上一篇聊了循环产业的宏观趋势，这篇聊点具体的：一条真实的回收订单，从用户点击”提交估价”到最终打款，中间到底经历了什么？这条链路上，AI Agent 能在哪些环节创造真实价值？

一条订单的完整链路

一个用户在 H5 页面提交回收订单，看起来就是一个表单提交。但请求从前端到数据库，要走的路比大多数人想象的长得多：

1
2
3
4
5
6
7
8
9
用户点击"提交估价"
  → 前端表单校验（机型、容量、屏幕状况、功能状态）
  → POST 请求到网关
  → 网关按服务名路由到回收服务
  → Controller 接收请求，校验 DTO
  → Service 层：创建订单、写入设备报告、记录机型信息、
    生成操作日志、保存用户收款信息和地址
  → 调用顺丰下单接口（物流）
  → 事务提交，返回订单号

这还只是”创建订单”这一个动作。完整的回收链路是这样的：

1
2
估价 → 创建订单 → 用户寄出 → 物流签收 → 质检 → 
议价（可能需要）→ 确认价格 → 打款 → 入库

每一个环节都有自己的业务规则、异常分支和状态流转。一个订单从创建到打款，中间可能经历十几次状态变更，每一次变更都可能触发不同的业务逻辑。

这就是二手回收行业的真实复杂度。不是”一个电商订单”能概括的。

这条链路上藏着哪些痛点

痛点一：估价——规则引擎覆盖不了的灰色地带

估价系统通常基于规则：机型 × 成色 × 功能状态 = 价格。大部分情况没问题，但边界 case 永远存在：

  • 屏幕有划痕 + 摄像头也有问题，怎么折价？
  • 电池健康度 78%，但用户刚换了第三方电池，怎么算？
  • 这个型号上周行情涨了 15%，规则引擎还没更新，报不报？

规则引擎处理 80% 的场景没问题。剩下 20% 的边界 case，要么靠人工审核（慢），要么报一个保守价格（用户体验差），要么报一个激进价格（亏钱）。

痛点二：质检——非标品的标准化之难

二手手机是典型的非标品。同一型号、同一”成色等级”的两台手机，实际状况可能差很远。

质检员需要判断：屏幕划痕深度、边框磕碰程度、功能是否正常、是否拆修过……这些判断高度依赖经验。一个资深质检员和一个新手质检员，对同一台手机的估价可能差 20%。

更麻烦的是”用户自报”和”实际状况”的差异。用户说”屏幕完好”，实际有一道细微划痕——这不是用户故意骗你，而是每个人对”完好”的定义不一样。

痛点三：议价——需要”谈商”的环节

质检结果和用户自报不一致时，需要和用户沟通调价。这不是发一条短信就能解决的：

  • 怎么措辞让用户接受降价？
  • 用户不同意怎么办？加一点还是退回？
  • 高价值用户要不要给更好的价格留客？

优秀的议价人员能平衡成本和用户体验。但这个能力很难标准化，也很难规模化。

痛点四：异常处理——链路越长，意外越多

回到开头那条订单链路。有一个真实场景：

用户在 H5 提交订单，前端请求到网关，网关路由到回收服务，Service 开始创建订单、写入设备报告、记录日志……同时调用顺丰接口下单。

如果顺丰下单成功了，但本地数据库事务回滚了——怎么办？

这种”外部调用成功但本地事务失败”的场景，在分布式系统里很常见。但大多数系统的处理方式是：记录日志，等人工处理。

类似的异常还有：

  • 物流签收了，但质检排队排了三天，用户来催
  • 用户同意了调价，但打款时账户信息有误
  • 入库后发现质检漏检了一个问题，需要追溯

这些异常不是”异常情况”，而是日常运营的一部分。但处理成本很高。

为什么现有的解决方案不够

你可能要说：这些问题，头部平台不都有解决方案了吗？

确实有。但大多是”工具”，不是”Agent”。

工具是什么意思？

  • AI 质检工具：拍照 → 识别外观 → 输出报告。但不知道这台手机的估价逻辑，不知道质检结果怎么影响后续议价。
  • 定价算法：输入成色和行情 → 输出价格。但不知道质检报告的细节，不知道用户的议价历史。
  • 自动化工单：状态变更 → 触发预设规则。但规则是写死的，遇到没预设的情况就停。

工具能做好单点任务。但二手回收是一个端到端的链路——估价影响质检，质检影响定价，定价影响议价，议价影响打款。一个环节的决策会影响后续所有环节。

我们需要的是一个能理解整个业务上下文的 Agent，而不是一堆互不关联的工具。

AI Agent 能做什么不一样的事

场景一：智能估价 + 质检预判

用户拍照提交估价时，Agent 不只是跑规则引擎，而是：

  1. 通过视觉模型识别实际外观状况
  2. 与用户自报信息对比，预判可能的差异
  3. 结合近期该型号的成交数据，给出更精准的估价区间
  4. 在估价阶段就标注”哪些地方质检时可能需要重点检查”

这样质检员拿到设备时，已经知道该重点看哪里。不是质检完了再调价，而是从估价开始就在为质检做准备。

场景二：议价话术生成 + 策略推荐

质检结果出来后，Agent 不只是生成一个差价数字，而是：

  1. 根据差异项生成自然的沟通话术（”您的手机边框有两处磕碰，这会影响二次销售，我们需要下调 XX 元”）
  2. 根据用户历史行为推荐策略（这个用户上次爽快接受了调价，可以先报低点；那个用户很敏感，最好一步到位）
  3. 实时调整议价方案（用户不同意时，是加 50 元还是送个贴膜券，哪个成本更低、成功率更高）

场景三：异常自动处理

回到那个”顺丰下单成功但本地事务回滚”的场景。

传统做法：记日志，等运维发现，手动处理。

Agent 做法：

  1. 检测到外部调用成功但本地失败
  2. 理解当前状态：顺丰已经有运单了，但本地没有订单
  3. 自动决策：是补偿创建本地订单，还是取消顺丰运单
  4. 执行补偿，并通知相关人员确认

这不是假设——这些场景在真实运营中每天都在发生。区别在于，现在是靠人处理，以后可以靠 Agent 处理。

MVP 怎么做

如果你也想在这个方向尝试，我的建议是：

第一步：从”AI 拍照检测”切入。

不需要做一个完整的 Agent。先做一个工具：用户拍几张照片 → 视觉模型识别外观 → 生成检测报告 → 给出建议价格。

技术上，这完全可以用现有的视觉大模型 API + 行业 prompt 实现。不需要自己训练模型。

关键是 prompt 里要包含行业知识：什么程度的划痕算”轻微”、什么程度的磕碰算”明显”、什么情况直接判定为”不合格”——这些不是调 API 就能搞定的，需要对业务有深入理解。

第二步：找 3-5 家中小回收商免费试用。

不要找头部平台——他们的系统太重，接入成本太高。找中小回收商，他们痛点最大，决策最快。

验证标准不是”AI 准确率有多高”，而是：

  1. 质检员愿不愿意用？（如果质检员觉得不好用，再准也没用）
  2. 是否真的节省了时间？（省时间 = 省成本）
  3. 生成的报告，买家认不认？（报告是最终交付物，买家不认就白做）

结论

二手回收行业的核心挑战是非标品的标准化管理。从估价到质检到定价到议价，每个环节都在做”把非标品转化为标准商品”的努力。

传统的做法是：规则引擎 + 人工审核。能跑，但效率低、依赖经验、难以规模化。

AI Agent 的价值不在于”替代人”，而在于让机器理解业务上下文，在规则引擎处理不了的灰色地带做出合理判断，在异常发生时自动补偿，在议价时提供有温度的沟通。

这个行业已经有了一些 AI 能力——图像识别做质检、算法做定价——但大多是点状的工具，缺少端到端的 Agent 串联。

谁能把这些点串成线，谁就能在这个千亿市场里占据一个独特的位置。

这不是算法能力的问题，而是对业务的理解深度的问题。

本文是”二手消费电子循环产业”系列的第二篇。第一篇：中国二手手机回收行业：一个被低估的AI落地富矿。后续会继续从技术视角拆解这个行业的机会。