Dynasty Travel 新加坡 CEO AI 助手落地实录

Dynasty Travel 是新加坡的老牌旅行社，做的是出境游、企业票务和 MICE（会奖旅游）。这类公司有一个共同特征：所有的生意都跑在邮箱里——客户询价在邮箱、DMC（目的地地接社）报价在邮箱、订单确认在邮箱、催款也在邮箱。

从 2025 年 12 月到 2026 年 6 月，这家公司做了一次彻底的 AI 改造。有意思的是，这场共创不是从写代码开始的，而是从业务流程诊断开始：先把 营销 → 线索 → 订单 → 履约 → 财务 的完整链条梳理一遍，确立「邮箱 = 公司最大的数据资产」这条主线，再逐月落地。

半年成果一览

板块	核心数字
邮件自动回复	每天 3 轮全自动起草；吸收 CEO 115 条反馈；问题拦截率 1/14 → 11/14
客户资产知识库	17 个邮箱、22 万+ 封历史邮件 → 22,708 客户 / 154,081 条行程 / 2,558 家 DMC
财务整理	SGD 470,870 状态不明应收逐张厘清；发现 210 张出票未开票
自动订机票	Sabre 生产环境全链路打通，NDC 首单真实 hold（SGD 224.10）
官网 & ERP	官网重做上线（商品 67 → 123）；ERP 原型跑通邮件分诊 → CEO 驾驶舱
成本优化	AWS 月成本约 US$727 → 接近 0；合计月省约 US$740+ 与 SGD 800

时间线大致是：2025.12 业务诊断与产品设计 → 2026.01–02 CRM 打通、30 万+ 封邮件资产化 → 2026.03–04 AI 邮件流水线、新官网上线、Sabre 激活 → 2026.05 三层 QA 质检、AWS 全面下线 → 2026.06 客户资产库成型、ERP 原型、NDC 首单。

一、邮件自动回复：从「AI 写个草稿」到「无人值守流水线」

痛点很朴素：客户和 DMC 邮件量大、响应慢，回复质量高度依赖几个老员工的经验；老板的沟通风格和报价规范只存在于他自己的邮箱里，新人学不到。

第一步不是接大模型，而是从 CEO 的全量历史邮件里提炼出一份邮件回复 SOP：供应商、客户、内部、伙伴四类场景，含报价流程、DMC 注册表、比价规则、语气规范。有了 SOP，AI 才知道什么叫「回得对」。

到 2026 年 4 月，整条链路升级成无人值守架构：

1. Python 零 token 预筛——垃圾邮件在进模型之前就被过滤掉，不花一分钱；
2. 5 个 AI 子代理并行起草；
3. 自动写回 Outlook 草稿（人审后再发）；
4. 即时通讯日报汇报本轮处理情况。

每天固定跑 3 轮（9:37 / 15:37 / 21:37）。一次真实批次的数据是：37 封入站邮件 → 18 封高质量草稿 + 124 条自动判定无需处理；另一次扫描 30 封中 11 封垃圾邮件零成本过滤。

质量是工程问题，不是提示词问题

这个项目最值得学的部分，是 5–6 月把质量从「修一个 bug」升级成「堵一类问题」：

• 确定性预处理：附件 9 种格式（pdf/docx/xlsx/pptx/eml 等）自动解析、跨线程 180 天历史检查、同事已回自动识别。改造后此前集中爆发的 7 类问题案例全部零复发，还实际抓出过供应商材料里的事实矛盾（定价倒挂、行程天数不一致）。
• 三层质检：确定性质量门（CC 继承、签名映射、内部标签泄漏检测）+ LLM 语义判官（识别编造、拖延话术、预算不谈判）。问题拦截率从 1/14 提升到 11/14；语义判官曾正确拦下一笔虚构的 SGD 6,400/人报价。
• 反馈闭环：把 CEO 历史上的 115 条反馈全部抓取，映射为 97 处规则；机制修复后用 3 封历史失败邮件回测，3/3 一次通过，反馈频道 24 小时完全静默。
• 安全防护：敏感附件 fail-closed 校验——模板指纹不符就整批中止，杜绝把其他 DMC 预填过的注册表误发出去。
• 运维韧性：某个周末系统停摆积压 121 封，收到反馈后 3 小时内根因修复并当天追平；并发缺陷修复后 5 路满并发压测 5/5 全部真实质检（修复前约 4/5 被静默放行）。

二、把 22 万封历史邮件变成公司资产

旅行社最脆弱的地方：客户关系和 DMC 人脉锁死在员工——尤其是已离职员工——的个人邮箱里。人走关系断。

这条线分三步走：

• 早期资产化（2026.01–03）：7 个员工邮箱、30 万+ 封邮件全量同步打标入库；把旧硬盘、EDM 平台、CRM、邮箱四个割裂来源合并，得到 44,396 个唯一客户、18,597 个可直接触达的联系人。
• 知识库 v2（2026.05）：1,732 封邮件抽取 3,208 个业务实体，用 16 张表结构化管理（DMC、供应商、客户、行程、体验产品等），可视化查询。
• 全员邮箱历史挖掘（2026.06）：17 个邮箱（8 个离职员工 + 8 个在职员工 + CEO 本人）逐批完成，累计处理 22 万+ 封历史邮件。

最终沉淀出：22,708 个客户、154,081 条客户行程记录、2,558 家 DMC、2,300+ 家供应商、25,900+ 份行程单、220,113 封已处理邮件。

为什么这件事只有 AI 能做？单个邮箱的挖掘成本仅 6–40 美元（CEO 邮箱 16,270 封抽取约 11 美元、零失败）——人工整理十几万封邮件根本不可行。数据质量也做了工程化：约 400 条 DMC 语义去重规则保证零重复主档，补漏机制主动找回 77,000+ 封被漏掉的邮件。

知识库还配了每晚无人值守的增量流水线，首周 4 晚零失败，上线当天就自动捕获两条真实商机（企业 30 人大阪 MICE 询价、国际学校 32 人北京团询价）。顺带挖出的洞察也很有意思：CEO 个人的 DMC 网络有 849 个，是全员最广的；浮现出累计 1,000+ 行程的高频回头客；每个销售的客户画像也沉淀了下来。

三、Sabre 自动订票：证明 AI 给的是「真能买到的价格」

旅行社的订票长期依赖人工操作 GDS 终端，而 AI 给出的航班信息又无法验真——这是行业里对 AI 最大的不信任点。

• 2026.02–04：完成 Sabre API 申请与生产环境认证激活，token 稳定缓存；真实航班搜索验证（SIN⇄HKG 往返 SGD 462.90 起）；完成 19 个 API 产品可用性摸底。
• 2026.05：在生产环境真实跑通 搜索 → 创建 PNR → 取消 → 复核 的完整闭环（零费用零遗留），并把它固化成可复用的自动订票工具集。
• 一次真实对决：客户拿真实需求（SIN⇄莫斯科往返）实测——系统基于 Sabre 实时数据给出可订的经济舱最优 SGD 873.20；而通用聊天机器人推荐的两条路线，经 Sabre 与航司官网双重验证均为 0 个可定价行程。
• 2026.06：NDC 链路打通，完成首单真实生产 hold——SQ142 SIN→PEN 加回程 SQ131，SGD 224.10，两段舱位确认（纯 hold，未出票未扣款）。

下一步是把 Sabre 的实时验真能力接进邮件流水线，自动核验 DMC 报价的真伪。

四、财务整理：SGD 47 万应收逐张查清

企业票务的应收账款大量处于「状态不明」，追讨无据；出票与开票两套系统对不上；年度审计取证靠人工翻邮箱。

用离职员工邮箱、客户汇款单、银行流水逐客户核对 175 张发票、SGD 470,870 之后，结论是：SGD 122,227（37 张）有银行流水等硬证据确认已付；约 SGD 58,500 客户书面确认已付；约 SGD 57,900 确认未付、可立即追讨，5 封带完整证据链的追款草稿已备好。

同样重要的是避免误追：BSP 记录证明某张 SGD 37,176 的机票发票实际已退票，正确处理应是开 credit note、只补收约 462 的取消费——数据核实避免了向客户误发催款。两例「没收到发票」的争议也都查实为客户端漏登、己方有发送证据，其中一例补发后已回款 SGD 6,828.40。

此外，比对 6–10 月 BSP 与开票系统，524 张出票中有 210 张没有开票记录（涉及成本约 SGD 232,700），输出了带客户线索的清单；FY2025 审计则按审计师 209 行抽样清单重建证据包，170 份文件逐一内容级核验、覆盖 137 行，缺失的 72 行各附明确原因，32 MB 证据包交付且构建脚本可复跑。

五、官网重做与 ERP 原型

官网原本依赖月费 US$717 的云后端，还有区域页 404、商品无图、价格不准的问题。迁移为静态站点 + CDN 架构后，新官网 www.dynastytravel.com.sg 正式上线：

指标	迁移前	迁移后
在线商品数	67	123
商品封面图	0	91
带价格商品	0	72
区域页 404	5 个区域	0（7 个区域页全部恢复）

客户联络表单邮件迁到 Resend，顺带修复了此前 5 封客户表单邮件未真实投递的问题。

ERP 原型则把邮件接到了订单上：确定性路由器把入站邮件分为客户/DMC/供应商/CEO 办公室/垃圾/人工六路，50 封真实邮件校准后路由全部正确，且状态只在人工批准后变更、邮箱全程只读；行程简报从邮件中确定性抽取目的地、日期、人数、预算、联系方式自动预填建案，绝不编造，同一线程不重复建案；多方多轮邮件自动生成带角色标签的单行时间线。上层是角色化看板——CEO 指挥中心 5 张 KPI 卡可下钻、销售个人工作区只看自己的案件、COO 控制室雏形。

六、成本治理：AWS 从 727 美元到接近零

多年累积的云资源无人清理，AWS、Jira、DigitalOcean 多头付费。做法是先备份、再下线：

项目	动作	月节省
AWS 账号全面下线	先完成 1.2 TB 全量备份（20 个 S3 桶、15 个镜像仓库、2 个数据库），再清理 9 台 EC2、2 个 RDS、15 个弹性 IP、22 个 Lambda，5 个区域验证归零	约 US$550+
Jira 备份退订	全量导出 1,364 个 issue + 988 个附件后取消订阅	US$107.66
DigitalOcean 清理	备份后删除数据库集群与容器仓库，保留免费 DNS 以保住邮件记录	US$82.93
ERP/官网迁移	迁至静态架构	约 SGD 800

2026-07-25 直连云账单复核：当月至今仅 $1.23，全月预测 $1.67，相比迁移前峰值 $734.93/月降幅 99.8%，且邮件与官网全程零中断。

此外，机器人网关的掉线问题在定位复合根因并加了 30 分钟自愈看门狗后，从每天 100–260 次降到约 1 次/天。

这个案例的方法论

回看半年，Dynasty Travel 这套系统能跑起来，靠的不是某个惊艳的模型，而是三个朴素的选择：

1. 先诊断业务，再定技术——认定「邮箱是最大资产」之后，后面所有项目都围绕这条主线；
2. 确定性的事交给代码，模糊的事才交给模型——预筛、路由、抽取、质量门全是确定性逻辑，模型只负责语义判断和起草，成本和可靠性同时受益；
3. 把质量做成机制——反馈进规则、规则进质检、质检进回测，问题才不会反复出现。

工程侧还有个务实的细节：起草用能力更强的模型，质检判官切换到更便宜的模型来控制成本（约 $5/天）。这类「按环节选模型」的做法，用一个兼容 OpenAI 格式的聚合接口会方便很多——波波 API 就能在同一套 key 下切换不同模型，把贵的用在刀刃上。