外部公开案例，非衍谷交付
Walgreens · 药房端到端AI工作流
来源披露≠独立审计；编辑分析不等于客户确认。A级仅表示可定位到案例级来源，详细度不是成功评分。请先阅读下方字段分析边界；未公开细节不可当作已实施事实。
字段分析边界
- 业务问题依据
- 基于公开材料概括
- 解决方案
- 基于公开材料概括
- 技术工作流
- 公开信息与编辑推演混合
- FDE 行动（请结合分析边界）
- FDE视角编辑推演
- 结果（来源方披露）
- 厂商或客户披露
业务问题
原计划小规模试点，药房运营需要跨门店、流程与系统快速扩张。解决方案
Foundry/AIP组合端到端工作流，从试点直接扩展到大量门店。技术工作流
- 业务数据/文档/系统输入
- 数据清洗与业务语义整理
- AI/规则完成理解、匹配或生成
- 确定性校验或业务规则检查
- 人工处理低置信度/高风险事项
- 结果写回原业务流程并持续沉淀反馈
技术组件
- 企业数据/文档
- LLM/语义理解
- 业务规则
- Human-in-the-loop
- 原有业务系统
人工责任与复核
药房和运营团队执行与审核。FDE 行动（请结合分析边界）
- 跟一线人员走完整工作流，确认真实瓶颈而不是只接需求文档
- 盘点可用数据、权限、系统接口和隐性业务规则
- 把任务拆成 AI、规则/传统软件、人三类责任边界
- 先做窄场景 PoC，用真实样本验证准确率与业务价值
- 嵌入原有系统，设计异常升级、反馈和后续迭代机制
结果（来源方披露）
公开称原计划6个月10家试点，约8个月扩到约4,000家门店。核验说明
- 公开资料确认业务流程；技术组件为基于公开描述的架构抽象
- 当前链接为官方汇总入口，尚需补充可直接定位该案例的深链接或页码。
未公开 / 仍有缺口
- 业务背景
- 改造流程
- 人机与治理
- 来源可定位性
可迁移方法
- 先选高频、高成本、可验证的窄流程
- 能用确定性工具验证的步骤，不让模型自评
- 高风险动作保留人工责任
- 把每次人工修正变成后续可检索的上下文/规则
来源账本
- 标题
- Walgreens：药房端到端AI工作流
- 发布方
- Palantir
- 来源类型
- 厂商官方客户材料
- 可定位性
- 汇总页或多案例报告
- 结论披露方
- 厂商或客户公开披露
- 已记录独立核验
- 否
- 源库查阅日期
- 2026-09-19
补充来源
未补充记录证据说明
公开资料确认业务流程；技术组件为基于公开描述的架构抽象编辑摘要
这个案例的关键不是单点使用AI，而是把“药房端到端AI工作流”重构成可执行、可验证、有人类责任边界的生产工作流。详细度六维评分（各 0–2）
- 业务背景
- 1
- 改造流程
- 1
- 技术工作流
- 2
- 人机与治理
- 0
- 量化结果
- 2
- 来源可定位性
- 1
原始案例 ID
palantir-014来源分类
Palantir企业 / 组织
Walgreens行业
零售/医疗业务场景
药房端到端AI工作流FDE 标记
典型Forward Deployed成熟度说明
大规模部署主来源
https://www.palantir.com/new-homepage/ ↗一级行业
医疗与生命科学成熟度阶段
规模化FDE 关系
典型前向部署模式证据等级
B证据等级说明
B级｜官方汇总来源详细度评分（满分 12）
7详细度分组
standard详细度说明
标准案例｜可参考但仍有缺口编辑数据：guminghao-avi contributors，MIT。导入 2026-10-02；源版本 ef550123。版权与许可证 · 原案例库。以上保留来源与证据限定，不构成衍谷效果承诺。