滴滴agent
1. 总览
在运营提效和研发值班两个主要方向完成 AI 赋能首轮落地，覆盖 5个场景（3个业务场景+2个研发场景），同等团队规模下，AI 工具将相关场景的核心流程耗时压缩 66%~97%，研发值班预期释放 80% 人力
运营具体场景：
场景一：邮件审批自动化
业务痛点：企业内部存在 15+ 种邮件审批场景（点击跳转，包含账单拆分、酒店协议、延期协议等），存在运营人员手工撰写邮件、人工跟进进度，审批节点延误等问题。
解决方案：AI Agent 接管全流程推进:DC 聊天发起 → 澄清场景协助收集必要信息→ AI 自动写邮件 → 每 5 分钟定时检查公共邮箱 → 自动按角色表推进审批节点 → DC 智能提醒。
| 指标 | 实施前 | 实施后 | 提升 |
|---|---|---|---|
| 流程发起时间 | 10 分钟 | 2 分钟 | ↓80% |
| 审批流转周期 | 24 小时 | 8 小时 | ↓67% |
| 邮件撰写工作量 | 高 | 低 | ↓90% |
场景二：智能报价单生成
业务痛点：制作多城市、多车型报价单需人工逐城市查价、手动抄写，耗时与城市数量正比增长，错误率约 5%。
解决方案：DC 一句话声明所需报价单的城市 → AI 调用后端接口批量取价 → 自动按模板生成 Excel → 返回下载链接。
效果数据：规模化效应显著：城市越多，提效倍数越高。
| 指标 | 实施前 | 实施后 |
|---|---|---|
| 制作时间 | 15 分钟 × 车型数 × 城市数（约 0.5~1pd） | 3 分钟（城市/车型数量不影响） |
| 数据抄写错误率 | 5% | 接近 0% |
| 交互方式 | 人工手动编辑文件 | DC 一句话完成 |
场景三：智能合同管理系统
业务痛点：合同制作依赖 Word 模板手填、客户修改后人工逐行比对差异、提交法务前需准备 4 份文件，全流程最长耗时近 3 小时。
解决方案：
合同生成：DC 聊天发起 → 表单收集信息 → AI 自动填充合同模板 → AI 自动填充报价单附页 → 自动拼接生成docx格式文件
合同比对：DC 聊天发起 → 发送待比对的合同 → 自动识别差异并生成带批注 Word + Excel 报告 → 一键触发法务审核邮件（含 4 个附件）。
| 指标 | 实施前 | 实施后 | 提升 |
|---|---|---|---|
| 合同制作时间 | 30 分钟 | 10 分钟 | ↓66% |
| 合同比对时间 | 2 小时 | 10 分钟 | ↓92% |
| 法务审核准备 | 30 分钟 | 1 分钟 | ↓97% |
| 模板更新 | 手动不定期 | 自动定期 | ↓100% |
值班agent 目标释放 80% 人力
现状：H5 用车方向 2 人轮班（行前+行后），统计 2026.1.1~3.10（42 个工作日、120 个值班话题）：人力投入约 16 小时/周（相当于每人每天平均消耗 1.6 小时在值班类事务上）问题处理以人工为主：日志查询 20 分钟、代码逻辑排查 15 分钟、报告撰写 20 分钟……全程手动
目标：AI 值班智能体替代 80% 以上日常值班事务，各典型动作耗时压缩至原有的 15%~20%（剩余工作为人工二次审核）。
方案："单 Agent + 多 Skill"架构
| 能力模块 | 优化前耗时 | 优化后预期 | 核心优化点 |
|---|---|---|---|
| 问题信息沟通 | 10分钟 | 1分钟 | AI 多轮对话收集信息，自动格式化 |
| 天眼日志查询分析 | 20 分钟 | 1+5 分钟 | 自动完成日志查询、分析、给结论 |
| 单点参数/文档查询 | 15 分钟 | 1+3 分钟 | 知识库检索 + 代码逻辑比对 |
| 代码逻辑排查 | 15 分钟 | 1+3 分钟 | Repo Wiki 语义搜索 |
| 问题复现/定位 | 20 分钟 | 5+5 分钟 | Agent 初步分析，实测效果良好 |
| 值班报告撰写 | 20 分钟 | 5+5 分钟 | AI 代笔起草，自动入库 Cooper |
2. 值班agent落地
背景：当前团队采用人工轮班机制，负责日常问题响应、故障定位、业务咨询、信息同步、跨部门沟通等工作，当前模式值班为2人一组（分别负责处理行前和行后的问题），每2周轮班一次，每个问题单独建话题跟进。根据2026.1.1~2026.3.10至以来值班情况统计如下：
总计工作日：42天
每周人力投入情况估算：粗估约16小时/周（相当于值班人员每人每天平均至少1.6小时在处理值班问题，16小时➗5天➗2人 = 1.6小时/人·天
目标：通过建立值班智能体实现H5用车方向80%以上的日常值班事务替代
预期：值班中典型动作耗时在AI Agent辅助下，耗时情况预期缩减到原本的15%-20%
| 关键动作 | 现状 | 耗时预估 | 优化后预期 | 优化点 |
|---|---|---|---|---|
| 问题沟通 | 问题反馈人员背景不同，50%的问题反馈需要经过多次沟通才能得到查问题的信息 | 10min | 值班人员：1min 信息采集skill：x min |
AI Agent作为起点，通过多轮对话收集必要信息，并加工为固定格式，用于触发日志分析skill |
| 天眼日志查询分析 | 手动查询+日志分析，手机号可能查不全需要先查一次日志，获取到ravenId再查，反馈问题当天查不到的，需要查近期一段时间内的日志，并进行分析，对新人不友好 | 20min | 值班人员：1min 日志分析skill：5min |
编写天眼日志分析skill，自动完成下列工作： 完整日志查询 日志分析 信息整理及给结论 |
| 单点参数文档查询 | RD人工查询，代码实现和文档可能存在不一致 | 15min | 值班人员：1min 知识库查询+代码逻辑搜索：3min |
建立知识库，各类可查询文档入知识库。AI自己完成文档查询和代码实现比对 |
| 代码实现逻辑查询 | RD人工查询，有中文注释时较快，代码里搜不到相关中文时，排查效率强依赖于个人经验 | 15min | 值班人员：1min 代码逻辑查询：3min |
代码仓文档化，AI根据语义进行查询 |
| 问题复现/分析定位 | RD人工操作分析 | 20min | 值班人员：5min AI分析：5min |
Agent给出初步的分析结果，在有代码仓repowiki的情况下，实测效果不错 |
| 报告撰写 | Case记录写文档入库（落地情况难追踪，靠自觉） 提供对外的逻辑说明（检查敏感信息，且找安全BP审核，新人可能并不知道流程细节） case记录入库后且难以形成经验积累 |
20min | 值班人员：5min AI编写及其他动作：5min |
AI几乎可以代笔起草，RD二次编辑即可 Case记录自动编写，自动上传到cooper空间（供人工查阅） 所有文档自动保存到知识库，持续提升Agent的知识和经验积累 |
用车值班智能体"单Agent+多Skill"模式能力设计
基于AI Agent的新值班流程
三层记忆存储
| 层级 | 位置 | 内容 | 命中优先级 |
|---|---|---|---|
| 热点 | MEMORY.md | 高频问题完整答案 | 最先 |
| 常用 | memory/常用/ | 中频问题完整答案 | 次之 |
| 归档 | memory/归档/ | 低频问题索引 | 兜底 |
升级/降级规则
命中计数：
｜── 命中 1 次 → 写入 memory / 常用 /
｜── 命中 2 次 → 保留在 memory / 常用 /
└── 命中 ≥3 次 → 升级到 MEMORY.md (热点)
时间衰减：
｜── 30 天未命中 → 降级到 memory / 归档 /
└── 60 天未命中 → 删除
QMD 知识库检索策略
检索优先级
| 策略 | 适用场景 |
|---|---|
| 全文搜索 (search) | 默认首选 |
| 组合关键词 | 单一关键词无结果 |
| 向量搜索 (vsearch) | 全文搜索完全无结果 |
高频问题直接获取
对于已知的热点问题，直接获取文档，不做搜索
单点登录 → 热点问题速查.md
qmd get “qmd://didi-notes-main/ 问题总结 / 热点问题速查.md” -l 200
注意事项 → 注意事项文档
qmd get “qmd://didi-notes-main/ 问题总结 / 03 - 问题类 / 注意事项 - 2026-03-11.md” -l 100