货运物流公司：用 Claude Code 整理派车便条和客户问询的实战流程

早上六点，派车员的办公桌上。前一晚司机用微信甩过来的便条十条、货主打电话来问“那趟货现在到哪了”的潦草记录三张，再加上一张只有自己看得懂、满是简写的派车表。

我第一次帮一家货运公司理这摊活儿时，最吃惊的就是这里。比起派车本身，“把便条改成别人能看懂的样子”和“同一个问询反复解释同一句话”，吃掉了一天里的一半时间。

更要命的是，那张简写便条一旦本人请假，就没人能解读了。“4 吨冷藏，王府井 3 趟，回程空，亦庄卸货”——这话，你转头跟隔壁同事说，他听得懂吗？多半听不懂。

今天就聊聊怎么用 Claude Code（一种从命令行调用生成式 AI 的工具），把“派车便条整理”和“问询回复”这两件事变轻松。注意，这不是让 AI 替你决定怎么派车，而是只削掉它前面那堆杂活。

本文要点

货运物流公司派车员头疼的“便条誊清”和“重复回同样的问询”，用生成式 AI 能砍掉一半还不止
派车这个决定本身不交给 AI。交给它的只到“整理、起草、挑出漏项”为止
文中放了 3 个可直接套用的提示词模板，外加一个把派车便条转成表格的验证脚本
货主名称、电话号码、车牌号这类个人信息，处理前要有公司内部规则和脱敏步骤
每天 90 分钟的杂活变成 30 分钟，一个月就是约 20 小时，这是单个派车员能实际拿到的效果

读者画像，和现在的业务流程

这篇文章设想的读者，是在中小货运物流公司里管派车的人。车队规模十到五十台，货主以固定客户为主，跟司机靠电话和微信沟通。专门的调度系统是上了，但最后还是靠便条加脑子在排，就是这种一线现场。

一天的流程大致是这样：

头天夜里到清晨，司机和货主把第二天的委托和变更零零散散地发过来
派车员读完，把货分配给车和人
把分配好的内容誊到派车表上，再逐一通知每个司机
白天，“那批货怎么样了”“取货时间能往后挪吗”的问询断断续续地进来
下班后记录当天实绩，为第二天做准备

这里头，真正要做判断的只有第 2 步。第 1、3、4、5 步都是“把信息理顺”“把同一件事再说一遍”，这正是 AI 的强项。

常见的返工和烦心事

把我在现场反复见到的坑先列出来，你的公司里至少能对上一条。

等着解读简写便条：只有本人看得懂，他一请假业务就停摆
重复通知：跟司机说过的变更没传到货主那儿，现场时间对不上
问询的口说无凭：电话里定下的约定没留记录，事后扯皮
誊写时复制粘贴出错：拿前一天的派车表改，日期或趟次忘了改
新人带不出来：老师傅脑子里那套没有写成文字，交接不下去

这些都不是要靠“聪明的 AI”才能解决的问题。只要有个“按固定格式整理”“把漏项挑出来”的帮手，问题就没了。

用法一：把满是简写的派车便条改成谁都看得懂的表格

最见效的就是这里。把司机发来的简写便条直接贴进去，让 AI 整理成表格。

比如把这么一段输入丢给它：

4 吨冷藏王府井 3 趟回程空亦庄卸货 / 2 吨平和岛 8 点取货大田市场回程杂货 / 10 吨横滨本牧集装箱 14 点还箱

让它整理成带“车型、趟次、取货地、货种、回程”几列的表格。人就不用一个一个把简写展开了。下面放对应的提示词模板。

这里先把交给 AI 的范围，和人必须自己判断的范围，一次说清楚。

环节	交给 AI	人必须自己判断
便条誊清	展开简写、排成表格、指出漏项	简写是公司自己造的词时，确认展开得对不对
派车分配	整理候选、列出空闲车辆	哪辆车跑哪趟，最终拍板
通知文撰写	给司机和货主的文案草稿	按发送键前的事实核对
实绩记录	统一格式、誊抄转录	核对数字和时间对不对

派车的决定权握在人手里，这一条千万别松。AI 能告诉你“亦庄卸货那趟回程是空的”，但那辆空车装什么货才有利润，只有了解货主关系和运费的人才定得了。

用法二：给问询回复打草稿

第二件是问询回复。货主问“那趟货现在到哪了”“取货能不能晚一个小时”，从零开始想措辞，看着不起眼，其实挺费时间。

这里先让 AI 记住公司里几条常见的问询和对应回答，等新问询进来时，就让它出一版草稿。发不发，由人定。

用一张检查清单来跑，就不会跑偏。

有没有让它把问询内容用一行话概括出来
回复草稿里，事实（时间、地点、趟次）有没有写进去
这些事实跟派车表和系统对得上吗（这一步人来确认）
货主名称、电话号码这类不能外传的信息，有没有混进文案里
发送前有没有以负责人的名义通读一遍

第 3 和第 4 步绝对由人来做。AI 会信心满满地写“大概 14 点到”，但那个 14 点是不是真的，AI 并不知道。

用法三：派车表二次核对

第三件，是让 AI 帮你看看排好的派车表“有没有漏”。人对自己做的表里的错最不敏感。日期忘了改、同一个司机被排在同一时刻去两个地方、回程趟次空着——这类机械性的检查，过一遍 AI 就能捞出来。

这里同样不做判断。让它指出“7 号司机 9 点和 9 点半两单，地理上跑不过来吧”，改还是人来改。光这一步，前面说的“复制粘贴出错”就能少一大截。

可直接套用的提示词模板

为了能拿来就用，放三个在这儿。公司名称和简写对照表，请换成你们自己的。

模板一：把简写便条改成表格。

你是货运公司的派车助理。请把下面这份派车便条整理成表格。
列设为“车型 / 趟次 / 取货地 / 货种 / 回程 / 不明之处”。
简写按通用货运术语展开，判断不了的就写进“不明之处”。
不要擅自分配派车，也不要补上便条里没写的趟次。

便条：
（把简写便条贴在这里）

模板二：问询回复草稿。

你是货运公司客户回复的起草员。
请针对下面这条问询，写一版礼貌但简洁的回复草稿。
凡是需要时间、地点等事实的地方，不要下断言，用“【待确认：到达时间】”这样的
占位符留着。不要擅自编造事实。

问询：
（把问询内容贴在这里）

模板三：派车表二次核对。

请检查下面这张派车表，只把矛盾之处用要点列出来。
要看的是“同一司机的时间重叠”“取货地和时间在地理上跑不过来”
“回程趟次空白”“日期或趟次对不上”。
不需要把派车重新排一遍，只指出问题就好。

派车表：
（把派车表贴在这里）

验证脚本：把简写便条转成表格数据

每次都用手核对提示词的结果太累，所以放一个小脚本：把便条转成结构化数据，再用机器把漏项查一遍。装了 Node.js 就能跑。它读入 AI 的输出（按制表符分隔），把还留着“不明之处”的行警告出来——不起眼，但管用。

import { readFileSync } from "node:fs";

// 让 AI 按“车型\t趟次\t取货地\t货种\t回程\t不明之处”的制表符分隔格式返回
const raw = readFileSync(process.argv[2] ?? "haisha.tsv", "utf8");
const cols = ["车型", "趟次", "取货地", "货种", "回程", "不明之处"];

const rows = raw
  .trim()
  .split("\n")
  .map((line) => line.split("\t"))
  .map((cells) => Object.fromEntries(cols.map((c, i) => [c, (cells[i] ?? "").trim()])));

let warnings = 0;
for (const [idx, r] of rows.entries()) {
  const n = idx + 1;
  if (!r["取货地"]) { console.log(`第 ${n} 行：取货地为空`); warnings++; }
  if (!r["车型"]) { console.log(`第 ${n} 行：车型为空`); warnings++; }
  if (r["不明之处"]) { console.log(`第 ${n} 行：待确认 -> ${r["不明之处"]}`); warnings++; }
}

console.log(`---\n共 ${rows.length} 条，其中 ${warnings} 条待确认`);
if (warnings > 0) process.exitCode = 1;

运行就这一句：

node check-haisha.mjs haisha.tsv

这样就能堵住“带着不明之处的便条直接流进派车表”的事故。只要有一条待确认，退出码就是 1，把它接进自动化流程里，就能强制人做确认。

引入前和引入后

用数字看，效果就清楚了。这只是单个派车员的大致估算。

工作	引入前	引入后
简写便条誊清	早上 40 分钟	约 10 分钟（粘贴加确认）
问询回复撰写	每条 5 分钟	每条 1 到 2 分钟（草稿加修改）
派车表挑错	发现时已经返工	当场就把问题指出来

假设誊清省 30 分钟，问询 20 条每条省 3 分钟，一天大约省 90 分钟。一个月按 20 个工作日算，约省下 30 小时。把派车员时薪暂按 100 元计，相当于一个月 3000 元。就算扣掉引入的功夫，一个月省出几千块的余裕，我觉得是实打实的。

省下来的时间用来干什么，看公司自己。我见过的现场里，能匀给“老师傅坐在新人旁边手把手教”的时间，这点最值。

安全和个人信息注意事项

这一节，恰恰因为是货运物流公司才不能省。派车便条里有货主的公司名、收货地址、司机姓名、车牌号，有时连货物的内容都有。这些都是货真价实的个人信息和商业信息。

至少要守住下面几条：

公司层面先定好“业务上用哪个生成式 AI 服务、哪个套餐才行”。别把业务数据贴进个人免费账号
货主名称、个人姓名、电话号码，在交给 AI 之前先脱敏成“A 公司”“负责人 B”。在前面那个脚本前头再加一道替换处理，会更稳妥
确认你输入的数据在设置和合同上都不会被拿去训练
输出别原样发出去。核对事实的同时，由人再看一眼有没有混进个人信息

脱敏的思路和规则制定，最好和公司内部的运营设计一起打磨。让 Claude Code 记住规则的方法，整理在 claude-md-best-practices 里；非工程师怎么安全上手，写在 claude-code-for-non-engineers 里；引入的第一步，看 claude-code-getting-started-guide 会比较好懂。作为判断依据，把中国官方的《中华人民共和国个人信息保护法》全文过一遍也更安心。

常见问题

问：派车能全交给 AI 吗？ 不能。交给它的只到整理、起草、挑漏。哪辆车跑哪趟，牵扯到运费、跟货主的关系，甚至司机的身体状况，这种判断里 AI 不知道的事太多了。决定权请握在人手里。

问：公司里的简写和自定规则，它能看懂吗？ 原样是看不懂的。要么把简写对照表放进提示词，要么把公司规则整理成文件每次让它读。怎么教它，可以参考 claude-code-prompt-engineering-advanced。

问：不太会用电脑的派车员也能用吗？ 只是贴提示词、看结果的话，不难。建议先从复制粘贴用起，熟了再用脚本自动化，按这个顺序来。日常使用的窍门在 claude-code-productivity-tips 里。

问：引入要花多少钱？ 生成式 AI 的使用费，每月从几十块这个量级就能起步。真正花功夫的不是钱，而是“公司内部规则制定”，跳过这一步，个人信息事故的风险就留着。

实际试下来的结果

我自己在手边造了 15 条假的简写便条和 10 条问询，把这套流程整个跑了一遍。

简写便条用模板一整成表格后过验证脚本，有 3 条跳出了“取货地为空”“回程没填”的警告。这些是原便条本身就漏写的地方，人用眼睛看的时候反而看漏了。是机器这道门把它们捞了出来。

问询草稿这边，模板二老老实实地把“【待确认：到达时间】”这个占位符留着了。我故意用刁难的问法想逼它把事实写死，它也没擅自编出一个时刻，这点让人放心。

不过也发现了它的边界。公司自己造的简写，比如指代自家仓库的暗号，不给对照表它就老实归到“不明之处”。这其实是正确的行为——比起被它乱猜，这样反而安全。

结论是：派车的判断照旧握在人手里，把它前面那段“整理、起草、挑漏”交给 AI，杂活明显就轻了——这是我现在的实感。如果想从引入规则开始、以公司为单位整体推进，可以通过培训与咨询一起把贴合一线的推进方式定下来。