车险理赔是保险公司运营中人力成本最高、时效压力最大的环节之一。传统流程里，客户报案之后需要查勘员现场拍照、定损员人工比对付件价格、核赔人员逐项审核，一套流程走下来往往需要三到五个工作日。如果遇到节假日案件积压，客户体验会更差。本文围绕一个真实落地的案例，拆解如何用AI Agent把定损环节自动化，将平均结案时间从72小时压缩到4小时以内，同时保持人工复核率控制在合理范围。
一、业务场景梳理与Agent整体架构设计
动手写代码之前，必须先把理赔定损的业务链路拆清楚。这个案例中的完整链路是：客户在小程序提交报案材料（照片、事故描述、保单号），系统需要完成三个核心动作：识别车辆受损部位与程度、估算维修费用、生成定损结论并判断是否需要人工介入。整个链路的特点是既有感知类任务（图像识别），又有推理类任务（费用测算、责任判断），还有流程类任务（工单流转），单一模型无法覆盖。
基于这个特点，我们采用了「中枢Agent + 专业工具」的架构。中枢Agent由大语言模型驱动，负责理解报案上下文、决定调用哪些工具、汇总结果并输出定损意见；外围挂着四类工具：图像定损模型（视觉识别）、配件价格库查询接口、维修工时计算器、以及规则引擎（校验保单条款和免责情形）。中枢Agent不直接做计算，只做编排，这一点非常重要——把计算和判断交给确定性工具，能显著降低LLM的幻觉风险。
class ClaimAgent:
def __init__(self, llm, tools):
self.llm = llm
self.tools = tools # 图像定损、价格查询、工时计算、规则引擎
def run(self, claim):
# 第一步：理解报案信息，提取结构化要素
facts = self.llm.extract(claim.description)
# 第二步：调用视觉模型识别受损部位
damages = self.tools["vision"].detect(claim.images)
# 第三步：查询配件价格并计算工时费用
cost = self.estimate(damages, facts)
# 第四步：规则引擎校验是否触碰免责条款
check = self.tools["rules"].validate(claim.policy_id, facts)
if check.need_manual:
return {"result": "转人工", "reason": check.reason}
return {"result": "自动定损", "cost": cost.total}这个架构上线初期遇到过一个问题：Agent拿到视觉模型的识别结果后，会自己「脑补」维修方案，导致费用测算偏差。解决方案是在System Prompt里明确约束Agent只能引用工具返回的结构化数据，禁止自行推断配件型号，同时把费用测算逻辑完整下沉到工时计算器这个确定性模块里。改动之后费用误差率从8%降到了2%以内。
二、图像定损模型接入与识别精度优化
图像定损是这个系统的技术核心。我们对比了三条路线：直接调用通用多模态大模型、基于检测模型微调、以及两阶段方案（检测模型定位受损区域 + 分类模型判定损伤程度）。实测下来，通用多模态模型对常见剐蹭、凹陷的识别还可以，但对灯罩裂纹、隐伤这类细粒度损伤的召回率只有60%左右，难以满足定损的严谨性要求。
最终采用两阶段方案：第一阶段用YOLOv8检测车身受损区域，第二阶段用ResNet分类器判定损伤等级（轻微、中度、重度、需更换）。训练数据来自历史理赔案件的照片，标注工作量不小，但准确率提升明显。对于置信度低于阈值的检测结果，Agent会自动标记该部位为「待人工确认」，而不是强行给出结论，这个兜底机制是自动定损能通过合规审核的关键。
def detect_damage(image):
# 第一阶段：定位受损区域
boxes = yolo_model.predict(image, conf=0.45)
results = []
for box in boxes:
crop = image.crop(box.xyxy)
# 第二阶段：判定损伤等级
grade, conf = resnet_model.classify(crop)
if conf < 0.75:
# 置信度不足，标记待人工确认
results.append({"part": box.label, "grade": grade, "manual": True})
else:
results.append({"part": box.label, "grade": grade, "manual": False})
return results另一个实战经验是对图片质量的预处理。客户随手拍的照片经常模糊、逆光、带遮挡，直接送入模型效果很差。我们在Agent里加了一个图片质检环节，用清晰度检测算法过滤掉低质量图片，自动给客户推送重拍提示，附带标准拍摄角度的示例图。仅这一项改进就让识别准确率提升了十几个百分点，成本几乎可以忽略。
三、规则引擎与LLM的协同：如何守住合规底线
保险是强监管行业，定损结论不能只靠模型「感觉」。我们在架构里设计了一个独立的规则引擎模块，把保单条款、免责事由、赔付上限等硬性规则全部固化为可配置的规则集。Agent每次生成定损结论之前，必须先经过规则引擎的校验，任何一条规则不通过都会触发转人工流程。
LLM在其中的角色被严格限定为「材料理解与摘要生成」：把客户口语化的事故描述转成结构化字段，比如事故时间、地点、碰撞对象、是否涉及人伤等。这些结构化字段再喂给规则引擎做逻辑判断。这种分工让系统具备了可解释性——每一笔拒赔或减赔都能追溯到具体规则条款，这在监管检查时是极大的优势。规则引擎的规则用JSON配置管理，业务人员可以自行调整而无需发版：
{
"rule_id": "R-021",
"condition": {
"driver_license_expired": true,
"accident_within_scope": true
},
"action": "manual_review",
"reason": "驾驶证过期属于免责情形，需人工核实"
}上线三个月的统计数据显示，这套Agent系统处理了约68%的车险小额案件，自动定损结论与人工复核结论的一致率达到96.4%，平均结案时间从72小时缩短到3.6小时。剩余32%的复杂案件（多人伤、责任争议、隐伤）仍走人工通道，但Agent会提前完成材料整理和初审定损，人工只需复核，单案件处理时长也下降了一半左右。
四、误判处理机制与持续迭代经验
自动化系统最大的风险不是准确率不够高，而是错了没人发现。我们建立了三层防线：第一层是前面提到的置信度阈值兜底，低置信结果强制转人工；第二层是抽样复核机制，每天随机抽取5%的自动结案案件由人工复查，复查发现的误判案例会回流到训练数据里；第三层是客户申诉通道，申诉案件自动标记并触发全链路复盘。
持续迭代方面有个重要心得：不要追求让Agent一次做到位。灰度发布策略帮了大忙——系统先以「影子模式」运行了六周，只输出结论不实际执行，与人工定损结果做离线比对，确认一致率稳定在95%以上后才逐步放开自动结案权限，而且先从5000元以下的小额案件开始，逐月扩大额度上限。这种渐进式上线路径，让业务团队对系统的信任是逐步建立起来的，推行阻力小了很多。
总结来看，保险理赔定损自动化的核心不是把所有事情塞给大模型，而是让LLM做擅长的事——理解非结构化材料、编排流程、生成可读结论，把识别交给视觉模型，把计算交给确定性算法，把合规交给规则引擎。各司其职的Agent架构，才是这类强规则业务场景能真正落地的关键。