用 Agent 进行邮件分诊：保险公司如何每天处理 8,000 条消息

邮件分诊是企业 AI 中最被低估的应用场景。听起来简单——"读邮件、分类"。在有 6 种业务规则语言、12 个保险险种和异构附件的真实规模下，80% 的试点因低估复杂性而失败。

本案例展示当问题被认真对待时，什么方案真正有效。

起点

• 中央 sinistros@ 邮箱每天接收 8,000 封邮件。
• 20 名人工分诊员负责分类、转发或请求补充资料。
• 平均分类时间：18 小时（承诺 SLA：4 小时）。
• 附件类型：PDF（警察报告、医疗证明、照片）、图片、转发的 WhatsApp 语音消息。
• 周一慢性积压（约 14,000 条消息）。
• Procon 关于延迟的反复投诉。

Agent 的工作流程

1. 通过 Gmail API + webhook 接收邮件。
2. 读取正文 + 所有附件（Gemini 2.5 Pro 多模态：PDF、图片、音频）。
3. 识别险种（车险、家财险、寿险、健康险、责任险、设备险）。
4. 识别被保险人：将邮件中提及的 CPF/保单号与核心系统交叉匹配。
5. 分类类型：新理赔通知、现有理赔补充、疑问、投诉、垃圾邮件。
6. 提取结构化数据：事件日期、地点、描述、估计金额、附件文件、证人信息。
7. 决定下一步行动：
   • 信息完整的新理赔 → 在核心系统开立案件。
   • 信息缺失的新理赔 → 回复所需清单。
   • 补充资料 → 关联到现有案件。
   • 疑问 → 带背景信息转至客服。
   • 投诉 → 带严重程度分类升级至监察专员。
8. 用清晰的中文回复被保险人，附案件号。
9. 记录全部信息：原始邮件、分类、操作、已发送回复。

技术架构

• Gemini Enterprise Plus：编排 + 模型访问。
• Gemini 2.5 Pro：多模态读取（邮件 + 附件）。
• Gemini 2.5 Flash：快速分类和路由（成本降级方案）。
• Vertex AI Search：知识库（承保政策、产品手册、匿名历史决策）。
• 工具：
  • 被保险人查询（CPF/保单 → 数据）。
  • 核心系统开立案件（通过 Apigee 的 SOAP）。
  • 补充资料关联。
  • 通过 Gmail 发送回复。
  • 路由至监察专员/客服。
• Cloud Run：webhook + 重试逻辑。
• BigQuery：用于分析的结构化日志。

60 天成果

12 名重新分配的分诊员转至复杂理赔分析（潜在欺诈、多受害者案件），这部分工作之前是外包的。项目完整 ROI：4 个月。

成功的关键——以及原因

1. 真正的多模态

OCR 不够。手机拍摄的模糊警察报告、WhatsApp 转发的证人音频——Gemini 2.5 Pro 直接读取一切，无需单独的转录流水线。

2. 有人情味的回复

我们在提示词上下了功夫，以避免机械化语气。每封回复都提及被保险人的名字、复述事件经过（显示理解）、列出所需材料、提供案件号和预计时间。被保险人 NPS 提升了 24 分。

3. 带数字置信度的分类

Agent 对每个类别返回置信度（0–1）。低于 0.85 则转人工处理。用 500 个真实案例校准。大幅降低自动分类错误。

4. 闭环学习

每个人工纠正的案例变成 gold set 中的示例。前 8 周每周重新评估。各类别召回率在此期间提升了 11 分。

出现的问题——以及如何解决

超大附件

200 页的 PDF（医疗报告）超出 token 限制。解决方案：在发送给主 Agent 前，用 Gemini Flash 按块预先摘要。

复杂垃圾邮件

虚假保险账单进入邮箱。我们训练了专门的垃圾/钓鱼分类器作为流水线的第一阶段。

带口音的音频

Gemini 2.5 Pro 在巴西葡萄牙语方言上有很大改进，但仍会出错。当转录置信度下降时，Agent 礼貌地请被保险人改为书面表达或致电。

邮件链

15 条回复的线程会形成混乱的上下文。我们增加了线程摘要作为预处理步骤。

被保险人 NPS 提升（+24 分）比 ROI 更令人惊喜：有人情味的回复、即时的案件号和明确的时间承诺，胜过 18 小时的沉默。

可复制性

该模式适用于任何有复杂规则的高量邮箱：理赔、工业客服、HR（入职）、法律（传票）、银行后台。金融垂直的详细内容见金融服务 Gemini Enterprise。

延伸阅读

• 中型银行智能 KYC 案例
• 生产中的多步骤 Agent
• Gemini Enterprise DPIA