Verizon Connect 用 Agentic AI 将车队数据转化为洞察，覆盖 10 万用户
Verizon Connect 构建并扩展了基于 Agentic AI 的解决方案，每天为 10 万用户处理超过 5 亿数据点，将海量车队数据转化为可操作洞察。本文详解其架构设计、异常检测与两阶段智能体推理流程，为处理大规模数据的团队提供参考。
一句话看懂
Verizon Connect 用 Agentic AI 替代传统仪表盘，每天为 10 万用户处理 5 亿+数据点，自动发现异常并生成洞察。
详细发生了什么
Verizon Connect 是全球车队管理解决方案提供商，其 Reveal 平台管理超过 120 万活跃车辆订阅，每天产生超过 5 亿数据点，涵盖 8 万个独特数据指标。面对如此庞大的数据量，车队经理难以通过手动分析发现安全、维护或运营效率问题。
Verizon Connect 没有选择构建静态仪表盘或规则自动化系统，而是采用 Agentic AI 方案。该方案的核心架构包括：
- 异常检测模块：基于 AWS Step Functions 和 Lambda 构建的无服务器统计模型，专门处理数值分析，避免 LLM 处理大规模表格数据的精度问题。
- AI Agent：使用开源 SDK Strands Agents，在 Lambda 环境中无状态运行，通过动态推理循环自主决定调查路径。
- 两阶段推理：
- 第一阶段：LLM 自主将异常聚合为洞察候选（按根因、时间、类别分组），并打分排序，选出前 4 个最相关的洞察。
- 第二阶段：为每个洞察启动独立 Agent，自主调用工具查询数据，迭代收集证据，生成数据驱动的详细报告。
最终洞察通过 Reveal 应用推送给用户。整个系统每天为 10 万用户提供服务，且 Agent 可并行运行，按需水平扩展。
中文圈视角
这个案例对国内做数据分析和企业级 AI 应用的团队有直接参考价值。
1. 架构思路可借鉴：将数值异常检测与 LLM 推理分离，避免 LLM 处理大规模表格数据的精度问题。国内类似场景（如物流、车联网、工业 IoT）可参考此模式，用传统统计模型做预处理，再用 LLM 做解释和生成。
2. 开源 Agent 框架：Strands Agents 是开源 SDK，国内团队可以基于它或类似框架（如 LangChain、AutoGPT）快速搭建。但需注意，国内使用 AWS Lambda 可能需要考虑合规和数据出境问题，可替换为阿里云函数计算或华为云 FunctionGraph。
3. 国产替代可能性：国内车队管理平台（如 G7、中交兴路）同样面临数据过载问题。目前这些平台多依赖规则引擎和人工分析，Agentic AI 的引入可以显著提升效率。但国内 LLM（如 DeepSeek、Qwen）在工具调用和长上下文推理上的能力需要验证。
4. 监管盲点：车队数据涉及车辆轨迹、驾驶员行为等敏感信息，使用 Agentic AI 时需注意数据本地化要求。该案例中数据存储在 AWS 美国区域，国内用户需选择合规云服务。
几条值得记住的细节
- 每天处理超过 5 亿数据点，覆盖 8 万个独特指标。
- 异常检测使用无服务器统计模型（Step Functions + Lambda），而非 LLM。
- AI Agent 基于开源 SDK Strands Agents，在 Lambda 中无状态运行。
- 两阶段推理：先聚合排序，再逐个深入调查。
- 系统每天为 10 万用户生成洞察，Agent 可并行扩展。
一句话总结
如果你在处理海量数据并希望用 AI 自动发现模式，这个两阶段 Agentic 架构值得参考。