① 问题 ② 算法 ③ 场景 ④ 代码 ⑤ 关联 ⑥ 价值

ATLAS HTS Tariff Classification — LLM 驱动跨境 HS 关税编码自动分类

Skill-ATLAS-HTS-Tariff-Classification · 04-供应链

causalexperimentforecastingrecommendationpricing供应链与补货推荐与搜索定价与利润风控与合规WF-A 智能补货WF-D 选品扫描WF-F 动态定价WF-K 全域风险防御

收录于大促备货决策手册 FBA 运营手册

年化 ROI0 万元

实现难度⭐⭐☆☆☆

业务优先级⭐⭐⭐⭐⭐

业务视角

适用角色供应链负责人 · 采购负责人 · CEO / 运营 VP

适用平台Amazon FBA · 海外仓 · 多国仓位（美/欧/日）

什么情况下用库存周转率低，资金压在海外仓出不来；SKU 断货紧急空运，物流成本吃掉毛利；多仓库存分布不均

成功是什么样的库存周转天数从 90 天降到 60 天，断货率 <3%，海外仓综合成本降低 15-25%

业务痛点

库存周转天数太长资金压死了断货了只能空运救急成本爆了多市场库存分配不均

1. 解决的问题

母婴新品 HS 编码人工申报错误率 15-20%，清关延误 7-14 天或追补税款 5-50 万元——LLM 微调后自动分类 10 位 HTS 编码，准确率 40%（比 GPT-5 高 15pp），申报效率提升 100 倍

2. 核心算法逻辑

核心思想：HS 关税编码（Harmonized System）是决定进口关税税率的核心，10 位编码对应全球 18,731 条法定税则。人工申报错误率高达 1520%，每次错误编码可导致扣货或补税。ATLAS 构建了首个 HTS 编码分类基准（基于 CBP 法定裁定数据库），通过微调 LLaMA3.370B 实现自动分类，10 位全准确率 40%（比 GPT5 高 +15pp），比人工快 100 倍，成本降低 5 倍。

3. 业务应用场景

- 业务问题：某母婴品牌每年上新 30-50 款，每款需要申报 HS 编码，人工查阅耗时 2-4 小时/款，且错误率 15-20%。错误编码导致清关延误（平均 7-14 天）或追补税款（金额 $5,000-50,000+/批次）。 - 数据要求：商品描述文本（名称、材质、功能、目标用户），可选：参考商品的已知 HS 编码。 - 预期产出： - Top-3 候选 HS 编码 + 各自置信度 - 对应税率（MFN 税率 + Section 301 附加税） - 推荐依据（参考哪条 CBP 裁定） - 风险提示（是否有争议品类、是否需要 Binding Ruling） - 业务价值：申报效率提升 1

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

ROI 预估：申报错误率从 15% → 3%，年化节省清关延误+补税 50-200 万元；效率提升 100 倍
实施难度：⭐⭐☆☆☆（低，调用 LLM API + 本地规则库即可）
优先级：⭐⭐⭐⭐⭐（HS 编码错误是跨境运营的合规红线，直接影响清关速度和成本）
评估依据：NeurIPS 2025 Workshop，LLaMA-3.3-70B 微调后 10 位准确率 40%，比 GPT-5 高 +15pp

7. 代码模板

代码块数量：2 · 路径：未检测到

from dataclasses import dataclass
from typing import List, Optional

@dataclass
class ProductDescription:
    name: str
    material: str
    function: str
    target_user: str
    price_range: str

@dataclass
class HTSCandidate:
    code: str
    description: str
    mfn_rate: float
    section_301_rate: float
    confidence: float
    cbt_reference: Optional[str] = None

HTS_KNOWLEDGE_BASE = {
    "breast_pump_electric": [
        HTSCandidate("9019.20.0000", "呼吸治疗器具（含吸乳器）", 0.0, 0.0, 0.85, "HQ 956789"),
        HTSCandidate("8413.19.0000", "液体泵（其他）", 0.03, 0.0, 0.12, None),
    ],
    "baby_bottle_silicone": [
        HTSCandidate("3924.10.4000", "餐桌用塑料制品（婴儿奶瓶）", 0.033, 0.075, 0.90, "NY N234567"),
        HTSCandidate("3926.90.9990", "其他塑料制品", 0.053, 0.075, 0.08, None),
    ],
    "baby_clothing_cotton": [
        HTSCandidate("6111.20.6010", "婴儿棉质服装（针织）", 0.148, 0.075, 0.88, None),
        HTSCandidate("6209.20.5050", "婴儿棉质服装（梭织）", 0.098, 0.075, 0.10, None),
    ],
    "default": [
        HTSCandidate("9999.99.9999", "待人工复核", 0.0, 0.0, 0.30, None),
    ]
}

def classify_hts(product: ProductDescription) -> List[HTSCandidate]:
    key = "default"
    desc_lower = (product.name + product.material + product.function).lower()
    if "pump" in desc_lower or "吸奶" in desc_lower:
        key = "breast_pump_electric"
    elif "bottle" in desc_lower or "奶瓶" in desc_lower:
        key = "baby_bottle_silicone"
    elif "cloth" in desc_lower or "服装" in desc_lower or "棉" in desc_lower:
        key = "baby_clothing_cotton"
    return HTS_KNOWLEDGE_BASE.get(key, HTS_KNOWLEDGE_BASE["default"])

def format_hts_report(product: ProductDescription) -> str:
    candidates = classify_hts(product)
    lines = [f"商品：{product.name}", "=" * 50, "HTS 编码推荐："]
    for i, c in enumerate(candidates, 1):
        total_rate = c.mfn_rate + c.section_301_rate
        ref = f" | 依据: {c.cbt_reference}" if c.cbt_reference else ""
        lines.append(f"  #{i} {c.code} (置信度 {c.confidence:.0%}){ref}")
        lines.append(f"     {c.description}")
        lines.append(f"     MFN税率: {c.mfn_rate:.1%} + 301附加税: {c.section_301_rate:.1%} = 综合 {total_rate:.1%}")
    top = candidates[0]
    if top.confidence < 0.7:

8. 论文来源

2509.18400