1客户嘴上要的
「用 OCR 加大模型,从客户发来的发票、箱单、合同里自动提取信息,生成报关单。」
这是症状或现成方案,不一定是真问题。下面看两种做法。
2照字面做,会怎么烂
做好单证识别和字段提取,提取准确率 97%,制单时间从 40 分钟降到 10 分钟。一个月后,退单和查验没减少,反而有一票货因为商品编码归类错误被要求补税。报关部经理说:「录入错误我们很少犯,难的是归类和申报要素。」
3好 FDE 的实际走法
共 6 周,分 5 个阶段。带三角标记的是这一步最容易踩的坑。
第 1 周看错在哪
- 跟报关部经理、3 个报关员、一个归类专员坐下来,拉过去一年的退单和查验记录,逐条看原因。
- 发现:录入错误只占退单原因的 15%;最多的是申报要素不全或和实际商品不一致(如品牌类型、用途、成分比例),其次是商品编码归类有争议。
- 归类专员一个人负责所有新品归类,是瓶颈;报关员遇到不熟悉的商品,只能等他。
- 真问题不是「录入慢」,是「申报要素和归类判断依赖少数人,出错代价大」。成功标准改为:退单率从 4% 降到 2%;新品归类的等待时间从 1 天降到 2 小时;制单时间作为第二指标。
- 踩坑别承诺「自动报关」。申报的法律责任在收发货人和报关企业,报关员按单位授权操作,系统只能辅助。
第 2 周定范围和知识来源
- 范围:一个主要客户的进口业务,约 800 个常见 SKU,加上新品。
- 知识来源:公司历史申报数据(已通过的商品编码和申报要素)、海关公布的申报要素要求、归类专员积累的归类笔记、过去的归类争议记录。
- 数据安全:客户的商业发票和价格是敏感信息,系统部署在公司内网,不使用会把数据带出公司的外部服务。和客户、公司 IT 确认。
第 3–4 周原型:提取 + 历史匹配 + 要素检查
- 从单证中提取商品信息后,先在历史已通过的申报记录中匹配相同或相似商品,带出商品编码和申报要素。
- 对新品,给出候选编码和理由,附历史相似商品和相关归类依据,由归类专员确认。归类争议大、货值高的新品,建议客户在进口前向海关申请预裁定,系统把历史争议记录整理成申请材料。
- 检查申报要素是否完整,并和单证内容核对(比如成分比例和合同、质检报告是否一致)。
- evals:拿过去一年的 50 票退单和 200 票正常申报回放。标准:50 票退单中,系统能提前发现问题的不少于 35 票;正常申报的误提示每票不超过 1 条。
第 5 周报关员上手
- 3 个报关员用系统处理两周真实业务,归类专员只确认新品。反馈:「客户换了供应商但商品名没变,要提示复核」「要显示这个商品上次被查验的记录」。加上。
- Demo 给报关部经理:两周的退单数、新品归类等待时间、制单时间,由报关员讲。
第 6 周交接交接
- 交给归类专员:维护归类知识库、确认新品归类、每月复盘退单原因。
- 写清楚:系统建议的编码和要素必须由报关员确认后申报,确认记录保存备查。
4这个案例教给你的可复用判断
先看错误和风险在哪里,再决定自动化哪一步。
有法律责任的环节,AI 只做辅助和检查,确认记录要留存。
公司历史上已通过的数据,是最可靠的知识来源。
少数专家是瓶颈时,目标是让专家只处理真正需要判断的事。
你手上也有类似的场景?
说说你所在的行业和想用 AI 做的事,留言会直接送达。觉得这个案例有误、过时,或有更好的做法,也欢迎指出。
物流与供应链的其他案例
内容更新:2026-11-11