问题：每次订单来时都要手动整理地址
我们团队在经营 B2B 业务时，最重复的工作就是这个。
买家的订单备注不断涌入，有人用英文写，有人用当地语言写，还有人混着缩写。地址格式五花八门。每天都有人要手动读这些备注，然后在 Google 表格中整理。看似微小，但错误不少，也很耗时。
「Claude Code 能学会这个吗？」
实验第一步：准备学习数据
首先，我们把现有的 30 笔订单备注复制到 Google 表格中。这些都是正确分类过的。我们把它们拿给 Claude Code 当学习样本。
输入：「Bangkok, Rama 9 Rd, TH」
输出：配送城市(Bangkok)、配送地址(Rama 9 Rd)、配送国家(TH)
输入：「서울 강남구 테헤란로 123」
输出：配送城市(首尔)、配送地址(江南区论峘路 123)、配送国家(KR)
Claude Code 识别了模式。但一开始它无法读懂缩写。它不知道「SG」是新加坡。
失败与修正
首次自动分类 15 笔时，准确度只有 73%。低于预期。我们查看了错误日志。
• 城市与地址混淆：5 笔
• 无法辨识国家代码缩写：4 笔
• 无逗号输入时分类失败：3 笔
「需要让它更聪明。」
我们又新增了 20 笔样本。特别专注于缩写处理和无逗号格式。同时，我们告诉 Claude Code：「如果不确定，就标记为『待分类』。」安全优先于完美。
两周后的成果
用同样的 30 笔订单重新测试。准确度升至 91%。
更惊人的是速度。手动整理 30 笔订单需要约 25 分钟。Claude Code 在 2 分钟内完成了相同工作。
我们没给机器人发薪水，但它似乎不拒绝加班(笑)。
实际上这一点很关键
我们没有 100% 相信自动化结果。每周进行抽样验证。Claude Code 标记为「待分类」的部分，我们手动检查。在这个过程中，我们发现了几点。
• 城市名改变的情况(例如：用旧名称下订单)
• 缩写不是地名而是建筑名称
• 只有邮编，没有城市名
Claude Code「做不到」的部分由我们分类，然后放回学习数据。这个循环持续进行，准确度逐渐提高。
一个月后
准确度达到 96%。剩余 4% 大多是数据本身真的异常的情况。连人也会困惑。
更重要的是，我们团队在地址整理上投入的时间减少了 80%。原本一周花 2 小时的工作，现在只要 15 分钟。
那段时间我们做了什么？更重要的事。例如阅读买家反馈、研究新市场，或和团队边喝咖啡边规划下个月的计划。
诀窍：重复优于完美
这次自动化之所以成功，不是因为 Claude Code 有多聪明，而是我们「承认它会出错，并持续提供反馈」。如果在第一次失败时放弃，这套系统就不存在了。
如果你有类似的工作，试试这个方法。
1. 收集 20～30 笔精确的范例
2. 教 Claude Code 模式
3. 用小批次(10～20 笔)测试
4. 分析失败案例
5. 更新学习数据
6. 重复循环
这是我们的方法。