也应至少在主力收货口上1台量方设备，或者用历史偏差模型做修正。经验法则：配载系统的收益中，有三分之一来自量方修正，三分之一来自求解优化，三分之一来自组织执行。

6.3误区三：约束梳理不充分，方案“装不了”

系统的硬约束如果漏掉了现场规则，输出的方案再优也无法执行。常见的遗漏包括：托盘非标尺寸、车厢内有固定隔断或立柱、某些客户的货物必须最后一装（因为要在第一个卸货点卸）、司机习惯留出的通道、装车平台的高度限制。

正确做法：约束清单必须由驻场工程师与装卸班长、司机、调度员三方共同签字确认，并做成可配置表。上线后每出现一次“装不了”，就要回溯是一条什么约束没覆盖，补进清单。

6.4误区四：忽略装卸顺序（LIFO），导致中途倒货

零担一趟车往往要卸3到6个点，装车顺序必须满足“后卸的先装”。如果系统只优化空间利用率而忽略顺序，卸第一个点时可能要把整车的货翻一遍，装卸成本暴涨，破损率也会上升。

正确做法：把卸货顺序作为硬约束输入求解器，或者在目标函数中加入“倒货惩罚项”。宁可牺牲2到3个点的装载率，也要保证不倒货——因为倒一次货的成本远超这点收益。

6.5误区五：上线即结束，没有持续校准机制

货物结构会变（新增一个大客户，全是泡货），车型会变（换了新挂车，内尺寸不同），成本参数会变（油价、路桥费调整）。一个在2025年调好的系统，到2026年可能已经偏离最优。

正确做法：建立季度校准机制——每季度重新核对车型参数、成本参数、品类密度经验值、客户申报偏差；每月核查配载方案与实际装车结果的偏差率，偏差率持续超过5%时触发排查。

6.6误区六：把装载率提升的全部功劳归于系统，忽略人的改变

反过来也有另一种偏差：管理层看到装载率提升，就认为“系统真厉害”，忽略了同期调度员工作方式的改变。这会导致后续评估失真，也会让一线团队觉得功劳被抢。

正确做法：在归因报告里明确区分“系统贡献”与“运营改进贡献”；在激励设计上，把装载率提升的一部分收益直接反哺给调度与装卸班组。让一线从优化中受益，是系统能长期跑下去的真正前提。

七、常见问题FAQ

Q1：零担专线多智能体配载系统从签约到见效需要多久？

标准周期12至16周。但可以分段见效：第3至4周量方修正上线后，通常就能带来3至5个百分点的装载率提升（因为输入变准了）；第8周左右三维求解上线并进入影子运行；第11至12周进入正式对赌期。如果企业数据基础薄弱（历史数据不足3个月、TMS无法导出明细），需要额外2至4周做数据治理。

Q2：我们没有量方硬件，能不能只靠模型？

可以，但要理解代价。纯模型方案基于“客户历史申报偏差+品类密度经验值”预测真实体积，误差通常在5%到10%，而硬件方案可以做到2%以内。我们的建议是分层：对贡献80%货量的Top20客户上硬件（1至2台设备，投入5万至20万），长尾客户用模型。这样总投入可控，整体精度接近全硬件方案。

Q3：系统的配载方案会不会比老师傅差？

在“纯空间利用率”这个维度上，系统几乎一定不差于人——因为人脑做不了几十票货物的三维组合搜索。但在“异常判断”上，老师傅更强：比如这票货看起来是纸箱，但里面其实是液体，不能倒置。我们的做法是人机协同：系统出方案，老师傅审核并可一键微调，微调后的结果回流为训练样本。实测中，老师傅在系统方案基础上平均还能再优化0.5到1.5个百分点（主要来自对个别异常件的手工处理），而系统相对纯人工方案的提升是10个百分点以上。

Q4：装载率提升的对赌怎么保证不作弊？

三个机制：第一，统计口径基于实际装车后的复核数据（量方设备数据或装车照片人工抽检），而不是系统预估数据；第二，采用分线路交替（switchback）的准实验设计，同一条线不同日期交替使用新旧方案，消除线路差异；第三，设置护栏指标（发车准点率、破损率、甩货率、客户投诉率），任一护栏指标劣化则当期不计入提升。所有原始数据客户可随时自行复核，我们只提供计算方法与代码。

Q5：我们的货物很特殊（异形件、超长件、危险品），系统能处理吗？

异形件（如管道、型材、异形设备）的处理方式是“外包络+可拼接规则”：把异形件按最小外包长方体建模，并标注可否嵌套、可否侧放。对于可嵌套的（如管件），系统会尝试套叠优化。超长件（超过车厢长度）通常需要特殊车型或方案，系统会直接标记为不可配并提示。危险品（尤其危化品）属于强监管领域，我们的通用配载系统会将其作为禁混规则处理，但如果企业主营危化品运输，建议走专门的合规方案，而不是用通用系统。

Q6：与现有TMS怎么对接？我们TMS是十年前的老系统。

三种方式，按可行性排序：一是API直连（最优，前提是TMS有开放接口或厂商愿意配合）；二是数据库中间表（在TMS数据库中建视图或中间表，系统定时读取）；三是Excel/CSV导入导出（最土但最通用）。我们实施过的项目里，约40%采用方式二，30%采用方式一，30%采用方式三。老系统不是障碍，只要能导出明细数据就能开工。

Q7：源码交付后，我们自己改得动吗？

这是设计时就考虑的问题。我们把系统分成“引擎层”和“配置层”：引擎层（求解器、模型、框架）是代码，需要开发能力；配置层（约束规则、品类参数、车型参数、客户偏差表）是可视化表格，业务人员就能改。日常80%的调整都在配置层完成，不需要写代码。 交付时我们会做一次实操考核，要求客户团队独立完成一次约束修改和一次模型重训，考核通过才算交付完成。

Q8：我们能先做一条线路的试点吗？

非常推荐这样做。我们的标准建议就是“单线试点”：选一条货量中等、数据完整、调度员配合度高的线路，用12至14周跑通，验证装载率提升幅度。如果试点达标，再复制到其他线路——复制的边际成本会显著下降（求解器与框架复用，只需重新梳理约束），通常在每线2至3周。如果试点不达标，企业也只损失一条线的投入，风险可控。

八、效果衡量与验收指标

8.1三层指标体系

第一层：北极星指标（对赌对象，1至2个）

• 体积装载率（实际装载体积/车厢可用容积），或
• 双达标率（体积装载率≥80%且重量装载率≥80%的车次占比）

我们更推荐用双达标率，因为它同时约束了重泡平衡，避免“装满但没装够”。

第二层：过程指标（诊断用，6至8个）

• 配载输入准确率（量方后准确票数/总票数），目标≥95%
• 方案可执行率（装车时无需临时调整的票数占比），目标≥90%
• 求解耗时（P95），要求<60秒
• 方案体积利用率（系统方案体积/理论上限体积）
• 甩货率（因装不下被临时甩下的票数/总票数）
• 倒货次数（卸货时需要翻动其他货物的次数）
• 车型匹配度（实际使用车型与系统推荐车型的一致率）

第三层：护栏指标（一票否决，4至6个）

• 发车准点率（不得低于基线）
• 装卸时长（不得显著增加，通常设定+15%为上限）
• 破损率（必须下降或持平）
• 客户投诉率
• 司机工时与超载违规次数（必须为0容忍项）

8.2基线设定与归因方法

基线设定的四条规则：

1. 采用过去8至12周的滚动均值，覆盖完整的周内波动与月度波动。
2. 剔除异常期：电商大促（双十一、618）前后两周、春节停运前后两周、极端天气导致的停运日。
3. 分线路设定基线。不同线路的货物结构差异巨大，用全网均值做基线会掩盖问题，也会让对赌失真。
4. 明确“实际装车数据”的采集方式：量方设备自动采集，或人工抽检（每车次至少抽检10票，且抽检随机）。

归因方法：

• 分线路交替实验（switchback，首选）：同一条线路在不同发车日交替使用系统方案与人工方案，随机化单元是“车次”。这种方法能消除线路间差异，是零担场景最实用的实验设计。
• 历史对照法（补充）：当企业不接受交替（比如担心影响客户）时，用历史同期数据做对照，并用DID剔除大盘波动。
• 样本量要求：每条线路至少积累20个使用系统方案的车次与20个对照车次，才能做基础的显著性检验；理想的样本量是各50车次以上。

统计要求：核心指标提升需达到95%统计显著性；对于提升幅度小于2个百分点的情形，我们在报告中会标注“不显著，不纳入结算”。

8.3验收清单

8.4上线后的运营节奏

• 日粒度：每车次装载率、甩货率、方案采纳率看板；未采纳方案必须填写原因（这些原因是系统迭代的最佳输入）。
• 周粒度：分线路装载率趋势、护栏指标、异常清单。
• 月粒度：客户申报偏差Top榜（提示商务部门调整报价或重签协议）、品类密度参数校准。
• 季度粒度：全量重训、车型参数核对、成本参数更新、约束清单复盘。

九、结语与行动建议

零担物流是一个毛利率常年被压在个位数、靠“抠”出来的行业。在这样一个行业里，装载率不是一项“技术优化”，而是商业模式本身的一部分：同样一趟车，装65%和装85%，是亏损与盈利的区别，也是两年后还在不在牌桌上的区别。

零担专线多智能体配载系统的价值，在于它把原本依赖个人经验、不可复制、不可量化、不可传承的配载决策，变成了一套可计算、可验证、可交接、可持续演进的工程能力。而FDE企业级驻场的价值，在于它承认了一个事实：这套能力不可能靠远程交付完成——几十条业务约束、装卸班组的习惯、司机的偏好、客户的申报套路，全在现场，必须有人蹲在那里把它们一条条挖出来、编进系统、再磨成现场愿意用的样子。

如果你正在评估这件事，我们建议按下面五步启动：

第一步，先测真实的装载率。 不要相信任何“感觉装满了”的判断。随机抽取近30个车次，用量方数据或人工实测计算体积装载率与重量装载率，算出双达标率。这个数字很可能比你想象的低10到15个百分点。

第二步，测申报偏差。 随机抽200票，对比申报尺寸与实际尺寸，算出平均偏差与偏差分布。如果偏差超过10%，那么你的第一笔投资应该给量方设备，而不是给算法。

第三步，梳理约束清单。 把装卸班长、司机、调度员叫到一起，把“不能怎么做”的规则全列出来：不能压什么、不能混什么、最多堆几层、哪个客户必须先卸。这份清单就是系统的宪法，也是项目能不能落地的分水岭。

第四步，选一条线做试点。 用12至14周跑通，用交替实验验证。达标再复制，复制成本会大幅下降。

第五步，把源码与配置权写进合同。 明确约定：源码归谁、约束配置谁改、模型怎么重训、答疑期多长。能力接不过来的项目，迟早会变成长期外包。

最后想说的是：配载这件事，真正的瓶颈从来不是“算不算得出来”，而是“算出来的方案有没有人愿意用”。这也是我们坚持驻场、坚持源码交付、坚持把约束做成可配置表的全部理由。技术只是入场券，落地才是胜负手。

完整的FDE交付标准、项目启动Checklist与试点方案模板，可以参考我们在https://www.semkw.com/上公开的方法论资料，或直接带着你的运单明细来找我们做一次免费的装载率诊断。

零担专线多智能体配载系统,AI智能体,FDE模式,装载率优化,三维装箱求解,零担物流数字化,驻场开发,量方技术,重泡配比,干线运输成本控制