一、项目背景

这家家电客户的售后靠电话派单，调度凭脑子记：哪个师傅在哪、会修什么、忙不忙，全在调度一个人脑子里。用户报修后往往等一整天没人来，急修被排到三天后，师傅空跑和超时同时发生，到了用户家发现带的配件不对又白跑一趟。投诉量长期压不住，售后满意度是这家公司所有指标里最烂的一项。我们进场时他们的调度已经换了三个人，因为"记不住也排不好"先后累跑了，本质是用人的记忆去扛一个本该由系统算的匹配问题。

二、落地场景

我们落地的核心是用多智能体把派单从"凭记忆"变成"按数据算"。第一块是工单智能分派，报修单进来后，系统按故障类型、所需技能、用户位置、师傅当前忙闲和位置，算出最合适的师傅推单。第二块是师傅技能与位置匹配，不再只按就近派，而是技能和位置双维度加权，确保派出去的人真能修、且路不远。第三块是履约时效预警，工单接单后实时监控预计到达和完成时间，超阈值自动升级提醒，不等问题发生才补救。第四块是完工核销与回访，师傅完工扫码核销，系统自动触发回访，满意度数据回流。第五块是异常改派，师傅到现场发现超范围或配件缺失，系统自动改派并通知用户，不让用户干等。

三、关键技术挑战与解决思路

技能匹配是我们踩的第一个坑。最初版本只按位置就近派，结果一个师傅被派去修他根本不会的变频板，白跑三趟，用户骂完直接投诉。后来把技能标签做成师傅档案的硬字段，工单按故障类型映射所需技能，派单时技能不匹配直接过滤，就近只作为同技能内的排序因素。位置调度原来看直线距离，忽略同城不同区的交通峰值，我们接入实际路况时效后，按"预计到达时间"而非公里数排序，用户感知的等待明显缩短。

履约时效预警一开始做得太灵敏，师傅刚接单系统就因为"预计时间偏紧"狂发升级提醒，师傅被骚扰得关了通知。我们把预警改成"多级阈值加冷静期"，只在真的要超时前才升级，且同一工单不重复打扰，告警量降了八成，该提醒的反而更被重视。异常改派我们最初要师傅手动发起，师傅嫌麻烦经常将就着让用户等，后来改成"现场核销时发现配件缺失自动触发改派"，用户不用再经历"白等一天"。

四、效果数据

工单智能分派上线后，一次上门解决率（不用二次上门）从约六成五提升到约八成八。平均履约时效按报修到完工算，从约二十六小时压缩到约十一小时，急修单的时效改善更明显。师傅空跑率从约一成八降到约百分之四，主要得益于技能匹配和配件预判。投诉率里"等太久"和"白跑"两类，同比下降约七成。完工核销加自动回访后，售后满意度从长期最低的约七成上升到约九成，调度岗位的人员流动也因为系统接手匹配而稳定下来。

案例片段（已脱敏）： 某用户报修"变频空调不制冷"，工单映射所需技能 skill=inverter_ac。系统筛选：3 公里内师傅 A 技能为 general（不匹配，过滤），8 公里内师傅 B 技能含 inverter_ac 且忙闲度 0.3，预计到达 42 分钟。派单 B。履约监控：接单后 38 分钟到达，预警未触发（冷静期设置未超阈值）。现场核销发现冷媒缺失，系统自动改派带件师傅 C 并于当日补齐，用户无需二次预约。该工单一次解决，回访满意度 5 分。

师傅端 APP 的核销体验我们打磨得比较细，因为师傅不愿意多操作。完工后扫码核销原本要填一堆字段，师傅嫌烦经常漏填导致回访数据缺失。我们把核销砍到"扫完工码加选结果"两步，其余信息从工单自动带，核销率从约七成升到近百分之百。回访我们也改成系统自动外呼加短信，不逼用户接电话，满意度回收率反而比人工回访高。还有一个细节是改派的透明通知，师傅改派后用户端立刻收到"原师傅因配件原因无法服务，已为您改派新师傅预计某时到达"，用户不用打电话问"我的师傅呢"，这一条把"信息不对称引发的差评"砍掉一大半。这些看似边缘的体验细节，累加起来的效果比单纯优化派单算法更直观，售后满意度能爬上来，一半靠算法一半靠这些不让用户和师傅烦的设计。

五、可复用经验总结

售后派单这件事，靠人记永远会漏，系统算的核心不是"派最近的人"而是"派最对的人"，我们技能匹配翻过车之后就把技能当成硬过滤，就近只是同技能内的优化项，这个顺序不能反。时效预警要克制，太灵敏等于狼来了，师傅关掉通知后真正要紧的提醒也失效，多级阈值加冷静期比狂发有用。异常改派别指望人主动，师傅的惰性会让用户买单，把"配件缺失自动改派"做成系统行为，用户感知才好。我们当时纠结过要不要上更复杂的实时路况预测，后来发现接现有路况时效已经够用，先把双维度匹配和自动改派做扎实，比追花哨模型实在。这套派单逻辑后来在另一个上门家政项目上复用，把师傅换成阿姨、技能换成服务类型，匹配内核一样。