前置仓供应链全链路 AI 智能体 精细方案
V3.0 重点：聚焦 FC + FDC + RDC + 供应商四级协作全链路，绘制业务数据流与价值流。
引言：为什么需要这套方案
行业背景
前置仓模式（以朴朴、叮咚买菜、沃尔玛云仓为代表）正在重塑中国生鲜零售格局。消费者从"次日达"进化到"30分钟达"，极致履约体验的背后，是一条 供应商 → RDC → FDC → FC → 消费者 的四级供应链在支撑。
这条链路每天处理数千万笔订单、调度数万种 SKU、跨越数千公里物流网络。任何一个环节的效率损失，都会被逐级放大，最终体现在缺货、损耗和成本上。
供应链解决方案的底层逻辑
在展开具体方案之前，需要先回答一个根本问题：供应链解决方案解决的本质问题是什么？
本质问题：在"不确定性"与"效率"之间寻找最优解。
供应链管理的所有问题，归根结底都源于三个核心矛盾：
| 核心矛盾 | 具体表现 | 为什么难 |
|---|---|---|
| 需求不确定 vs 供给需要提前确定 | 消费者随时下单，但商品需要提前采购、运输、入库 | 采购周期 7-30 天，无法等消费者下单后再备货 |
| 服务速度要求高 vs 库存成本约束紧 | 30 分钟达要求每个 FC 都有货，但库存越多资金占用越大 | 2000-5000 个 SKU 全部备齐意味着巨大的库存资金压力 |
| 全局最优 vs 局部利益冲突 | FC 希望多备货防缺货，RDC 希望少备货降成本 | 各层级目标不一致，缺乏全局协调机制 |
而商品的多样性进一步放大了这三个矛盾。
同样是"补货"这个动作，面对不同商品时，最优策略完全不同：
| 商品特征 | 对需求不确定性的影响 | 对库存策略的影响 | 对决策复杂度的影响 |
|---|---|---|---|
| 保质期：鲜奶（7天）vs 罐头（365天） | 短保品需求波动大（消费者偏好新鲜），长保品需求稳定 | 短保品只能备1天库存，长保品可备30天 | 短保品需要高频补货+临期预警，长保品可低频大批量 |
| 季节性：冰淇淋（夏旺）vs 粮油（全年平稳） | 季节性商品需求波动可达3-8倍 | 旺季需提升安全库存2-3倍，淡季降至50% | 需按月动态调整策略，不能使用全年均值 |
| 需求刚性：牛奶（刚需）vs 零食（弹性） | 刚需品需求稳定可预测，弹性品受促销/竞品影响大 | 刚需品缺货=用户流失，弹性品缺货影响有限 | 刚需品缺货零容忍需自动调拨，弹性品可推荐替代品 |
| 区域偏好：市中心偏好进口品牌 vs 郊区偏好性价比 | 同一SKU在不同区域销量差异可达2倍 | 各FC安全库存需按区域偏好系数差异化设置 | 预测模型必须按FC独立训练，不能用全市统一模型 |
| 毛利等级：车厘子（高毛利）vs 大米（低毛利） | 高毛利商品缺货的隐性损失远超毛利本身 | 高毛利品宁可多备不可缺货，低毛利品严格控制库存 | 调拨决策阈值需按毛利等级差异化（高毛利-50元即可调拨） |
| 体积重量：大桶水（重货）vs 零食（轻货） | 不直接影响需求，但影响配送能力 | 重货需独立线路规划，轻货可混装填充空间 | 补货时需3D装箱+载重约束，增加决策维度 |
关键洞察：如果不对商品进行多维分类，用一套统一策略处理所有 SKU，必然导致——
- 短保品积压临期（按长保品策略补货太多）
- 刚需品频繁缺货（按弹性品策略容忍缺货）
- 季节性商品旺季断货（按全年均值备货）
- 市中心仓积压性价比商品（未按区域偏好差异化备货）
因此，商品多维分类是供应链解决方案的基础前提，不是可选的增强功能。
这三个矛盾决定了供应链解决方案的底层逻辑：
底层逻辑一：用信息流替代库存流
供应链管理的本质不是管理"货"，而是管理"信息"。 当你不知道消费者要什么的时候，只能靠多备货来应对不确定性（高库存、高成本）。 当你能准确预测消费者要什么、什么时候要、要多少的时候，就可以用"精准的信息"替代"冗余的库存"。
而"精准的信息"不仅包括销量预测，还包括商品自身的多维属性信息——保质期决定了能备多少、季节性决定了什么时候备、区域偏好决定了在哪个仓备。
| 模式 | 信息能力 | 库存策略 | 结果 |
|---|---|---|---|
| 传统模式 | 看不到终端需求，凭采购单被动响应，商品无分类 | 各层级叠加安全库存，所有SKU统一策略 | 牛鞭效应，过量采购10-20%，短保品报损率高 |
| 信息驱动模式 | 终端需求实时可视 + 商品多维分类（9个维度） | 按保质期分级设置补货上限，按季节性动态调整安全库存，按区域偏好差异化备货 | 库存降低15-25%，缺货率降至2%，报损率降至2% |
本方案的核心：让 18 类动态数据源 + 1 类基础数据源（商品主数据，含 9 个分类维度）实时驱动 8 个智能体，实现"信息流替代库存流"。
底层逻辑二：用自动化决策替代人工经验
供应链决策的核心特征是：高频、多维、实时。 FC 每日需对 2000-5000 个 SKU 做补货决策，每个决策需要同时考虑库存、在途、预测、天气、促销等 10+ 个维度。 更关键的是，每个 SKU 的决策规则不同——短保品的补货量上限是1天销量，长保品不受约束；刚需品缺货必须自动调拨，弹性品可以推荐替代品。 人类无法同时处理这么多变量和差异化规则，只能靠经验简化决策，必然带来偏差。
| 决策类型 | 决策频率 | 决策维度（含商品属性） | 人工能力边界 | AI 智能体能力 |
|---|---|---|---|---|
| FC 补货 | 每日 2 次 x 5000 SKU | 库存+在途+预测+天气+促销+温层+装载+保质期分级+体积重量 | 同时处理 < 50 个 SKU，无法按商品属性差异化 | 同时处理全部 SKU，自动按保质期分级设置补货上限 |
| 跨仓调拨 | 每 30 分钟扫描 | 全部 FC 库存+距离+成本+时效+毛利等级+替代品+保质期约束 | 发现缺货后 2 小时响应，无法计算毛利差异化阈值 | 实时扫描 30 分钟内完成，高毛利品自动放宽调拨阈值 |
| 采购计划 | 每日 1 次 | 供应商库存+交期+MOQ+价格+质量+保质期vs交期+季节性备货 | 每次处理 < 100 个 SKU，无法评估交期与保质期的关系 | 全量 SKU 自动匹配，交期必须小于保质期50% |
底层逻辑三：用闭环反馈实现持续进化
供应链环境是动态变化的——季节更替、消费趋势、供应商产能、竞争格局都在持续变化。 任何静态的规则或模型都会随时间衰减。唯一有效的策略是：执行 → 测量 → 学习 → 优化，形成闭环。
而闭环反馈也需要按商品维度差异化：
| 反馈指标 | 按商品维度差异化 | 优化动作 |
|---|---|---|
| 预测准确率 | 按ABC分级+保质期分级分别监控 | A类短保品偏差>20%即触发模型重训练，C类长保品偏差>50%才触发 |
| 缺货率 | 按需求刚性分级监控 | 刚需品缺货率>1%即预警（用户流失风险高），弹性品缺货率>5%才预警 |
| 报损率 | 按保质期分级监控 | 短保品报损率>3%需调整补货频次，长保品报损率>1%需检查仓储条件 |
| 库存周转率 | 按季节性分级监控 | 季节性商品在淡季周转率下降是正常的，不应触发优化；旺季周转率下降才需关注 |
传统模式： 制定规则 → 执行 → 月度复盘 → 人工调整规则 → 执行（周期：月级）
闭环模式： 数据感知 → 商品多维分类 → AI差异化决策 → 执行 → 按商品维度反馈 → 模型自动迭代 → 执行（周期：日级）
这意味着系统不是一次性交付就结束，而是越用越准——每一轮闭环都在积累数据、修正模型、优化规则，且优化是按商品维度精细化的。
总结：底层逻辑的三层递进
| 层次 | 逻辑 | 解决的问题 | 对应方案能力 |
|---|---|---|---|
| 第一层 | 用信息流替代库存流 | 解决"不知道要什么所以多备货" | 18类动态数据源 + 商品主数据（9个分类维度）+ 终端需求预测 |
| 第二层 | 用自动化决策替代人工经验 | 解决"知道要什么但决策不过来" | 8个智能体按商品多维属性差异化决策 |
| 第三层 | 用闭环反馈实现持续进化 | 解决"环境变了模型不准了" | 12项指标按商品维度差异化反馈 + 每日模型迭代 |
当前核心痛点
以下痛点基于前置仓行业的真实业务现状，结合商品多维属性分析根因。
痛点一：商品无差异化分类，"一刀切"策略导致系统性错配
当前大多数前置仓企业对所有 SKU 采用统一的补货策略、统一的安全库存公式、统一的调拨阈值。 但商品之间的差异巨大——鲜奶保质期 7 天、罐头保质期 365 天；冰淇淋夏季销量是冬季的 5 倍；牛奶是刚需缺货即流失用户、零食是弹性品缺货影响有限。 用一套策略管理所有 SKU，必然导致：短保品积压临期（按长保品策略补货太多）、刚需品频繁缺货（按弹性品策略容忍缺货）、季节性商品旺季断货（按全年均值备货）。
| 商品类型 | 统一策略导致的问题 | 实际损失 |
|---|---|---|
| 短保品（鲜奶、烘焙） | 按长保品逻辑补货，单次补货量过大 | 到货后 3 天内临期，报损率 5-10% |
| 刚需品（牛奶、鸡蛋、蔬菜） | 按弹性品逻辑设置安全库存，容忍缺货 | 缺货率 5-8%，用户直接转竞品平台 |
| 季节性商品（火锅底料、冰淇淋） | 按全年均值备货，不随季节调整 | 旺季断货率 20-30%，淡季积压 40-60% |
| 高毛利品（进口水果、车厘子） | 按统一阈值决定是否调拨，不考虑毛利差异 | 高毛利品因调拨阈值过严而频繁缺货，损失高毛利 GMV |
痛点二：信息孤岛 + 牛鞭效应，供应商看不到终端需求
消费者需求波动 ±10%，经过 FC → FDC → RDC → 供应商逐级放大，到供应商端变成 ±70%。 供应商看不到终端动销数据，只能凭采购单被动生产。更关键的是，供应商也不知道自己供应的 SKU 在不同区域的动销差异——同一 SKU 在市中心仓日销 80 件、在郊区仓只卖 40 件，但供应商按统一数量备货。 导致过量采购 10-20%、库存积压、资金占用严重。
痛点三：补货决策维度不足，无法处理商品差异化约束
FC 每日需处理 2000-5000 个 SKU 的补货决策。当前计划员主要看"库存够不够"，但实际决策需要同时考虑：
- 保质期：短保品单次补货量不能超过 1 天销量，否则到货就临期
- 体积重量：重货（米面粮油）需要独立线路，不能与轻货混装
- 温层：冷冻、冷藏、常温需要不同车辆，不能混装
- 在途库存：已有在途的 SKU 不应重复补货
- 临期预警：FC 现有库存快过期时，应减少补货量
人类无法同时处理 5000 SKU x 6+ 个约束维度的实时决策，只能靠经验简化，必然导致偏差。畅销品缺货率 5-8%，直接损失 GMV 3-5%。
痛点四：跨仓调拨缺乏商品属性感知，该调的不调、不该调的乱调
同一城市内，A 仓某 SKU 缺货，B 仓同一 SKU 有富余——看似简单的调拨决策，实际需要考虑：
- B 仓的库存是否临期？（短保品剩余货架期 < 3 天不能调拨）
- 调拨成本 vs 缺货损失？（高毛利刚需品即使调拨亏 50 元也值得，低毛利弹性品不划算）
- 有没有替代品？（有替代品时可以不调拨，直接推荐消费者换购）
- 区域偏好差异？（市中心仓缺进口品牌，郊区仓有但调拨过去也没人买）
当前跨仓调拨缺乏这些判断，平均调拨响应时间超过 2 小时，且经常出现"调过去的是临期品"或"调拨成本高于缺货损失"的无效调拨。
痛点五：生鲜损耗高，临期处理滞后且无差异化
生鲜品类报损率 3-8%，占企业总成本的 15-25%。 根本原因不仅是"预测不准"，更关键的是临期处理没有按商品属性差异化：
- 短保品（< 7 天）需要提前 3 天预警，但当前系统往往提前 1 天才发现
- 高毛利临期品应该优先调拨到动销快的仓（挽回价值），低毛利临期品应该直接打折或报损
- 郊区 FC 的消费者对价格更敏感，临期打折效果是市中心的 3 倍，但当前打折策略全市统一
- 温控断链加速临期，但 IoT 温控数据没有与临期预警联动
每降低 1% 的报损率，相当于直接增加 1% 的净利润。
痛点六：区域消费差异被忽视，"全市一盘棋"导致库存错配
同一城市内，不同区域的消费偏好差异巨大：
- 市中心（CBD、高端社区）：偏好进口品牌、高端品类，对价格不敏感
- 郊区（城中村、远郊）：偏好性价比品牌，对价格高度敏感，促销效果是市中心 3 倍
- CBD 区域午餐高峰 11-13 点，住宅区晚餐高峰 17-19 点
但当前系统按"全市统一模型"预测和补货，导致：
- 市中心仓积压性价比商品（按全市均值备货，但市中心消费者不买）
- 郊区仓频繁缺货刚需品（郊区人口密度大、刚需消费量大，但安全库存与市中心相同）
- 促销资源浪费：全市统一打折，但郊区效果远好于市中心，应该差异化投放
为什么传统方案不够
| 传统方案 | 局限性 | 对应痛点 |
|---|---|---|
| ERP 自动补货（基于安全库存公式） | 所有 SKU 统一公式，无法区分短保/长保、刚需/弹性、季节性差异 | 痛点一：一刀切策略导致系统性错配 |
| 计划员人工经验决策 | 无法同时处理 5000 SKU x 6+ 个约束维度，响应速度慢 | 痛点三：补货决策维度不足 |
| 数据看板 + 报表 | 只能"看"不能"做"，发现问题后仍需人工介入调拨 | 痛点四：跨仓调拨缺乏自动决策 |
| 单点优化（只优化 FC 或只优化采购） | 局部最优不等于全局最优，甚至可能加剧牛鞭效应 | 痛点二：信息孤岛 + 牛鞭效应 |
| 统一预测模型（全市一个模型） | 无法感知区域消费偏好差异，导致库存错配 | 痛点六：区域差异被忽视 |
| 规则引擎（if-then-else） | 无法处理需要综合判断的复杂场景（如调拨时同时考虑保质期+毛利+替代品） | 痛点四、五：临期处理和调拨决策过于简单 |
核心矛盾：供应链的复杂性已经超出了人工决策的能力边界，需要一套能够实时感知全链路数据、自动做出全局最优决策、并持续自我优化的智能系统。
为什么选择多 Agent 架构
2024-2025 年，以 Claude Code、OpenAI Codex 为代表的新一代 LLM Agent 技术成熟，标志着 AI 从"单次问答工具"进化为"可自主规划、调用工具、多步推理的智能体"。这为供应链决策场景提供了全新的技术范式。
传统 AI 方案 vs 多 Agent 方案：
| 维度 | 传统 AI（单一模型/规则引擎） | 多 Agent 架构（LLM Agent） |
|---|---|---|
| 决策方式 | 一个模型处理所有场景，或多个独立规则引擎 | 多个专业化 Agent 各司其职，通过消息传递协同 |
| 上下文理解 | 只能理解单一维度的数据（如销量预测） | 每个 Agent 可以理解完整业务上下文（商品属性+库存+物流+供应商） |
| 推理能力 | 基于统计模型的模式匹配，无法处理"从未见过"的情况 | 基于大语言模型的 Chain-of-Thought 推理，可以处理新场景 |
| 工具调用 | 需要人工预先编码所有规则和逻辑 | Agent 可以自主决定调用哪些工具（查库存、算成本、生成单据） |
| 可扩展性 | 新增场景需要重新训练模型或修改规则 | 新增 Agent 即可覆盖新场景，不影响现有 Agent |
| 可解释性 | 黑盒模型，决策过程不可追溯 | Agent 的推理过程可记录、可审计、可人工介入 |
多 Agent 在供应链场景的核心优势：
优势一：专业化分工，每个 Agent 聚焦一个决策域
供应链决策不是单一问题，而是多个相互关联的子问题：预测、补货、调拨、采购、临期处理、全局优化。 如果用一个"万能模型"处理所有问题，必然导致——模型过于复杂、训练数据冲突、推理速度慢、无法精细化。 多 Agent 架构让每个 Agent 专注一个领域：智能体一只做预测、智能体二只做补货、智能体三只做调拨……每个 Agent 都可以在自己的领域做到最优。
| Agent | 专注领域 | 为什么需要独立 Agent |
|---|---|---|
| 智能体一 | 终端需求预测 | 预测是高频计算密集型任务，需要独立优化模型精度 |
| 智能体二 | FC 补货规划 | 补货需要综合考虑保质期、体积、温层等物理约束 |
| 智能体三 | 跨仓调拨 | 调拨是实时决策，需要每30分钟扫描，与补货的日级周期不同 |
| 智能体四 | FDC 补货规划 | FDC补货涉及干线运输优化，与FC城市配送逻辑完全不同 |
| 智能体五 | RDC 采购规划 | 采购涉及供应商匹配、MOQ、交期等商业谈判逻辑 |
| 智能体六 | 供应商协同 | 需要与外部系统交互，独立Agent更易管理接口和异常 |
| 智能体七 | 生命周期管理 | 临期处理需要独立的预警阈值和处理策略 |
| 智能体八 | 全局库存策略 | 全局优化需要汇总所有Agent的输出，独立运行避免循环依赖 |
优势二：Agent 间协同，实现全局最优
多个 Agent 不是各自为政，而是通过数据流转和消息传递形成协作网络。 智能体一的预测结果驱动智能体二的补货决策，智能体二的FC补货汇总驱动智能体四的FDC补货，智能体四的FDC补货汇总驱动智能体五的采购…… 这种链式依赖 + 全局反馈的架构，确保了局部决策服务于全局目标。
优势三：基于 LLM 的推理能力，处理复杂业务逻辑
传统的规则引擎只能处理"if-then-else"逻辑，无法处理需要综合判断的复杂场景。 例如："这个 SKU 在 A 仓缺货，B 仓有富余但临期，C 仓有替代品但毛利低，是否应该调拨？" 这种决策需要同时考虑：缺货损失、调拨成本、临期风险、替代品可行性、毛利影响——传统规则引擎很难编码所有组合。 而 LLM Agent 可以通过 Chain-of-Thought 推理，逐步分析每个因素，给出综合判断。
Agent 推理示例（智能体三：跨仓调拨决策）：
Step 1: SKU-100234 在 FC-静安寺 缺货，缺口量 = 50 盒
Step 2: 查询商品主数据 → 保质期 = 7天（短保品），毛利 = 45%（高毛利），需求刚性 = 刚需
Step 3: 搜索可调出仓 → FC-徐家汇 有 80 盒，但最早批次剩余货架期 = 2天（< 3天阈值，不可调拨）
Step 4: 继续搜索 → FC-陆家嘴 有 60 盒，最早批次剩余货架期 = 5天（可调拨）
Step 5: 查询替代品 → 伊利纯奶在 FC-静安寺 库存充足（可推荐替代）
Step 6: 综合判断 → 高毛利+刚需，缺货损失高 → 执行调拨（净收益 = 50x5.9x0.45x1.2 - 8x3 - 8 = 128元 > 0）
Step 7: 同时推送替代品推荐给运营系统（作为备选方案）
优势四：可观测、可介入、可迭代
每个 Agent 的输入、推理过程、输出都可以记录和审计。 当决策异常时（如智能体二突然将某 SKU 补货量放大 3 倍），系统可以追溯原因（如天气预报触发高温预警 + 该 SKU 是短保高天气敏感商品）。 计划员可以在自动决策的基础上进行人工修正，修正结果会反馈给 Agent 用于模型优化。 这正是 Claude Code、Codex 等 Agent 系统的核心理念：AI 自主执行 + 人类监督介入 + 持续学习进化。
供应链多智能体 Agentic Loop 架构
借鉴 Claude Code、Codex 等系统的 Agentic Loop（智能体循环）设计理念，本方案将每个供应链智能体设计为一个完整的"感知-推理-行动-反馈"循环。每个 Agent 不是被动执行固定规则，而是能够根据实时数据自主决策、调用工具、并在反馈中持续进化。
Agentic Loop 的核心循环：
┌─────────────────────────────────────────────────────┐
│ Agent 循环 │
│ │
│ ① 感知（Observe） │
│ │ 读取实时数据：库存、预测、商品属性、物流状态 │
│ │ │
│ ▼ │
│ ② 推理（Reason） │
│ │ 基于商品多维属性进行差异化判断 │
│ │ 例如：短保品→补货上限1天；刚需品→缺货零容忍 │
│ │ │
│ ▼ │
│ ③ 行动（Act） │
│ │ 调用工具执行决策：生成单据、触发调拨、推送预警 │
│ │ │
│ ▼ │
│ ④ 反馈（Reflect） │
│ │ 监控执行结果：到货准时率、缺货率、报损率 │
│ │ 异常时自动调整策略，反馈给下一轮循环 │
│ │ │
│ └──────────→ 回到 ①，持续循环 │
└─────────────────────────────────────────────────────┘
8 个智能体的 Agentic Loop 设计：
| 智能体 | 循环周期 | ① 感知（读取什么数据） | ② 推理（如何差异化决策） | ③ 行动（调用什么工具） | ④ 反馈（监控什么指标） |
|---|---|---|---|---|---|
| 智能体一 | 每日 01:00 | FC销量+天气+促销+商品分类标签 | 按ABC+保质期+季节性选择不同预测模型 | 调用预测模型API，输出24h预测 | 预测准确率（按商品维度分别监控） |
| 智能体二 | 每日 02:30 | 预测结果+FC库存+在途+保质期分级 | 短保品补货上限1天、长保品不受限、FIFO控制 | 调用WMS生成补货单，调用TMS分配车辆 | 补货及时率、到货准时率 |
| 智能体三 | 每 30 分钟 | FC库存+预测+毛利+替代品+保质期 | 高毛利放宽调拨阈值、短保品过滤临期批次 | 调用WMS生成调拨单，调用配送系统 | 调拨响应时间、调拨有效率 |
| 智能体四 | 每日 03:00 | FC补货汇总+FDC库存+保质期+批次到期日 | 短保品补货上限2天（预留干线时间） | 调用WMS生成FDC补货单，调用TMS干线运输 | 车辆装载率、干线准时率 |
| 智能体五 | 每日 04:00 | FDC补货汇总+RDC库存+供应商交期+保质期 | 交期必须<保质期50%、短保品采购上限3天 | 调用采购系统生成采购单 | 采购到货准时率、质检合格率 |
| 智能体六 | 每日 07:00 | 采购需求+供应商库存+生产计划+保质期 | 短保品要求供应商2天内交期 | 调用供应商协同平台推送需求 | 供应商响应率、需求满足率 |
| 智能体七 | 每日 3 次 | 库存批次+保质期分级+日均销量+温控数据 | 短保1/2/3天、中保3/5/7天、长保7/15/30天预警 | 调用WMS生成临期处理指令，调用运营系统打折 | 报损率（按保质期分级监控） |
| 智能体八 | 每日 22:00 | 全链路库存+全部指标+商品分类标签 | ABC系数+保质期上下限+毛利系数+快慢消修正 | 调用仿真引擎模拟策略，输出安全库存调整指令 | 库存周转率、缺货率、资金占用 |
Agentic Loop 的关键设计原则（借鉴 Claude Code / Codex 理念）：
原则一：自主规划（Autonomous Planning）
每个 Agent 不是被动等待指令，而是自主决定"现在该做什么"。 类似 Claude Code 接到编码任务后自主拆解为多步骤执行计划，智能体二接到"补货"任务后自主分解为：计算需求 → 保质期约束 → 温层分组 → 线路优化 → 装载优化 → 生成单据。每一步的输入是上一步的输出，形成完整的决策链。
原则二：工具调用（Tool Use）
每个 Agent 可以调用外部系统获取数据和执行动作，而不是所有逻辑都硬编码。 类似 Claude Code 可以调用文件系统、终端、搜索工具，供应链 Agent 可以调用：
- WMS API：查询库存、生成补货单、查询批次到期日
- TMS API：查询在途、分配车辆、计算配送成本
- PIM API：查询商品属性（保质期、体积、毛利、替代品等）
- 预测模型 API：获取销量预测结果
- 仿真引擎：模拟不同库存策略的效果
原则三：多步推理与可追溯（Chain-of-Thought Reasoning）
每个 Agent 的决策过程不是黑盒，而是逐步推理、可记录、可审计。 类似 Claude Code 在编码时展示完整的推理过程，供应链 Agent 的每一步决策都记录：
- 输入了什么数据（如"SKU-100234 保质期=7天，毛利=45%"）
- 应用了什么规则（如"短保品补货上限=1天销量"）
- 得出了什么结论（如"补货量=MIN(120, 80)=80盒"）
- 为什么排除其他选项（如"FC-徐家汇有货但批次临期，不可调拨"）
当决策异常时，可以完整追溯推理链路，快速定位原因。
原则四：人机协作（Human-in-the-Loop）
Agent 自主处理 80% 的标准决策，20% 的异常或高风险决策由人工确认。 类似 Claude Code 在执行高风险操作（如删除文件）前请求确认，供应链 Agent 在以下场景请求人工介入：
- 补货金额 > 1000 元 → 推送供应链主管审批
- 调拨净收益为负但高毛利刚需品 → 推送计划员确认
- 采购量超过历史均值 2 倍 → 推送采购经理审核
- 临期红色预警处理方案 → 推送运营确认
人工修正的结果会反馈给 Agent，用于优化后续决策规则。
原则五：持续进化（Continuous Learning）
每个 Agent 不是静态的，而是通过反馈循环持续优化。 类似 Claude Code 从用户的修正中学习偏好，供应链 Agent 从以下反馈中进化：
- 预测偏差 → 自动调整模型参数和特征权重
- 调拨执行结果 → 优化成本收益计算公式
- 临期处理效果 → 调整预警阈值和处理策略
- 人工修正记录 → 将人工决策转化为新的规则
每日 22:00 智能体八汇总全部反馈，输出策略优化指令，驱动所有 Agent 在下一轮循环中应用新策略。
本方案的核心价值主张
核心价值：一个闭环，三个核心价值 本方案围绕 "感知 → 决策 → 单据 → 执行 → 反馈 → 优化" 六步闭环，设计 8 个 AI 智能体协同覆盖全链路，实现三个核心价值：
价值一：从"事后补救"到"事前预判"
| 维度 | 传统模式 | AI 智能体模式 |
|---|---|---|
| 需求预测 | 计划员凭经验，偏差 30-50% | 多维特征预测，MAPE < 20% |
| 缺货应对 | 消费者下单后才发现缺货 | 提前 4 小时预警，自动触发调拨 |
| 临期处理 | 仓管巡仓发现，已临期 | 提前 3-5 天预警，自动生成处理方案 |
价值二：从"局部最优"到"全局最优"
| 维度 | 传统模式 | AI 智能体模式 |
|---|---|---|
| 库存策略 | 各层级独立设置安全库存 | 全局仿真优化，动态调整各层级水位 |
| 调拨决策 | 仓管发现缺货后人工协调 | 每 30 分钟自动扫描，30 分钟内完成调拨 |
| 采购计划 | RDC 独立采购，与终端需求脱节 | 终端需求直通供应商，采购准确率提升 |
价值三：从"人工驱动"到"数据驱动闭环"
| 维度 | 传统模式 | AI 智能体模式 |
|---|---|---|
| 决策依据 | 经验 + 简单规则 | 18类动态数据源 + 商品主数据实时驱动 |
| 优化方式 | 月度复盘，人工调整 | 每日自动迭代，模型越用越准 |
| 响应速度 | 小时级 / 天级 | 分钟级 / 秒级 |
预期收益量化
| 指标 | 当前行业水平 | 本方案目标 | 业务价值 |
|---|---|---|---|
| FC 缺货率 | 5-8% | < 2% | 挽回 GMV 损失 3-5% |
| 生鲜报损率 | 3-8% | < 2% | 直接增加净利润 1-6% |
| 库存周转率 | 基准 | +20% | 释放库存资金 |
| 跨仓调拨响应 | > 2 小时 | < 30 分钟 | 减少缺货时长 |
| 补货决策人工介入率 | 100% | < 20% | 释放计划员产能 |
| 采购过量率 | 10-20% | < 5% | 减少库存积压 |
方案定位 本方案不是替代人，而是让 AI 处理可标准化的高频决策（80%+），让人聚焦在异常处理和策略制定（20%-）。 8 个智能体各司其职，覆盖从终端需求预测到供应商协同的全链路，通过数据闭环实现持续进化。
一、四级供应链架构总览
1.1 仓储层级定义
| 层级 | 全称 | 定位 | 覆盖范围 | SKU 数量 | 补货周期 | 典型企业 |
|---|---|---|---|---|---|---|
| FC | Front Warehouse 前置仓 | 离消费者最近的末端仓 | 1-3 公里 | 2,000-5,000 | 每日 2-3 次 | 朴朴、叮咚 |
| FDC | Forward Distribution Center 前置配送中心 | 城市级分拨仓 | 覆盖一个城市 | 5,000-15,000 | 每日 1-2 次 | 沃尔玛云仓 |
| RDC | Regional Distribution Center 区域配送中心 | 区域级大仓 | 覆盖数省 | 10,000-50,000 | 每周 1-3 次 | 山姆区域仓 |
| 供应商 | Supplier | 商品源头 | 全国/全球 | — | 按采购周期 | 品牌方/产地 |
1.2 四级架构全景图
全景层级图：
flowchart TB
SUP["供应商层<br/>品牌供应商 / 产地直采 / 批发商<br/>SKU: 1-5万 | 采购周期: 7-30天"]
RDC["RDC 区域配送中心<br/>华东上海 / 华南广州 / 华北北京<br/>SKU: 1-5万 | 周转: 15-30天"]
FDC["FDC 城市配送中心<br/>上海 / 杭州 / 南京 / 广州 / 深圳<br/>SKU: 5000-1.5万 | 覆盖: 1城"]
FC["FC 前置仓<br/>静安寺 / 徐家汇 / 陆家嘴 / 西湖区 / 天河区 / 南山区<br/>SKU: 2000-5000 | 覆盖: 1-3km"]
CUS["消费者<br/>日均3000万件 | 30min达"]
SUP ==>|"采购入库<br/>周期7-30天 降本15-25%"| RDC
RDC ==>|"干线调拨<br/>周期3-7天 整车运输"| FDC
FDC ==>|"城市补货<br/>每日2次 多温层配送"| FC
FC ==>|"即时配送<br/>30min-1h"| CUS
SUP -.->|"需求共享<br/>7天滚动预测"| FC
style SUP fill:#e8f5e9,stroke:#4caf50,color:#1b5e20
style RDC fill:#e3f2fd,stroke:#2196f3,color:#0d47a1
style FDC fill:#fff3e0,stroke:#ff9800,color:#e65100
style FC fill:#fce4ec,stroke:#e91e63,color:#880e4f
style CUS fill:#f3e5f5,stroke:#9c27b0,color:#4a148c
仓网映射关系（华东区域示例）：
flowchart LR
subgraph R1["华东RDC 上海"]
end
subgraph F_GROUP["FDC 城市仓"]
F1["上海FDC"]
F2["杭州FDC"]
F3["南京FDC"]
end
subgraph FC_GROUP["FC 前置仓"]
FC1["静安寺"]
FC2["徐家汇"]
FC3["陆家嘴"]
FC4["西湖区"]
end
R1 ==>|"干线 3-7天"| F1
R1 ==>|"干线"| F2
R1 ==>|"干线"| F3
F1 ==>|"每日2次"| FC1
F1 ==>|"每日2次"| FC2
F1 ==>|"每日2次"| FC3
F2 ==>|"每日2次"| FC4
FC1 -.->|"30min"| FC2
FC2 -.->|"30min"| FC3
F1 -.->|"4-8h"| F2
style R1 fill:#e3f2fd,stroke:#2196f3,color:#0d47a1
style F_GROUP fill:#fff3e0,stroke:#ff9800,color:#e65100
style FC_GROUP fill:#fce4ec,stroke:#e91e63,color:#880e4f
仓网映射明细表：
| 上级仓 | 下属仓 | 配送方式 | 周期 | 覆盖范围 |
|---|---|---|---|---|
| 品牌供应商 / 产地直采 / 批发商 | 华东RDC、华南RDC、华北RDC | 采购入库 | 7-30天 | 全国 |
| 华东RDC 上海 | 上海FDC、杭州FDC、南京FDC | 干线整车 | 3-7天 | 华东3省 |
| 华南RDC 广州 | 广州FDC、深圳FDC | 干线整车 | 3-7天 | 华南2省 |
| 华北RDC 北京 | — | 跨RDC支援 | 1-3天 | 华北（应急） |
| 上海FDC | FC-静安寺、FC-徐家汇、FC-陆家嘴 | 城市补货 | 每日2次 | 上海3个商圈 |
| 杭州FDC | FC-西湖区 | 城市补货 | 每日2次 | 杭州1个商圈 |
| 广州FDC | FC-天河区 | 城市补货 | 每日2次 | 广州1个商圈 |
| 深圳FDC | FC-南山区 | 城市补货 | 每日2次 | 深圳1个商圈 |
| FC-静安寺 ↔ FC-徐家汇 ↔ FC-陆家嘴 | 同级互调 | 骑手/小货车 | 30min | 同FDC内 |
| 上海FDC ↔ 杭州FDC | 跨FDC调拨 | 干线 | 4-8h | 同RDC内 |
| 华东RDC ↔ 华南RDC | 跨RDC调拨 | 干线 | 1-3天 | 跨大区应急 |
架构要点说明：
| 维度 | 说明 |
|---|---|
| 层级关系 | 供应商 → RDC → FDC → FC → 消费者，逐级向下配送 |
| 正向物流 | 粗实线箭头，从上游到下游，逐级缩小覆盖范围、提升响应速度 |
| 横向调拨 | 细虚线箭头，同层级之间互调，解决局部缺货和库存冷热不均 |
| 库存递减 | RDC(1-5万SKU) → FDC(5000-1.5万) → FC(2000-5000)，越靠近消费者 SKU 越少越精 |
| 时效递增 | 采购(7-30天) → 干线(3-7天) → 城市补货(每日2次) → 即时配送(30min)，越靠近消费者越快 |
1.3 各层级核心职能对比
| 层级 | 响应速度 | 覆盖范围 | 定位 |
|---|---|---|---|
| FC 前置仓 | ⭐⭐⭐⭐⭐ 最快 | ⭐ 小（1-3 公里） | 窄且快：即时履约末端 |
| FDC 城市仓 | ⭐⭐⭐⭐ 快 | ⭐⭐⭐ 中（覆盖一城） | 中等：城市级分拨 |
| RDC 区域仓 | ⭐⭐ 慢 | ⭐⭐⭐⭐ 大（覆盖数省） | 广且慢：区域缓冲 |
| 供应商 | ⭐ 最慢 | ⭐⭐⭐⭐⭐ 最大（全国） | 广且慢：商品源头 |
二、业务数据流
定义：业务数据流描述的是数据在供应链各层级之间如何产生、流转、消费的完整路径。
2.1 全链路数据流总图
图一：业务数据产生与流转（数据从哪来、到哪去）
flowchart TB
subgraph BASE["基础数据"]
PIM["商品主数据<br/>SKU属性+分类标签<br/>变更时同步"]
end
subgraph EXT["外部数据源"]
W["天气数据<br/>每日06:00/12:00<br/>T+3天预报"]
H["节假日日历<br/>T+30天"]
M["社交热点<br/>实时爬取"]
P["竞品价格<br/>每日同步"]
end
subgraph CUS["消费者数据"]
O["订单数据<br/>实时写入<br/>日均10万+单"]
CART["购物车数据<br/>实时"]
SEARCH["搜索行为<br/>实时"]
REVIEW["评价数据<br/>实时"]
end
subgraph FC_L["FC 前置仓数据"]
FC_SALE["销售明细<br/>每15分钟聚合<br/>仓xSKUx小时"]
FC_INV["实时库存<br/>秒级更新<br/>2000-5000 SKU"]
FC_LOSS["报损记录<br/>每日录入<br/>报损率3-8%"]
FC_PICK["拣货时效<br/>每单记录"]
end
subgraph FDC_L["FDC 城市仓数据"]
FDC_INV["库存<br/>实时同步<br/>5000-1.5万 SKU"]
FDC_PLAN["补货计划<br/>每日2次生成<br/>凌晨+下午"]
FDC_SORT["分拣数据<br/>每批次"]
end
subgraph RDC_L["RDC 区域仓数据"]
RDC_INV["库存<br/>实时同步<br/>1-5万 SKU"]
RDC_PUR["采购计划<br/>按周期7-30天"]
RDC_IN["入库质检<br/>每批次"]
end
subgraph SUP_L["供应商数据"]
SUP_INV["供应商库存<br/>API每日同步"]
SUP_PROD["生产计划<br/>每月/每周"]
SUP_LEAD["交期承诺<br/>每次下单"]
end
PIM -.->|"SKU属性+分类标签"| FC_L
PIM -.->|"SKU属性+分类标签"| FDC_L
PIM -.->|"SKU属性+分类标签"| RDC_L
PIM -.->|"SKU属性+分类标签"| SUP_L
O & CART & SEARCH & REVIEW -->|"实时写入"| FC_SALE
FC_SALE -->|"每15分钟聚合"| FC_INV
FC_INV ==>|"实时同步<br/>触发补货判断"| FDC_PLAN
FDC_INV -->|"实时同步"| FDC_PLAN
FDC_PLAN -->|"每日2次<br/>凌晨+下午"| FDC_SORT
FDC_INV ==>|"每日汇总<br/>触发采购判断"| RDC_PUR
RDC_INV -->|"每日汇总"| RDC_PUR
RDC_PUR -->|"按采购周期<br/>7-30天"| SUP_PROD
SUP_INV -->|"API对接"| RDC_PUR
style BASE fill:#dcedc8,stroke:#7cb342,color:#1b5e20
style EXT fill:#e8f5e9,stroke:#4caf50,color:#1b5e20
style CUS fill:#fce4ec,stroke:#e91e63,color:#880e4f
style FC_L fill:#fff3e0,stroke:#ff9800,color:#e65100
style FDC_L fill:#e3f2fd,stroke:#2196f3,color:#0d47a1
style RDC_L fill:#e1f5fe,stroke:#03a9f4,color:#01579b
style SUP_L fill:#f1f8e9,stroke:#8bc34a,color:#33691e
图二：AI 智能体数据消费与产出（智能体如何使用数据）
flowchart TB
subgraph INPUT["数据输入"]
D1["FC销售明细<br/>90天历史"]
D2["FC实时库存<br/>秒级"]
D3["FDC/RDC库存<br/>实时"]
D4["供应商库存+交期<br/>每日"]
D5["天气/节日/热点<br/>每日"]
D6["报损记录<br/>每日"]
D7["商品主数据<br/>SKU属性+分类标签<br/>变更时同步"]
end
subgraph AGENTS["AI 智能体处理"]
A1["智能体一<br/>终端需求预测<br/>每日01:00<br/>输入: D1+D2+D5+D7<br/>输出: 24h预测 MAPE小于20"]
A2["智能体二<br/>前置仓补货规划<br/>每日02:30<br/>输入: A1预测+D2+D3+D7<br/>输出: 补货建议 80%自动通过"]
A3["智能体三<br/>库存调拨决策<br/>每30分钟<br/>输入: D2+D3+D7<br/>输出: 调拨建议 小于200元自动"]
A4["智能体四<br/>城市仓补货规划<br/>每日03:00<br/>输入: A1预测+A2汇总+D3+D7<br/>输出: FDC补货建议 覆盖1-2天"]
A5["智能体五<br/>区域仓采购规划<br/>每日04:00<br/>输入: A4汇总+D3+D4+D7<br/>输出: 采购建议 含MOQ优化"]
A6["智能体六<br/>供应商需求协同<br/>每日07:00<br/>输入: A5采购+D4+D7<br/>输出: 7天需求共享"]
A7["智能体七<br/>商品生命周期管理<br/>每日3次<br/>输入: D2+D6+D7<br/>输出: 临期预警 报损率降至2%"]
A8["智能体八<br/>全局库存策略<br/>每日22:00<br/>输入: D2+D3+D4+D7<br/>输出: 安全库存调整 周转提升20%"]
end
subgraph OUTPUT["决策输出"]
O1["FC补货单<br/>每日2次<br/>80%自动通过"]
O2["跨仓调拨单<br/>实时触发<br/>30分钟内完成"]
O3["FDC补货单<br/>每日1次<br/>覆盖1-2天"]
O4["RDC采购单<br/>每日1次<br/>含MOQ优化"]
O5["需求预测共享<br/>7天滚动<br/>推送供应商"]
O6["临期处理指令<br/>每日3次<br/>调拨/打折/报损"]
O7["全局优化指令<br/>每日22:00<br/>安全库存调整"]
end
D7 -->|"SKU属性+分类"| A1 & A2 & A3 & A4 & A5 & A6 & A7 & A8
D1 & D2 & D5 --> A1
A1 -->|"24h预测结果"| A2 & A3 & A4
A2 -->|"FC补货汇总"| A4
A4 -->|"FDC补货汇总"| A5
A5 -->|"采购需求"| A6
D2 & D3 --> A3
D2 & D6 --> A7
A7 -->|"临期清单"| A2 & A3 & A4
A8 -->|"安全库存调整"| A2 & A3 & A4 & A5
A2 -->|"生成"| O1
A3 -->|"生成"| O2
A4 -->|"生成"| O3
A5 -->|"生成"| O4
A6 -->|"生成"| O5
A7 -->|"生成"| O6
A8 -->|"生成"| O7
style INPUT fill:#e8f5e9,stroke:#4caf50,color:#1b5e20
style AGENTS fill:#f3e5f5,stroke:#9c27b0,color:#4a148c
style OUTPUT fill:#fff3e0,stroke:#ff9800,color:#e65100
2.2 各层级数据明细
FC 层数据
| 数据类型 | 数据来源 | 产生频率 | 流向 | 用途 |
|---|---|---|---|---|
| 实时库存 | WMS 系统实时更新 | 实时（秒级） | → FDC、AI 智能体 | 补货决策、调拨决策 |
| 销售明细 | 订单系统 | 实时 | → AI 智能体 | 销量预测、趋势分析 |
| 拣货时效 | 仓内作业系统 | 每单 | → 运营分析 | 仓内效率优化 |
| 报损记录 | 仓管录入 | 每日 | → AI 智能体 | 临期预警、损耗分析 |
| 盘点差异 | 盘点系统 | 每日/每周 | → 库存修正 | 库存准确性 |
| 温度记录 | IoT 传感器 | 每 5 分钟 | → 品控 | 冷链品质监控 |
FDC 层数据
| 数据类型 | 数据来源 | 产生频率 | 流向 | 用途 |
|---|---|---|---|---|
| 库存 | WMS | 实时 | → FC、RDC、AI 智能体 | 城市级库存调度 |
| 向 FC 补货计划 | AI 智能体 生成 | 每日 2 次 | → FC | 指导 FC 补货 |
| 分拣数据 | 作业系统 | 每批次 | → 效率分析 | 分拣效率优化 |
| 车辆装载率 | TMS | 每车次 | → 配送优化 | 车辆调度 |
| 配送时效 | TMS + 骑手系统 | 每单 | → 服务质量 | 配送 SLA 管理 |
RDC 层数据
| 数据类型 | 数据来源 | 产生频率 | 流向 | 用途 |
|---|---|---|---|---|
| 库存 | WMS | 实时 | → FDC、AI 智能体 | 区域级库存调度 |
| 采购计划 | AI 智能体 / 采购员 | 每周 | → 供应商 | 指导采购 |
| 入库质检 | 质检系统 | 每批次 | → 供应商反馈 | 供应商管理 |
| 干线运输数据 | TMS | 每车次 | → 物流优化 | 干线效率 |
| 周转率 | 计算得出 | 每日 | → 管理报表 | 库存健康度 |
供应商层数据
| 数据类型 | 数据来源 | 产生频率 | 流向 | 用途 |
|---|---|---|---|---|
| 供应商库存 | 供应商系统对接 | 每日/实时 | → RDC、AI 智能体 | 采购决策 |
| 生产计划 | 供应商提报 | 每月/每周 | → RDC | 备货规划 |
| 交期承诺 | 采购合同 | 每次下单 | → RDC | 到货预测 |
| 价格变动 | 供应商通知 | 不定期 | → RDC、采购 | 成本管理 |
| 促销支持 | 供应商方案 | 按活动 | → 运营 | 活动规划 |
全链路共享基础数据
| 数据类型 | 数据来源 | 产生频率 | 流向 | 用途 |
|---|---|---|---|---|
| 商品主数据（SKU属性） | 商品管理系统 | 商品创建/变更时 | → 全部智能体 | 预测分类、补货策略、调拨优先级、临期阈值、安全库存等 |
| 商品分类标签 | 运营系统 | 定期更新（周/月） | → 全部智能体 | ABC分级、保质期分级、快慢消分级、体积重量分级、毛利等级、需求刚性、区域偏好、季节性、天气敏感度 |
商品主数据详细属性体系见第三章 3.1.1 节，商品分类策略见 3.1.2 节。
2.3 核心数据流路径详解
路径 1：消费者订单 → FC 补货（最核心、最高频）
sequenceDiagram
participant C as 消费者
participant OMS as 订单系统
participant FC as FC前置仓
participant AI as AI 智能体
participant FDC as FDC城市仓
C->>OMS: 下单（SKU+数量）
OMS->>FC: 扣减库存
FC->>AI: 实时销量上报
Note over AI: 每15分钟聚合一次
AI->>AI: 销量预测更新
AI->>AI: 对比：预测销量 vs 当前库存+在途
AI->>AI: 查询商品保质期分级，计算保质期约束上限
alt 库存不足
AI->>FDC: 生成补货建议（含保质期约束）
FDC->>FDC: 审核确认
FDC->>FDC: 检查FDC库存批次到期日（FIFO）
FDC->>FC: 拣货装车配送（优先发新批次）
FC->>FC: 收货上架
FC->>AI: 库存更新
else 库存充足
AI->>AI: 无需操作，继续监控
end
数据流说明：
| 环节 | 数据内容 | 格式 | 频率 |
|---|---|---|---|
| 消费者下单 | order_id, sku_id, qty, warehouse_id, timestamp | JSON | 实时 |
| FC 扣减库存 | sku_id, warehouse_id, qty_before, qty_after | JSON | 实时 |
| 销量上报 | warehouse_id, sku_id, period, total_qty | 聚合 JSON | 每 15 分钟 |
| 预测更新 | warehouse_id, sku_id, predicted_sales, confidence | JSON | 每小时 |
| 补货建议 | warehouse_id, sku_id, suggested_qty, priority | JSON | 每日 2 次 |
| 收货确认 | warehouse_id, sku_id, received_qty, batch_id | JSON | 到货时 |
路径 2：FC/FDC 库存 → RDC 采购 → 供应商
sequenceDiagram
participant AI as AI 智能体
participant FC as FC前置仓
participant FDC as FDC城市仓
participant RDC as RDC区域仓
participant PUR as 采购系统
participant SUP as 供应商
AI->>FC: 采集各FC库存
AI->>FDC: 采集FDC库存
AI->>AI: 汇总：FC需求 + FDC需求 + RDC当前库存
AI->>AI: 查询商品保质期分级，计算采购量上限
alt RDC库存充足
AI->>FDC: 生成FDC补货计划（RDC到FDC，含保质期约束）
FDC->>FDC: 确认执行
else RDC库存不足
AI->>RDC: 生成采购建议（含保质期约束）
RDC->>PUR: 审核采购建议
PUR->>SUP: 下采购单（交期需小于保质期50%）
SUP->>SUP: 备货生产
SUP->>RDC: 发货
RDC->>RDC: 入库质检
RDC->>FDC: 分拨到FDC（优先发新批次）
FDC->>FC: 分拨到FC
end
路径 3：跨层级调拨（FC ↔ FC / FDC ↔ FDC / RDC ↔ RDC）
sequenceDiagram
participant AI as AI 智能体
participant FC_A as FC-A仓
participant FC_B as FC-B仓
participant FDC_A as FDC-A
participant FDC_B as FDC-B
AI->>FC_A: 检测到缺货风险
AI->>AI: 搜索可调出仓
AI->>AI: 查询商品保质期分级，过滤临期批次
alt 同FDC内跨FC调拨（最常见）
AI->>FC_B: FC-B有富余库存（非临期批次）
AI->>AI: 计算成本收益（按毛利等级差异化阈值）
AI->>FC_A: 生成调拨单
FC_B->>FC_B: 拣货
FC_B->>FC_A: 骑手配送
FC_A->>FC_A: 收货上架
else 跨FDC调拨（较少）
AI->>FDC_B: FDC-B有富余库存
AI->>AI: 计算干线调拨成本
AI->>FDC_A: 生成调拨单
FDC_B->>FDC_A: 干线运输
FDC_A->>FC_A: 分拨到FC
end
三、业务对象与价值流分析
3.1 核心业务对象定义
供应链中流转的核心业务对象，是所有数据流和价值流的载体。
| 业务对象 | 英文 | 说明 | 流转层级 | 关键属性 |
|---|---|---|---|---|
| 商品（SKU） | Stock Keeping Unit | 最小库存管理单元 | 全链路 | 详见下方「商品主数据属性体系」 |
| 库存批次 | Inventory Batch | 按批次管理的库存实物 | FC / FDC / RDC | 批次号、生产日期、到期日、数量、存放仓 |
| 补货单 | Replenishment Order | 上游仓向下游仓补货的指令 | FDC→FC / RDC→FDC | 单号、SKU明细、数量、温层、预计到达时间 |
| 调拨单 | Transfer Order | 同层级仓之间的库存转移指令 | FC↔FC / FDC↔FDC | 单号、调出仓、调入仓、SKU、数量、成本 |
| 采购单 | Purchase Order | 向供应商采购商品的指令 | RDC→供应商 | 单号、供应商、SKU、数量、单价、交期 |
| 销售订单 | Sales Order | 消费者下单记录 | FC→消费者 | 订单号、SKU、数量、金额、配送地址、下单时间 |
3.1.1 商品主数据属性体系
商品（SKU）是供应链所有数据流和价值流的最小载体。智能体的每一次决策——预测、补货、调拨、采购、临期处理——都依赖商品属性来差异化处理。以下属性体系是全部智能体运行的基础数据底座。
基础属性：
| 属性 | 说明 | 数据示例 | 影响的智能体 |
|---|---|---|---|
| SKU 编码 | 唯一标识 | 10002345 | 全部 |
| 商品名称 | 中文名称 | 蒙牛纯牛奶 250ml | 全部 |
| 品类 | 一级/二级/三级品类 | 乳制品 > 白奶 > 常温纯奶 | 智能体一（预测按品类聚合） |
| 品牌 | 品牌归属 | 蒙牛 / 伊利 / 光明 | 智能体五（供应商匹配） |
| 供应商 | 供货方 | 蒙牛乳业股份有限公司 | 智能体五、六 |
物理属性：
| 属性 | 说明 | 数据示例 | 影响的智能体 |
|---|---|---|---|
| 温层 | 存储温度要求 | 冷冻(-18度) / 冷藏(0-4度) / 变温(4-8度) / 常温 | 智能体二（多温层分组、车辆分配） |
| 保质期 | 从生产到过期的天数 | 7天（鲜奶） / 180天（常温奶） / 365天（罐头） | 智能体七（临期预警阈值） |
| 单位体积 | 单件商品的体积（cm3） | 250ml 盒装：约 400 cm3 | 智能体二（3D装箱、装载率计算） |
| 单位重量 | 单件商品的重量（g） | 250ml 盒装：约 270g | 智能体二、四（车辆载重约束） |
| 是否易碎 | 运输过程中的破损风险 | 是/否，鸡蛋、玻璃瓶为"是" | 智能体二（装箱顺序、配送线路） |
| 是否串味 | 气味是否影响其他商品 | 是/否，榴莲、活海鲜为"是" | 智能体二（温层隔离、独立包装） |
商业属性：
| 属性 | 说明 | 数据示例 | 影响的智能体 |
|---|---|---|---|
| 成本价 | 采购成本 | 2.8 元/盒 | 智能体五（采购量优化） |
| 售价 | 终端销售价格 | 5.9 元/盒 | 智能体三（缺货损失计算） |
| 毛利率 | (售价-成本)/售价 | 52.5% | 智能体三（调拨优先级排序） |
| 日均销量 | 近 7 天日均出库量 | 120 盒/日 | 智能体一（ABC分类、模型选择） |
| 动销率 | 有销量的天数/总天数 | 95%（高动销）/ 40%（低动销） | 智能体三（调出仓筛选）、智能体八（安全库存） |
| 供应商 MOQ | 最小起订量 | 200 盒/次 | 智能体五（采购量优化） |
| 供应商数量 | 可供货的供应商个数 | 1（独家）/ 3（多供应商） | 智能体五（供应商匹配、缺货风险） |
| 需求刚性 | 消费者对该商品的需求弹性 | 刚需（米面粮油、蔬菜、鸡蛋）/ 弹性（零食、饮料、进口水果）/ 奢侈型（车厘子、进口牛排） | 智能体一（预测模型）、智能体三（缺货容忍度）、智能体八（安全库存） |
关系属性：
| 属性 | 说明 | 数据示例 | 影响的智能体 |
|---|---|---|---|
| 替代品 | 可互相替代的 SKU | 蒙牛纯奶 ↔ 伊利纯奶 | 智能体三（缺货时推荐替代） |
| 搭配关系 | 经常一起购买 | 啤酒 + 尿不湿 | 智能体一（关联预测） |
| 促销绑定 | 参与的活动 | 满 99 减 20 活动 | 智能体一（促销期间预测放大） |
季节性属性：
| 属性 | 说明 | 数据示例 | 影响的智能体 |
|---|---|---|---|
| 季节性类型 | 商品销量随季节波动的规律 | 常年平稳 / 夏季旺 / 冬季旺 / 节日型 / 季节限定 | 智能体一（预测特征）、智能体八（安全库存季节性调整） |
| 季节性系数 | 各月份的销量倍率（相对年均值） | 火锅底料：1月2.5倍、7月0.4倍；冰淇淋：7月3.0倍、1月0.3倍 | 智能体一（预测模型输入） |
| 节日关联 | 与特定节日强关联的商品 | 月饼（中秋）、粽子（端午）、年货礼盒（春节）、汤圆（元宵） | 智能体一（节日预测放大）、智能体五（节日提前备货） |
| 节日提前期 | 节日关联商品需提前多少天备货 | 月饼：提前30天；粽子：提前20天；年货：提前45天 | 智能体五（采购计划提前量） |
| 天气敏感度 | 销量受天气影响的程度 | 高敏感（冰淇淋、冷饮、雨具）、中敏感（蔬菜、水果）、低敏感（粮油、日百） | 智能体一（天气特征权重）、智能体二（天气异常时补货调整） |
季节性对供应链的影响：
- 季节性商品（如火锅底料、冰淇淋）的销量在旺季可达淡季的 3-8 倍，安全库存和补货策略必须按季节动态调整，不能使用全年均值。
- 节日关联商品（如月饼、粽子）具有"爆发式、短窗口"特征——全年 80% 的销量集中在节日前后 2-4 周，需要提前 20-45 天启动采购备货。
- 天气敏感商品（如冰淇淋、叶菜）在极端天气（高温、暴雨、寒潮）下销量可能突增 2-5 倍，需要智能体一在天气预报触发后自动放大预测。
区域属性：
| 属性 | 说明 | 数据示例 | 影响的智能体 |
|---|---|---|---|
| 区域偏好系数 | 同一 SKU 在不同区域的销量差异倍率 | 蒙牛特仑苏：静安寺FC系数1.5、嘉定FC系数0.8 | 智能体一（预测按区域差异化）、智能体八（按区域设置安全库存） |
| 区域品牌偏好 | 不同区域消费者对品牌的偏好差异 | 陆家嘴偏好进口品牌（系数1.3）、嘉定偏好性价比品牌（系数1.4） | 智能体一（预测特征）、智能体五（按区域差异化采购结构） |
| 区域价格敏感度 | 不同区域消费者对价格的敏感程度 | 郊区FC价格敏感度高（折扣效果3倍）、市中心FC价格敏感度低 | 智能体一（促销预测放大系数）、智能体七（临期打折力度按区域差异化） |
| 区域消费时段 | 不同区域的消费高峰时段差异 | CBD区域午餐高峰11-13点、住宅区晚餐高峰17-19点 | 智能体一（预测时段特征）、智能体二（配送时段优化） |
| 区域配送难度 | 不同区域的配送时效和成本差异 | 老城区窄路骑手慢、郊区大区覆盖距离长 | 智能体二（补货时间窗口调整）、智能体三（调拨成本计算） |
区域差异对供应链的影响：
- 同一个 SKU（如特仑苏牛奶），在陆家嘴 FC 日销 80 盒，在嘉定 FC 可能只卖 40 盒。如果用统一预测模型，会导致陆家嘴频繁缺货、嘉定持续积压。
- 品牌偏好差异直接影响采购结构：市中心仓多备进口/高端品牌，郊区仓多备性价比品牌。
- 价格敏感度差异影响临期处理策略：郊区 FC 打折效果更好，可以更早启动打折清仓。
时间周期属性：
| 属性 | 说明 | 数据示例 | 影响的智能体 |
|---|---|---|---|
| 日内时段系数 | 24小时内各时段的销量分布 | 牛奶：早高峰7-9点占全天30%；饮料：午后14-16点占25% | 智能体一（按时段预测）、智能体二（按时段优化配送批次） |
| 周内日系数 | 周一至周日的销量差异 | 周末日均销量是工作日的1.3-1.8倍（生鲜、烘焙尤其明显） | 智能体一（周末系数放大预测）、智能体八（周末安全库存上调） |
| 月初月末系数 | 月初发薪后消费上升、月末消费下降 | 月初1-5天销量比月末高10-15%（零食、饮料、水果） | 智能体一（月初月末系数）、智能体二（月初加大补货） |
| 节假日类型 | 法定节假日、调休工作日、节前节后 | 春节7天（销量先降后爆发）、国庆7天、清明/端午/中秋各3天 | 智能体一（节假日系数）、智能体五（节前提前备货） |
| 节前消费窗口 | 节日前消费者集中采购的天数 | 春节前7-10天爆发、中秋前5-7天爆发、端午前3-5天 | 智能体一（节前预测放大）、智能体二（节前加大补货频次） |
| 节后消费低谷 | 节后消费回落的天数和幅度 | 春节后7-10天销量降至正常60-70%、中秋后3-5天恢复 | 智能体一（节后预测缩小）、智能体八（节后降低安全库存） |
| 大促周期 | 618、双11、年货节等平台大促期间 | 618期间（6.1-6.18）销量放大2-5倍、双11期间放大3-8倍 | 智能体一（大促系数）、智能体五（大促前提前采购） |
| 学校寒暑假 | 学校周边FC受学期影响 | 寒暑假期间学校周边FC销量下降30-50% | 智能体一（学区系数）、智能体八（假期降低安全库存） |
时间周期对供应链的影响：
- 日内时段影响配送批次安排：早高峰商品（牛奶、面包）需在6:00前完成补货，午高峰商品（饮料、便当）需在10:00前补货到位。
- 周末效应影响安全库存：周末销量是工作日的1.3-1.8倍，周五晚的补货量必须覆盖周末需求，否则周六上午就会缺货。
- 春节效应是最极端的时间周期：节前7-10天爆发式采购（销量放大3-5倍）→ 春节期间销量骤降（部分FC暂停运营）→ 节后7天低谷（销量降至60-70%）。需要智能体提前45天启动采购、节前加大补货、节后快速降低库存。
- 大促周期（618、双11）类似节日爆发但更频繁，需要提前锁定供应商产能并增加临时仓储。
运营属性：
| 属性 | 说明 | 数据示例 | 影响的智能体 |
|---|---|---|---|
| 商品状态 | 当前商品在系统中的生命周期状态 | 在售 / 促销中 / 预售 / 停售清仓 / 永久下架 | 全部智能体（状态过滤） |
| 新品上架日期 | 新品首次上架的时间 | 2026-04-01 上架 | 智能体一（新品冷启动预测） |
| 竞品动态 | 竞品平台的价格和活动变化 | 叮咚某SKU降价15%、盒马某SKU买一送一 | 智能体一（预测修正）、智能体八（安全库存调整） |
| 供应商评级 | 供应商的综合评分 | A级（交期准、质量稳）/ B级（偶有延迟）/ C级（需重点监控） | 智能体五（采购供应商优先级）、智能体六（协同优先级） |
| 库存资金占用 | 单位库存占用的资金成本 | 高占用（高单价低周转）、低占用（低单价高周转） | 智能体八（库存优化排序） |
运营属性的核心价值：
- 新品冷启动是预测的难点——没有历史数据，只能依赖品类特征和区域偏好做冷启动预测。
- 竞品动态是外部变量——竞品降价会导致本平台该 SKU 销量下降 10-30%，需要实时感知并调整预测。
- 供应商评级直接影响采购决策——A级供应商优先采购，C级供应商需要备选方案。
3.1.2 商品分类策略
不同的商品需要差异化的供应链策略。以下分类维度是各智能体决策的核心依据。
分类维度一：ABC 销量贡献分级
| 等级 | 定义 | 占比 | SKU 数量占比 | 策略差异 |
|---|---|---|---|---|
| A 类 | 日销 > 50 且有 90 天数据 | 销售额 70% | 约 20% SKU | LSTM 精细预测，高优先级补货，缺货零容忍 |
| B 类 | 日销 10-50 或数据 30-90 天 | 销售额 20% | 约 30% SKU | XGBoost 预测，标准补货流程 |
| C 类 | 日销 < 10 或数据 < 30 天 | 销售额 10% | 约 50% SKU | 规则预测，低频补货，允许偶尔缺货 |
分类维度二：保质期敏感度分级
| 等级 | 保质期 | 典型品类 | 供应链策略 |
|---|---|---|---|
| 短保品 | < 7 天 | 鲜奶、烘焙、鲜活水产、切配菜 | FC 只备 1 天销量，每日多频补货，临期 3 天自动打折 |
| 中保品 | 7-30 天 | 冷鲜肉、酸奶、部分水果 | FC 备 1-2 天销量，先进先出严格管控，临期 7 天预警 |
| 长保品 | > 30 天 | 常温奶、零食、粮油、日百 | FC 备 2-3 天销量，正常补货周期，临期 30 天预警 |
分类维度三：快消品 vs 慢消品
| 类型 | 定义 | 典型品类 | 供应链策略 |
|---|---|---|---|
| 快消品 | 日销 > 10，动销率 > 80% | 牛奶、鸡蛋、蔬菜、水果、米面 | 高频补货，多仓备货，缺货自动调拨，低安全库存 |
| 慢消品 | 日销 < 5，动销率 < 50% | 进口零食、调味品、小众饮料 | 低频补货，集中存放于 FDC，按需调拨到 FC，高安全库存 |
分类维度四：体积重量等级
| 等级 | 单位体积/重量 | 典型品类 | 供应链策略 |
|---|---|---|---|
| 重货 | > 5kg 或 > 10000cm3 | 米面粮油、大桶水、整箱饮料 | 优先整箱补货，影响车辆载重，需单独线路规划 |
| 中货 | 1-5kg 或 2000-10000cm3 | 水果、肉类、日百 | 标准补货，3D装箱优化 |
| 轻货 | < 1kg 或 < 2000cm3 | 零食、调味品、日化 | 可大量混装，填充车辆剩余空间 |
分类维度五：毛利贡献等级
| 等级 | 毛利率 | 策略 |
|---|---|---|
| 高毛利 | > 40% | 缺货成本极高，优先调拨，宁可多备不可缺货 |
| 中毛利 | 20-40% | 标准策略，平衡缺货与库存成本 |
| 低毛利 | < 20% | 严格控制库存，宁可缺货不可积压，重点优化采购成本 |
分类维度六：需求刚性
| 类型 | 定义 | 典型品类 | 供应链策略 |
|---|---|---|---|
| 刚需品 | 消费者每日必需，缺货会直接导致用户流失 | 米面粮油、蔬菜、鸡蛋、牛奶、纸巾 | 缺货零容忍，高优先级补货，安全库存从宽设置，缺货时自动调拨不惜成本 |
| 弹性品 | 消费者可买可不买，缺货影响有限 | 零食、饮料、进口水果、调味品、日化 | 标准策略，允许偶尔缺货，缺货时推荐替代品 |
| 奢侈型 | 高客单价低频次，消费场景特定 | 车厘子、进口牛排、高端酒水、鲜花礼盒 | 低频补货，按需采购，严格控制库存，宁可缺货不可积压 |
需求刚性的核心影响：
- 刚需品缺货 = 用户直接流失到竞品平台（朴朴缺牛奶 → 用户转叮咚），缺货的隐性成本远高于商品毛利
- 弹性品缺货 = 用户可能换一个零食，对平台忠诚度影响较小
- 奢侈型商品缺货 = 用户可能等下次补货再买，但库存积压的代价极高
- 因此：刚需品的缺货容忍度最低，奢侈型商品的库存容忍度最低
分类维度七：区域消费偏好
| 类型 | 定义 | 典型区域 | 供应链策略 |
|---|---|---|---|
| 品牌偏好型 | 消费者偏好知名/进口品牌，对价格不敏感 | CBD、高端社区、陆家嘴 | 多备高端品牌，安全库存从宽，临期打折力度可小 |
| 性价比型 | 消费者偏好高性价比商品，对价格敏感 | 郊区、城中村、嘉定松江 | 多备性价比品牌，促销效果放大3倍，临期打折力度大 |
| 均衡型 | 品牌和性价比兼顾 | 成熟社区、混合区域 | 标准策略，品牌和性价比均衡备货 |
区域偏好对供应链的影响：
- 同一 SKU 在不同 FC 的安全库存应按区域偏好系数差异化设置（如特仑苏在陆家嘴 FC 安全库存 x1.5，在嘉定 FC x0.8）。
- 预测模型必须按 FC 独立训练或加入区域偏好特征，不能使用"全市统一模型"。
- 采购结构应按区域偏好差异化：市中心 FDC 多采购进口/高端品牌，郊区 FDC 多采购性价比品牌。
分类维度八：季节性类型
| 类型 | 定义 | 典型品类 | 供应链策略 |
|---|---|---|---|
| 常年平稳 | 各月销量波动 < 30% | 米面粮油、调味品、纸巾 | 标准补货策略，安全库存全年稳定 |
| 季节旺淡 | 旺季销量是淡季 2-5 倍 | 火锅底料（冬旺）、冰淇淋（夏旺）、羽绒服（冬旺） | 旺季前 2 周提升安全库存 2-3 倍，淡季降低至正常 50% |
| 节日爆发 | 全年 80% 销量集中在节日前后 2-4 周 | 月饼（中秋）、粽子（端午）、年货礼盒（春节） | 节前 20-45 天启动采购，节日后快速清仓（打折+报损） |
| 季节限定 | 仅在特定季节/时段销售 | 青团（清明）、大闸蟹（秋季）、草莓（冬季） | 提前锁定供应商产能，售完即止，不补货 |
分类维度九：天气敏感度
| 等级 | 定义 | 典型品类 | 供应链策略 |
|---|---|---|---|
| 高敏感 | 天气变化导致销量波动 > 100% | 冰淇淋/冷饮（高温）、雨具（暴雨）、火锅底料（寒潮） | 天气预报触发后自动放大预测 2-5 倍，提前增加补货 |
| 中敏感 | 天气变化导致销量波动 30-100% | 叶菜/水果（暴雨影响采摘）、饮料（高温） | 天气预报触发后适当调整预测系数 |
| 低敏感 | 天气变化对销量影响 < 30% | 粮油、日百、罐头、零食 | 不受天气影响，标准策略 |
商品分类的交叉应用：
实际业务中，以上九个维度是交叉使用的。例如：
| 商品示例 | ABC | 保质期 | 快/慢消 | 体积 | 毛利 | 需求刚性 | 区域偏好 | 季节性 | 天气敏感 | 综合策略 |
|---|---|---|---|---|---|---|---|---|---|---|
| 鲜牛奶 250ml | A | 短保 | 快消 | 中 | 中 | 刚需 | 均衡 | 平稳 | 低 | LSTM预测 + 每日2次补货 + 缺货零容忍 + 临期3天打折 |
| 进口车厘子 500g | B | 短保 | 慢消 | 中 | 高 | 奢侈型 | 品牌偏好型 | 季节限定(冬) | 低 | 冬季锁定供应商 + 市中心多备郊区少备 + 严格控制库存 |
| 5kg 大米 | A | 长保 | 快消 | 重 | 低 | 刚需 | 性价比型 | 平稳 | 低 | LSTM预测 + 整箱补货 + 郊区加大备货 + 缺货自动调拨 |
| 冰淇淋 500ml | A | 短保 | 快消 | 中 | 中 | 弹性 | 均衡 | 夏季旺 | 高 | 夏季安全库存x3 + 高温预警加单 |
| 月饼礼盒 | C | 中保 | 慢消 | 重 | 高 | 弹性 | 品牌偏好型 | 节日爆发(中秋) | 低 | 提前30天采购 + 市中心多备 + 节后清仓 |
| 活海鲜 | B | 短保 | 快消 | 重 | 高 | 弹性 | 品牌偏好型 | 平稳 | 中 | 每日补货 + 温控监控 + 市中心多备郊区少备 |
| 火锅底料 | B | 长保 | 快消 | 轻 | 中 | 弹性 | 均衡 | 冬季旺 | 高(寒潮) | 冬季安全库存x2 + 寒潮预警加单 |
| 有机蔬菜 | A | 短保 | 快消 | 轻 | 高 | 刚需 | 品牌偏好型 | 平稳 | 高(暴雨) | 每日补货 + 暴雨预警加单 + 市中心多备 |
| 性价比零食大礼包 | C | 长保 | 慢消 | 中 | 低 | 弹性 | 性价比型 | 平稳 | 低 | FDC集中存放 + 郊区FC加大备货 + 促销期按需调拨 |
分类维度十：时间周期敏感度
| 类型 | 定义 | 典型品类 | 供应链策略 |
|---|---|---|---|
| 周末敏感型 | 周末销量是工作日1.5倍以上 | 生鲜、烘焙、火锅食材、啤酒 | 周五晚加大补货，覆盖周末1.5-2天需求 |
| 节假日敏感型 | 特定节假日销量爆发 | 年货礼盒（春节）、粽子（端午）、月饼（中秋） | 节前按提前期备货，节后快速清仓 |
| 大促敏感型 | 618/双11期间销量放大 | 零食、饮料、日百、进口水果 | 大促前2周锁定供应商产能，增加临时仓储 |
| 时段敏感型 | 日内特定时段销量集中 | 早餐食材（早高峰）、午餐便当（午高峰）、夜宵（晚高峰） | 按时段优化配送批次，确保高峰前补货到位 |
| 学期敏感型 | 受学校开学/放假影响 | 文具、零食、饮料（学校周边FC） | 开学季加大备货，寒暑假降低安全库存 |
| 全天平稳型 | 不受时间周期影响 | 米面粮油、调味品、纸巾 | 标准策略，无需按时间周期调整 |
时间周期的叠加效应：
- 春节 + 周末 + 大促三者叠加时（如春节前最后一个周末恰逢年货节），销量可能放大至正常的 5-8 倍，需要智能体一识别叠加效应并大幅放大预测。
- 节前消费窗口 + 短保品叠加时（如春节前鲜奶需求暴增但保质期仅7天），需要智能体二增加补货频次（从每日2次提升至每8小时1次）。
3.2 业务对象流转全景
flowchart LR
subgraph OBJ["核心业务对象"]
PO["采购单<br/>Purchase Order"]
IO["库存批次<br/>Inventory Batch"]
RO["补货单<br/>Replenishment Order"]
TO["调拨单<br/>Transfer Order"]
SO["销售订单<br/>Sales Order"]
end
subgraph ORG["供应链主体"]
SUP["供应商"]
RDC["RDC 区域仓"]
FDC["FDC 城市仓"]
FC["FC 前置仓"]
CUS["消费者"]
end
PO -->|"采购入库<br/>生成库存批次"| RDC
IO -->|"干线调拨<br/>生成补货单"| FDC
RO -->|"城市配送<br/>生成补货单"| FC
TO -->|"库存转移<br/>更新库存批次"| FC
SO -->|"销售出库<br/>扣减库存批次"| CUS
FC -.->|"滞销/临期<br/>生成调拨单"| FC
FDC -.->|"跨城市调拨<br/>生成调拨单"| FDC
style OBJ fill:#f3e5f5,stroke:#9c27b0,color:#4a148c
style ORG fill:#e8f5e9,stroke:#4caf50,color:#1b5e20
3.3 全链路价值流图
价值流定义：描述每个环节创造了什么业务价值、损耗了什么价值，以及 AI 智能体如何优化。
flowchart LR
V1["环节一<br/>供应商到RDC<br/>采购入库<br/>降本15-25%"]
V2["环节二<br/>RDC到FDC<br/>干线分拨<br/>周转15-30天"]
V3["环节三<br/>FDC到FC<br/>城市配送<br/>缺货率5-8%"]
V4["环节四<br/>FC到消费者<br/>即时履约<br/>报损率3-8%"]
V1 -->|"损耗:过量采购10-20%"| V2
V2 -->|"损耗:库存积压"| V3
V3 -->|"损耗:预测偏差"| V4
style V1 fill:#e8f5e9,stroke:#4caf50
style V2 fill:#e3f2fd,stroke:#2196f3
style V3 fill:#fff3e0,stroke:#ff9800
style V4 fill:#fce4ec,stroke:#e91e63
各环节价值流明细：
环节一：供应商 → RDC（采购入库）
| 维度 | 详情 |
|---|---|
| 业务对象 | 采购单 → 库存批次 |
| 价值创造 | 集中采购获取规模价格优势；入库质检把控商品质量；大批量运输降低单位物流成本 |
| 价值损耗 | 采购周期长（7-30天）导致资金占用；需求信息不对称（供应商看不到终端动销）；牛鞭效应导致采购量被逐级放大 50-70%；交期不稳定导致 RDC 被动缺货 |
| 对应智能体 | 采购规划智能体 + 供应商协同智能体 |
| 优化方向 | 终端需求预测共享给供应商，消除信息不对称；自动生成采购建议，减少人为决策偏差；供应商库存可视，提前预警供货风险 |
环节二：RDC → FDC（干线分拨）
| 维度 | 详情 |
|---|---|
| 业务对象 | 补货单（RDC→FDC） |
| 价值创造 | 区域库存缓冲，吸收需求波动；干线整车运输，降低单位配送成本；批量采购后分拨，平衡各城市需求 |
| 价值损耗 | 干线周期 3-7 天，响应速度慢；RDC 库存积压，周转天数 15-30 天；多次搬运导致商品损耗（尤其生鲜）；各 FDC 独立要货，缺乏全局协调 |
| 对应智能体 | 城市仓补货智能体 + 全局库存策略智能体 |
| 优化方向 | 基于 FC 需求汇总自动生成 FDC 补货计划；跨 RDC 调拨优化，平衡区域间库存；动态安全库存，减少 RDC 冗余库存 |
环节三：FDC → FC（城市配送）
| 维度 | 详情 |
|---|---|
| 业务对象 | 补货单（FDC→FC） |
| 价值创造 | 城市级库存共享，覆盖数十个 FC；每日高频补货（2-3次），保障供应；多温层分拣，满足生鲜/常温差异化需求 |
| 价值损耗 | 补货量预测不准：畅销品缺货 + 滞销品积压；车辆装载率低（平均 65-75%），配送成本高；凌晨配送窗口紧张，4小时内必须完成；多温层混装复杂，温控断链风险 |
| 对应智能体 | 补货规划智能体 + 需求预测智能体 |
| 优化方向 | 精准预测各 FC 各 SKU 24h 销量；3D 装箱 + VRP 路径优化，装载率提升至 85%+；自动补货计划，80%+ 指令自动通过 |
环节四：FC → 消费者（即时履约）
| 维度 | 详情 |
|---|---|
| 业务对象 | 销售订单 |
| 价值创造 | 30 分钟即时满足，极致用户体验；最后一公里社区化服务；高频复购，提升用户 LTV |
| 价值损耗 | 缺货导致直接 GMV 损失（3-5%）；生鲜报损率 3-8%，直接侵蚀毛利；拣货路径低效，影响配送时效；缺货引发用户流失，长期损害品牌 |
| 对应智能体 | 调拨决策智能体 + 生命周期管理智能体 |
| 优化方向 | 实时跨仓调拨，缺货 30 分钟内解决；临期预警 + 自动处理方案，报损率降至 2%；滞销品跨仓流转，库存利用率最大化 |
3.4 各环节价值量化
| 环节 | 业务对象 | 价值创造 | 价值损耗（当前） | AI 智能体优化后预期 |
|---|---|---|---|---|
| 供应商 → RDC | 采购单 | 批量采购降本 15-25% | 牛鞭效应导致过量采购 10-20% | 采购准确率提升，过量采购降至 5% |
| RDC → FDC | 补货单 | 干线运输成本优化 | RDC 库存周转慢（15-30 天） | RDC 周转降至 10-15 天 |
| FDC → FC | 补货单 | 城市级库存共享 | FC 缺货率 5-8%，报损率 3-8% | 缺货率降至 2%，报损率降至 2% |
| FC → 消费者 | 销售订单 | 即时满足用户体验 | 缺货导致 GMV 损失 3-5% | GMV 损失降至 1% |
| FC ↔ FC | 调拨单 | 库存共享提升利用率 | 调拨决策慢，库存冷热不均 | 调拨响应 < 30 分钟，库存利用率提升 15% |
3.3 牛鞭效应数据流分析
flowchart LR
subgraph REAL["真实需求"]
D["消费者实际需求<br/>波动：±10%"]
end
subgraph AMP["逐级放大"]
FC_D["FC补货需求<br/>波动：±20%"]
FDC_D["FDC补货需求<br/>波动：±35%"]
RDC_D["RDC采购需求<br/>波动：±50%"]
SUP_D["供应商生产<br/>波动：±70%"]
end
D -->|"需求信号失真<br/>安全库存叠加"| FC_D -->|"批量采购放大<br/>各仓独立要货"| FDC_D -->|"交期不确定<br/>提前备货"| RDC_D -->|"产能规划放大<br/>信息不对称"| SUP_D
style REAL fill:#e8f5e9,stroke:#4caf50
style AMP fill:#ffebee,stroke:#f44336
牛鞭效应的核心问题 消费者需求波动 ±10%，经过 FC → FDC → RDC → 供应商逐级放大，到供应商端变成 ±70%。 这意味着供应商需要多备 70% 的产能来应对波动，大量资源浪费。
AI 智能体如何缓解牛鞭效应 核心思路：让真实需求信号直达上游
- FC 的实时销量数据直接共享给 RDC 和供应商
- AI 预测结果替代各层独立预测，统一需求信号
- 供应商可以看到终端动销数据，自主调整生产计划
四、AI 智能体 全链路协作设计
4.1 Agent 与供应链层级的映射关系
graph TB
subgraph AGENTS["AI 智能体层"]
A1["智能体一<br/>终端需求预测"]
A2["智能体二<br/>前置仓补货规划"]
A3["智能体三<br/>库存调拨决策"]
A4["智能体四<br/>城市仓补货规划"]
A5["智能体五<br/>区域仓采购规划"]
A6["智能体六<br/>供应商需求协同"]
A7["智能体七<br/>商品生命周期管理"]
A8["智能体八<br/>全局库存策略"]
end
subgraph LAYERS["供应链层级"]
FC["FC 前置仓<br/>2000-5000 SKU"]
FDC["FDC 城市仓<br/>5000-15000 SKU"]
RDC["RDC 区域仓<br/>10000-50000 SKU"]
SUP["供应商"]
end
A1 -->|"预测结果<br/>MAPE小于20"| A2 & A4
A2 -->|"FC补货单<br/>80%自动通过"| FC
A3 -->|"调拨单<br/>响应小于30min"| FC
A4 -->|"FDC补货单<br/>覆盖1-2天"| FDC
A5 -->|"采购单<br/>含MOQ优化"| RDC
A6 -->|"需求共享<br/>7天滚动预测"| SUP
A7 -->|"处理指令<br/>报损率降至2%"| FC & FDC
A8 -->|"全局优化<br/>周转提升20%"| A2 & A3 & A4 & A5
style AGENTS fill:#f3e5f5,stroke:#9c27b0
style LAYERS fill:#e8f5e9,stroke:#4caf50
4.2 智能体间数据流转矩阵
| 数据 | 智能体一产出 | 智能体二消费 | 智能体三消费 | 智能体四消费 | 智能体五消费 | 智能体六消费 |
|---|---|---|---|---|---|---|
| 商品主数据（SKU属性+分类标签） | ✅ 消费 | ✅ 消费 | ✅ 消费 | ✅ 消费 | ✅ 消费 | ✅ 消费 |
| FC 级销量预测 | ✅ 产出 | ✅ 消费 | ✅ 消费 | — | — | — |
| FC 级补货建议 | — | ✅ 产出 | — | ✅ 消费 | — | — |
| FC 跨仓调拨建议 | — | — | ✅ 产出 | — | — | — |
| FDC 级补货建议 | — | — | — | ✅ 产出 | ✅ 消费 | — |
| RDC 级采购建议 | — | — | — | — | ✅ 产出 | ✅ 消费 |
| 供应商需求预测 | — | — | — | — | — | ✅ 产出 |
| 临期/滞销处理指令 | — | ✅ 消费 | ✅ 消费 | ✅ 消费 | — | — |
| 全局库存优化指令 | ✅ 消费 | ✅ 消费 | ✅ 消费 | ✅ 消费 | ✅ 消费 | — |
4.3 Agent 执行时序（24 小时视图）
gantt
title AI 智能体 24 小时协作时序
dateFormat HH:mm
axisFormat %H:%M
section 数据采集
采集FC实时销量和库存 :done, collect, 00:00, 02:00
采集FDC和RDC库存 :done, collect2, 00:00, 01:00
采集供应商库存和交期 :done, collect3, 00:00, 01:00
section 终端需求预测
运行FC级销量预测模型 :crit, a1, 01:00, 02:30
运行FDC级需求预测 :a1b, 02:00, 03:00
section 前置仓补货规划
生成FC补货建议 :crit, a2, 02:30, 03:30
计划员审核 :a2r, 03:30, 04:30
section 城市仓补货规划
汇总FC需求生成FDC补货计划 :crit, a4, 03:00, 04:00
FDC审核确认 :a4r, 04:00, 05:00
section 区域仓采购规划
汇总FDC需求生成RDC采购计划 :crit, a5, 04:00, 05:30
采购员审核 :a5r, 05:30, 07:00
section 供应商需求协同
推送需求预测给供应商 :a6, 07:00, 08:00
供应商确认和调整 :a6r, 08:00, 12:00
section 执行层
FDC拣货装车配送FC :exec1, 05:00, 08:00
FC收货上架 :exec2, 07:00, 08:30
section 库存调拨决策
每30分钟扫描缺货风险 :active, a3, 08:00, 22:00
section 商品生命周期管理
早间临期扫描 :a7a, 06:00, 06:30
午间临期扫描 :a7b, 14:00, 14:30
晚间临期扫描 :a7c, 20:00, 20:30
section 全局库存策略优化
全局库存仿真 :a8, 22:00, 23:30
调整各层级安全库存 :a8b, 23:30, 23:59
五、各 Agent 精细设计
智能体一：终端需求预测智能体
覆盖层级：FC 级 + FDC 级
执行方式：每日 01:00 运行
数据输入
| 数据项 | 来源 | 粒度 | 时效要求 |
|---|---|---|---|
| FC 历史销量（90 天） | 订单系统 | 仓 × SKU × 小时 | T-1 |
| FC 实时库存 | WMS | 仓 × SKU | 实时 |
| FC 在途库存 | TMS | 仓 × SKU | 实时 |
| 天气预报 | 气象 API | 城市 × 日 | T+3 |
| 促销活动计划 | 运营系统 | 仓 × SKU × 日 | T+7 |
| 节假日日历 | 基础数据 | 日 | T+30 |
| FDC 历史出库量 | WMS | FDC × SKU × 日 | T-90 |
| 商品保质期分级 | 商品主数据 | SKU | 变更时同步 |
处理逻辑
Step 0: 商品多维分类（在模型分层前执行）
对于每个 SKU，查询商品主数据获取分类标签：
├─ ABC 销量分级：A（日销>50）/ B（日销10-50）/ C（日销<10）
├─ 保质期分级：短保（<7天）/ 中保（7-30天）/ 长保（>30天）
├─ 快慢消分级：快消（日销>10且动销率>80%）/ 慢消（日销<5且动销率<50%）
├─ 毛利等级：高毛利（>40%）/ 中毛利（20-40%）/ 低毛利（<20%）
├─ 需求刚性：刚需 / 弹性 / 奢侈型
├─ 区域偏好：品牌偏好型 / 性价比型 / 均衡型（按 FC 所在区域）
├─ 季节性类型：平稳 / 季节旺淡 / 节日爆发 / 季节限定
├─ 天气敏感度：高 / 中 / 低
└─ 时间周期敏感度：周末敏感 / 节假日敏感 / 大促敏感 / 时段敏感 / 学期敏感 / 全天平稳
Step 1: FC 级预测（核心）
对于每个 FC 的每个 SKU：
├─ 特征构建：
│ ├─ 时间特征：hour_of_day, day_of_week, is_weekend, is_holiday
│ ├─ 历史特征：sales_7d_avg, sales_14d_avg, sales_30d_avg, trend_7d
│ ├─ 促销特征：is_promo, promo_type, discount_rate
│ ├─ 天气特征：temp_high, temp_low, precipitation, is_extreme
│ ├─ 库存特征：current_stock, stockout_hours_last_7d
│ ├─ 短保品专属特征：remaining_shelf_life（剩余货架期）、batch_expiry_date
│ ├─ 季节性特征：seasonal_coefficient（当月季节性系数）、is_holiday_season（是否节日季）
│ ├─ 天气敏感特征：is_extreme_weather × weather_sensitivity（极端天气与敏感度交叉）
│ └─ 关联特征：替代品销量（用于关联预测）
│
├─ 模型分层（基于 ABC + 保质期交叉分类）：
│ ├─ A 类 + 短保 → LSTM，缩短预测窗口至 12h，增加剩余货架期特征
│ ├─ A 类 + 中长保 → LSTM，标准 24h 预测
│ ├─ B 类 + 短保 → XGBoost，增加保质期衰减系数
│ ├─ B 类 + 中长保 → XGBoost，标准预测
│ ├─ C 类 + 快消 → 规则，近 7 天日销均值 × 天气系数 × 节假日系数
│ └─ C 类 + 慢消 → 规则，近 14 天日销均值（拉长窗口应对数据稀疏）
│
└─ 输出：每个 FC × SKU 的 24 小时预测 + 置信区间
Step 2: FDC 级预测（聚合）
对于每个 FDC：
├─ 汇总其下属所有 FC 的预测销量
├─ 加上 FDC 直供客户（如 B 端）的预测
├─ 加上安全缓冲（FDC 级安全库存）
└─ 输出：FDC 级需求预测
Step 3: 异常检测（按毛利等级差异化阈值）
├─ 对比预测值与近 7 天均值
├─ 高毛利商品：偏差 > 30% → 标记异常（收紧阈值，高毛利偏差代价大）
├─ 中毛利商品：偏差 > 50% → 标记异常
└─ 低毛利商品：偏差 > 70% → 标记异常（放宽阈值，允许一定偏差）
└─ 异常 SKU 列表推送给计划员
数据输出
| 输出项 | 消费者 | 用途 |
|---|---|---|
| FC 级 24h 预测 | 补货规划智能体（FC 补货） | 计算补货量 |
| FC 级异常列表 | 计划员 | 人工复核 |
| FDC 级需求预测 | 城市仓补货智能体（FDC 补货） | 计算 FDC 向 RDC 要货量 |
| 预测准确率日报 | 管理层 | 模型监控 |
智能体二：前置仓补货规划智能体
覆盖层级：FC ← FDC
执行方式：每日 02:30 运行，03:30 前完成
数据输入
| 数据项 | 来源 | 说明 |
|---|---|---|
| FC 销量预测 | 需求预测智能体 | 未来 24 小时预测 |
| FC 实时库存 | WMS | 当前可用库存 |
| FC 在途库存 | TMS | 已从 FDC 发出在途 |
| FC 安全库存配置 | 基础数据 | 按 SKU 配置 |
| FDC 可用库存 | WMS | FDC 当前可发货量 |
| 车辆/温层配置 | 基础数据 | 配送能力约束 |
| 临期预警清单 | 生命周期管理智能体 | 需减少补货的 SKU |
| 商品保质期分级 | 商品主数据 | 短保/中保/长保，影响补货量上限 |
| 商品单位体积/重量 | 商品主数据 | 影响 3D 装箱和车辆装载 |
| FC 库存批次到期日 | WMS 批次管理 | 用于 FIFO 先进先出控制 |
处理逻辑
Step 1: 计算各 FC 各 SKU 补货需求
对于每个 FC 的每个 SKU：
├─ 净需求 = 预测销量 - 当前库存 - 在途库存
├─ 若净需求 ≤ 0 → 不补货
├─ 若净需求 > 0：
│ ├─ 补货量 = MAX(净需求, 安全库存 - 当前库存 - 在途库存)
│ ├─ 保质期分级约束（查询商品主数据）：
│ │ ├─ 短保品（<7天）：补货量上限 = 预计1天销量（防积压临期）
│ │ ├─ 中保品（7-30天）：补货量上限 = 预计2天销量
│ │ └─ 长保品（>30天）：不受保质期约束
│ │ └─ 最终补货量 = MIN(计算补货量, 保质期分级上限)
│ ├─ FIFO 先进先出控制：
│ │ └─ 检查 FC 现有库存最早批次到期日，若临期则优先补入新批次
│ ├─ 检查 FDC 是否有货：
│ │ ├─ FDC库存 ≥ 补货量 → 正常补货
│ │ ├─ FDC库存 < 补货量 → 按FDC库存量补货，标记缺口
│ │ └─ FDC无库存 → 标记缺货，触发 调拨决策智能体 跨仓调拨
│ └─ 检查临期预警：
│ └─ 若该 SKU 在临期清单中 → 补货量减半
└─ 输出补货需求清单
Step 2: 多温层分组
├─ 冷冻组（-18℃）：冰淇淋、冷冻肉类、速冻食品
├─ 冷藏组（0-4℃）：鲜奶、酸奶、鲜肉、蔬菜
├─ 变温组（4-8℃）：部分水果
└─ 常温组：其余商品
每组独立计算补货量和装载方案
Step 3: 配送线路优化
对于每个温层组：
├─ 按地理位置聚类（K-Means，K=车辆数）
├─ 每条线路内的 FC 按距离排序（最近邻算法）
├─ 计算每条线路的总体积和总重量
└─ 分配车辆（考虑温层兼容性）
Step 4: 装载优化
对于每条线路的每辆车：
├─ 按 FC 到达顺序排列补货商品
├─ 3D 装箱算法优化空间利用率
├─ 先送的后装、后送的先装
└─ 目标：装载率 > 85%
Step 5: 生成补货单
├─ 按温层 × 线路 × FC 生成补货单
├─ 每个补货单包含：SKU 明细、数量、温层、预计到达时间
└─ 推送给 FDC 作业系统
Step 6: 自动审核
├─ 历史采纳率 > 95% 的 SKU → 自动通过
├─ 补货量偏差 < 30% → 自动通过
├─ 其余 → 推送计划员审核（需在 04:30 前完成）
└─ 输出审核结果
数据输出
| 输出项 | 格式 | 消费者 |
|---|---|---|
| FC 补货单列表 | JSON（含 SKU、数量、温层、线路） | FDC 作业系统 |
| 装载方案 | JSON（车辆、线路、装载率） | TMS |
| 审核清单 | JSON（需人工复核的 SKU） | 计划员 |
| FDC 库存缺口 | JSON（SKU、缺口量） | 城市仓补货智能体 |
智能体三：库存调拨决策智能体
覆盖层级：FC ↔ FC（同 FDC 内）/ FDC ↔ FDC（同 RDC 内）
执行方式：每 30 分钟扫描一次
数据输入
| 数据项 | 来源 | 说明 |
|---|---|---|
| FC 实时库存 | WMS | 所有 FC 实时库存 |
| FC 安全库存 | 基础数据 | 各 SKU 安全库存 |
| FC 4h 预测销量 | 需求预测智能体 | 未来 4 小时预测 |
| FDC 下次补货时间 | 配送计划 | 预计到货时间 |
| FC 间距离矩阵 | 地图 API | 骑手配送距离 |
| 调拨成本配置 | 基础数据 | 骑手/车辆费率 |
| 临期可调出清单 | 生命周期管理智能体 | 可调出的临期商品 |
| 商品毛利率 | 商品主数据 | 影响调拨决策阈值 |
| 替代品列表 | 商品主数据 | 缺货时推荐替代 |
| 商品保质期分级 | 商品主数据 | 短保品调拨时效约束 |
处理逻辑
Step 1: 扫描缺货风险（每 30 分钟）
对于每个 FC 的每个 SKU：
├─ 可售时长 = 当前库存 / (4h预测销量 / 4)
├─ 若可售时长 < 4h → 标记缺货风险
└─ 缺口量 = 4h预测销量 - 当前库存
Step 2: 判断补货来源
对于每个缺货风险：
├─ FDC 下次补货时间 < 可售时长 → 等待 FDC 补货，不调拨
└─ FDC 下次补货时间 > 可售时长 → 需要调拨，进入 Step 2.5
Step 2.5: 替代品检查（查询商品主数据关系属性）
对于每个缺货 SKU：
├─ 查询替代品列表
├─ 检查替代品在当前 FC 的库存是否充足
│ ├─ 充足 → 推送"替代品推荐"至运营系统/APP，不触发调拨
│ └─ 不充足 → 继续执行调拨搜索（Step 3）
└─ 若无替代品 → 直接进入 Step 3
Step 3: 搜索最优调出仓
├─ 毛利等级影响搜索范围（查询商品主数据）：
│ ├─ 高毛利（>40%）：距离阈值放宽至 15km，扩大搜索范围
│ ├─ 中毛利（20-40%）：标准距离阈值 10km
│ └─ 低毛利（<20%）：距离阈值收紧至 8km，严格控制成本
├─ 筛选条件：
│ ├─ 同 FDC 内的 FC（优先）或同 RDC 内的 FDC
│ ├─ 库存 > 安全库存 × 1.5
│ ├─ 距离 < 毛利等级对应阈值
│ ├─ 商品非临期、非残次
│ └─ 保质期约束：短保品（<7天）仅允许调拨剩余货架期 > 3天的批次
├─ 按以下优先级排序：
│ 1. 距离最近
│ 2. 可调出量最大
│ 3. 该仓 SKU 动销最慢（优先从慢仓调出）
└─ 取 TOP 3 候选
Step 4: 成本收益计算
对于每个候选调出仓：
├─ 调拨成本：
│ ├─ FC 间骑手：距离 × 2 元/km + 5 元基础
│ ├─ FC 间小货：距离 × 3 元/km + 30 元基础
│ └─ FDC 间干线：距离 × 0.8 元/km + 200 元基础
├─ 人工成本：调出仓拣货 10min + 调入仓收货 10min ≈ 8 元
├─ 缺货损失：缺口量 × 毛利 × 1.2（客户流失系数）
└─ 净收益 = 缺货损失 - 调拨成本 - 人工成本
Step 5: 决策与执行（按毛利等级差异化阈值）
├─ 高毛利商品：净收益 > -50 元即可调拨（客户流失成本高于调拨成本）
├─ 中毛利商品：净收益 > 0 且调出仓调后库存 >= 安全库存 → 执行
├─ 低毛利商品：净收益 > 50 元才调拨（严格控制调拨成本）
├─ 调拨金额 < 200 元 → 自动执行
├─ 调拨金额 200-1000 元 → 推送调度员确认（5 分钟内）
└─ 调拨金额 > 1000 元 → 推送供应链主管审批
Step 6: 执行跟踪
├─ 生成调拨单（调出仓 + 调入仓）
├─ 调出仓拣货 → 配送 → 调入仓收货
├─ 实时更新状态
└─ 完成后更新双方库存
数据输出
| 输出项 | 消费者 | 用途 |
|---|---|---|
| 自动调拨单 | FC 作业系统 | 执行调拨 |
| 待确认调拨单 | 调度员 | 审批 |
| 调拨执行状态 | 监控看板 | 进度跟踪 |
| 调拨成本统计 | 财务系统 | 成本核算 |
智能体四：城市仓补货规划智能体
覆盖层级：FDC ← RDC
执行方式：每日 03:00 运行
数据输入
| 数据项 | 来源 | 说明 |
|---|---|---|
| FDC 需求预测 | 需求预测智能体 | 下属所有 FC 预测汇总 |
| FC 补货计划 | 补货规划智能体 | 各 FC 补货需求汇总 |
| FDC 实时库存 | WMS | 当前可用库存 |
| FDC 在途库存 | TMS | RDC 已发在途 |
| RDC 可用库存 | WMS | RDC 当前可发货量 |
| 干线运输配置 | 基础数据 | 线路、时效、成本 |
| 商品保质期分级 | 商品主数据 | 短保品补货频次和量约束 |
| FDC 库存批次到期日 | WMS 批次管理 | 用于 FIFO 先进先出控制 |
处理逻辑
Step 1: 汇总 FDC 总需求
对于每个 FDC：
├─ 总需求 = Σ(下属 FC 补货需求) + FDC 直供客户需求 + FDC 安全库存
├─ 净需求 = 总需求 - FDC当前库存 - FDC在途库存
├─ 保质期分级约束：
│ ├─ 短保品（<7天）：补货量上限 = 预计2天销量（干线3-7天，需预留运输时间）
│ ├─ 中保品（7-30天）：正常补货，但需检查 RDC 批次到期日
│ └─ 长保品（>30天）：不受保质期约束
│ └─ 最终补货量 = MIN(净需求, 保质期分级上限)
└─ 输出 FDC 级补货需求
Step 2: 检查 RDC 库存
对于每个 FDC 的净需求：
├─ RDC 库存 ≥ 净需求 → 正常补货
├─ RDC 库存 < 净需求 → 按比例分配，标记缺口
└─ RDC 无库存 → 触发 采购规划智能体 采购 + 跨 RDC 调拨
Step 3: 干线运输优化
├─ 按 RDC → FDC 线路合并补货单
├─ 计算每条线路的总体积/重量
├─ 分配干线车辆
└─ 输出运输计划
Step 4: 生成 FDC 补货单
├─ 按 FDC × SKU 生成补货单
├─ 推送给 RDC 作业系统
└─ 推送给 FDC 计划员确认
数据输出
| 输出项 | 消费者 |
|---|---|
| FDC 补货单 | RDC 作业系统 |
| RDC 库存缺口 | 采购规划智能体（采购） |
| 干线运输计划 | TMS |
智能体五：区域仓采购规划智能体
覆盖层级：RDC ← 供应商
执行方式：每日 04:00 运行
数据输入
| 数据项 | 来源 | 说明 |
|---|---|---|
| FDC 补货需求汇总 | 城市仓补货智能体 | 所有 FDC 的 RDC 级需求 |
| RDC 实时库存 | WMS | 当前库存 |
| RDC 在途库存 | TMS | 供应商已发在途 |
| 供应商库存 | 供应商系统 | 供应商可供货量 |
| 供应商交期 | 采购合同 | 从下单到到货天数 |
| 采购价格 | 采购系统 | 当前采购价 |
| 历史采购量 | 采购系统 | 用于计算批量折扣 |
| 商品保质期分级 | 商品主数据 | 短保品采购频次和量约束 |
| 供应商交期 vs 保质期 | 采购合同 + 商品主数据 | 交期必须小于保质期的50% |
处理逻辑
Step 1: 计算 RDC 总需求
├─ 总需求 = Σ(FDC 补货需求) + RDC 安全库存 + 促销备货
├─ 净需求 = 总需求 - RDC当前库存 - RDC在途库存 - 供应商库存
└─ 输出采购需求
Step 2: 供应商匹配
对于每个需采购的 SKU：
├─ 查找该 SKU 的所有合格供应商
├─ 筛选条件：
│ ├─ 供应商有库存
│ ├─ 交期满足要求（< 预计缺货时间）
│ ├─ 价格合理（≤ 历史均价 × 1.1）
│ └─ 保质期约束：交期 < 保质期 × 50%（到货后至少还有一半保质期可售）
└─ 按综合评分排序（价格 40% + 交期 30% + 质量 20% + 服务 10%）
Step 3: 采购量优化
├─ 基础采购量 = 净需求
├─ 保质期约束：
│ ├─ 短保品（<7天）：采购量上限 = 预计3天销量（到货后可售时间极短）
│ ├─ 中保品（7-30天）：采购量上限 = 预计7天销量
│ └─ 长保品（>30天）：不受保质期约束，按经济批量采购
├─ 经济批量调整：
│ ├─ 若采购量 ≥ MOQ（最小起订量）→ 按 MOQ 采购
│ ├─ 若采购量 < MOQ → 评估是否囤货
│ └─ 批量折扣：达到折扣阶梯时适当加量
└─ 采购量 = MAX(净需求, MOQ, 折扣最优量)
Step 4: 生成采购单
├─ 按供应商分组生成采购单
├─ 推送给采购员审核
└─ 审核后发送给供应商
Step 5: 到货预测
├─ 根据交期计算预计到货时间
├─ 更新 RDC 在途库存
└─ 反馈给 城市仓补货智能体 更新 FDC 补货计划
数据输出
| 输出项 | 消费者 |
|---|---|
| 采购单 | 采购员 → 供应商 |
| 供应商评分 | 采购管理 |
| 到货预测 | 城市仓补货智能体、库存系统 |
智能体六：供应商协同智能体
覆盖层级：供应商 ↔ RDC ↔ FDC ↔ FC（全链路）
执行方式：每日 07:00 推送，供应商 12:00 前确认
数据输入
| 数据项 | 来源 | 说明 |
|---|---|---|
| FC 级销量预测（7 天） | 需求预测智能体 | 终端需求预测 |
| FC 级实时库存 | WMS | 各仓库存 |
| RDC 级采购需求 | 采购规划智能体 | 采购计划 |
| 供应商历史表现 | 采购系统 | 交期准确率、质量合格率 |
| 商品保质期分级 | 商品主数据 | 短保品需供应商快速响应 |
| 各层级库存批次到期日 | WMS 批次管理 | 临期预警共享给供应商 |
处理逻辑
Step 1: 生成需求共享报告
对于每个核心供应商：
├─ 汇总其供应的所有 SKU 在各层级的库存和预测
├─ 生成 7 天滚动需求预测
├─ 标注保质期敏感 SKU：
│ ├─ 短保品：要求供应商缩短交期至 2 天内，标注"紧急"
│ └─ 中保品：标注各层级库存批次到期日，提醒供应商发货时注意生产日期
└─ 标注风险 SKU（库存不足或预测上升）
Step 2: 推送给供应商
├─ 通过供应商协同平台推送
├─ 包含：需求预测、建议备货量、建议发货时间
└─ 供应商可确认/调整
Step 3: 供应商反馈处理
├─ 供应商确认 → 按计划执行
├─ 供应商调整（如产能不足）→ 更新采购计划
└─ 供应商无法供货 → 触发替代供应商搜索
Step 4: 供应商库存可视
├─ 接入供应商库存数据
├─ 实时监控供应商库存变化
└─ 供应商库存不足时提前预警
数据输出
| 输出项 | 消费者 |
|---|---|
| 需求共享报告 | 供应商 |
| 供应商确认结果 | 采购规划智能体 |
| 供应商库存预警 | 采购员 |
智能体七：商品生命周期管理智能体
覆盖层级：FC + FDC
执行方式：每日 06:00 / 14:00 / 20:00
数据输入
| 数据项 | 来源 | 说明 |
|---|---|---|
| FC/FDC 库存批次数据 | WMS 批次管理 | 批次号、生产日期、到期日、数量 |
| 商品保质期分级 | 商品主数据 | 短保/中保/长保，决定预警阈值 |
| SKU 日均销量/动销率 | 需求预测智能体 | 用于计算预计售完天数 |
| 温控数据 | IoT 传感器 | 冷链断链加速临期 |
处理逻辑
Step 1: 扫描临期商品（按保质期分级差异化预警）
对于每个批次的每个 SKU：
├─ 查询商品保质期分级（商品主数据）
├─ 计算剩余可售天数 = 到期日 - 当前日期
├─ 计算预计售完天数 = 当前库存 / 日均销量
│
├─ 短保品预警阈值（<7天）：
│ ├─ 红色（必处理）：剩余 <= 1天
│ ├─ 橙色：剩余 <= 2天
│ └─ 黄色：剩余 <= 3天
├─ 中保品预警阈值（7-30天）：
│ ├─ 红色（必处理）：剩余 <= 3天
│ ├─ 橙色：剩余 <= 5天
│ └─ 黄色：剩余 <= 7天
└─ 长保品预警阈值（>30天）：
├─ 红色（必处理）：剩余 <= 7天
├─ 橙色：剩余 <= 15天
└─ 黄色：剩余 <= 30天
动态校准：
├─ 若剩余可售天数 < 预计售完天数 → 自动升级一级预警
└─ 若温控数据异常（冷链断链）→ 短保品直接升级为红色
Step 2: 处理方案决策（按预警等级 + 毛利等级）
├─ 红色（必处理）：
│ ├─ 高毛利商品：优先调拨到动销快的仓（挽回价值）
│ ├─ 中毛利商品：APP 打折促销（7折→5折）
│ └─ 低毛利商品：直接报损（避免占用仓容和人工）
├─ 橙色：
│ ├─ 调拨到同 FDC 内动销更快的 FC
│ └─ 若无可调拨仓 → APP 打折（8折）
└─ 黄色：
└─ 标记监控，暂不处理，纳入补货减量清单
Step 3: 反馈给其他 Agent
├─ 临期 SKU 清单 → 补货规划智能体（FC 补货时减量）
├─ 临期 SKU 清单 → 城市仓补货智能体（FDC 补货时减量）
└─ 可调出清单 → 调拨决策智能体（跨仓调拨时优先考虑）
智能体八：全局库存策略智能体
覆盖层级：FC + FDC + RDC 全局
执行方式：每日 22:00 运行
处理逻辑
Step 1: 全局库存仿真
├─ 输入：各层级当前库存 + 未来 7 天预测 + 商品分类标签
├─ 模拟不同策略下的库存表现：
│ ├─ 策略 A：维持当前安全库存
│ ├─ 策略 B：降低安全库存 10%
│ └─ 策略 C：提高安全库存 10%
└─ 评估指标：缺货率、周转天数、库存金额
Step 2: 安全库存动态调整（按商品分类差异化）
对于每个 SKU，查询商品主数据获取分类标签：
├─ 基础调整：销量稳定 → 降低，波动大 → 提高
├─ ABC 分级修正：
│ ├─ A 类：安全库存系数 x 1.2（优先保障，缺货代价高）
│ ├─ B 类：安全库存系数 x 1.0（标准）
│ └─ C 类：安全库存系数 x 0.7（允许偶尔缺货）
├─ 保质期修正：
│ ├─ 短保品：安全库存上限 = 1天销量（防临期损耗）
│ ├─ 中保品：安全库存上限 = 2天销量
│ └─ 长保品：安全库存上限 = 3天销量
├─ 快慢消修正：
│ ├─ 快消品：安全库存下限 = 0.5天销量（周转快不怕缺）
│ └─ 慢消品：安全库存下限 = 2天销量（补货周期长需缓冲）
└─ 毛利修正：
├─ 高毛利（>40%）：安全库存系数 x 1.1（宁可多备不可缺货）
└─ 低毛利（<20%）：安全库存系数 x 0.8（严格控制库存成本）
└─ 最终安全库存 = 基础值 x ABC系数 x 毛利系数，取保质期和快慢消的上下限
Step 3: 库存水位优化（按商品分类差异化）
├─ FC 层级：
│ ├─ 短保品：覆盖 0.5-1 天销量
│ ├─ 中保品：覆盖 1-2 天销量
│ ├─ 长保品：覆盖 2-3 天销量
│ └─ 慢消品：FC 仅备 0.5天，主要存放于 FDC
├─ FDC 层级：
│ ├─ 短保品：覆盖 1 天销量（快速周转）
│ └─ 长保品/慢消品：覆盖 2-3 天销量
└─ RDC 层级：
├─ A 类品：覆盖 3-5 天销量
└─ B/C 类品：覆盖 5-7 天销量
Step 4: 输出优化指令
├─ 安全库存调整指令 → 补货规划智能体、城市仓补货智能体
├─ 采购量调整指令 → 采购规划智能体
└─ 全局库存健康度报告 → 管理层
六、全链路数据流闭环
闭环定义：感知（采集数据）→ 决策（智能体分析）→ 单据（生成业务指令）→ 执行（作业系统）→ 反馈（指标评估）→ 优化（模型迭代），形成完整闭环。
6.1 闭环总览
flowchart TB
SENSE["感知层：数据采集"]
subgraph S_BASE["基础数据"]
S0["商品主数据<br/>SKU属性+分类标签<br/>商品创建/变更时同步"]
end
subgraph S_IN["终端消费数据"]
S1["消费者订单 日均10万+单 实时写入"]
S2["用户行为 购物车/搜索/浏览 实时采集"]
S3["退货售后 退货率0.5-2% 实时录入"]
end
subgraph S_INV["全链路库存数据"]
S4["FC实时库存 2000-5000 SKU 秒级同步"]
S5["FDC/RDC库存 实时同步"]
S6["在途库存 RDC-FDC/FDC-FC 实时追踪"]
S7["供应商库存 API每日同步"]
S8["盘点差异 每日/每周 盘点后更新"]
end
subgraph S_LOG["物流与温控数据"]
S9["配送数据 时效/装载率/骑手位置 实时"]
S10["干线运输数据 车辆/在途/签收 每车次"]
S11["温控数据 IoT冷链监控 每5分钟"]
end
subgraph S_EXT["外部与供应商数据"]
S12["天气/节日/热点 每日06:00"]
S13["竞品价格 每日同步"]
S14["促销活动计划 T+7天"]
S15["供应商生产计划/产能 每月/每周"]
S16["供应商交期承诺 每次下单"]
S17["入库质检 合格率99% 每批次"]
S18["报损记录 每日录入"]
end
THINK["决策层：AI 智能体<br/>智能体一 终端需求预测 每日01:00<br/>智能体二 前置仓补货规划 每日02:30<br/>智能体三 库存调拨决策 每30分钟<br/>智能体四 城市仓补货规划 每日03:00<br/>智能体五 区域仓采购规划 每日04:00<br/>智能体六 供应商需求协同 每日07:00<br/>智能体七 商品生命周期管理 每日3次<br/>智能体八 全局库存策略 每日22:00"]
ORDER["单据层：业务指令<br/>FC补货单 每日2次 80%自动通过<br/>跨仓调拨单 实时触发 小于200元自动<br/>FDC补货单 每日1次 覆盖1-2天<br/>RDC采购单 每日1次 含MOQ优化<br/>临期处理指令 每日3次 调拨/打折/报损<br/>促销建议单 活动提报时 折扣力度优化<br/>需求预测共享 7天滚动 推送供应商<br/>温控预警单 实时触发 冷链断链预警<br/>质检不合格单 每批次 不合格品处理<br/>退货入库单 实时触发 逆向物流"]
ACT["执行层：作业系统<br/>FC拣货配送 日均3000万件 30min达<br/>FDC分拣装车 装载率目标85% 每日2次<br/>干线运输 RDC到FDC 整车运输 3-7天<br/>RDC入库质检 合格率99% 每批次<br/>供应商生产发货 交期7-30天 按采购单<br/>骑手/车辆调拨配送 30分钟-4小时<br/>APP促销上线 打折/满减/买赠<br/>温控异常处理 实时触发 断链商品拦截<br/>退货处理 实时触发 逆向物流入库<br/>供应商产能调整 按需求预测 7天滚动"]
FEEDBACK["反馈层：指标评估<br/>预测准确率 当前约70% 目标大于80%<br/>缺货率 当前5-8% 目标小于2%<br/>报损率 当前3-8% 目标小于2%<br/>库存周转率 当前基准值 目标提升20%<br/>促销ROI 当前基准 目标提升15%<br/>补货及时率 当前约95% 目标大于98%<br/>配送准时率 当前约92% 目标大于95%<br/>采购到货准时率 当前约85% 目标大于90%<br/>车辆装载率 当前约70% 目标大于85%<br/>退货率 当前约1.5% 目标小于1%<br/>质检合格率 当前约97% 目标大于99%<br/>供应商响应率 当前约80% 目标大于90%"]
S_BASE & S_IN & S_INV & S_LOG & S_EXT ==>|"18类动态数据+1类基础数据<br/>实时+每日+每批次+变更时"| THINK
THINK ==>|"生成单据<br/>10类业务指令"| ORDER
ORDER ==>|"单据驱动<br/>作业执行"| ACT
ACT ==>|"执行结果<br/>库存+物流+温控+销售+质检"| FEEDBACK
FEEDBACK -.->|"模型优化+规则调整<br/>每日22:00迭代"| SENSE
style SENSE fill:#e8f5e9,stroke:#4caf50,color:#1b5e20
style S_BASE fill:#dcedc8,stroke:#7cb342,color:#1b5e20
style S_IN fill:#c8e6c9,stroke:#66bb6a,color:#1b5e20
style S_INV fill:#a5d6a7,stroke:#43a047,color:#1b5e20
style S_LOG fill:#81c784,stroke:#388e3c,color:#1b5e20
style S_EXT fill:#66bb6a,stroke:#2e7d32,color:#ffffff
style THINK fill:#e3f2fd,stroke:#2196f3,color:#0d47a1
style ORDER fill:#fff9c4,stroke:#f9a825,color:#e65100
style ACT fill:#fff3e0,stroke:#ff9800,color:#e65100
style FEEDBACK fill:#f3e5f5,stroke:#9c27b0,color:#4a148c
6.2 环节一：感知 → 决策（数据如何驱动智能体）
flowchart LR
subgraph DATA["感知数据 - 18类动态 + 1类基础"]
subgraph D_BASE["基础数据"]
D0["商品主数据<br/>SKU属性+分类标签<br/>变更时同步"]
end
subgraph D_CUS["终端消费"]
D1["消费者订单<br/>日均10万+单<br/>实时写入"]
D2["用户行为<br/>购物车/搜索/浏览<br/>实时采集"]
D3["退货售后<br/>退货率0.5-2%<br/>实时录入"]
end
subgraph D_INV["全链路库存"]
D4["FC实时库存<br/>2000-5000 SKU<br/>秒级更新"]
D5["FDC/RDC库存<br/>实时同步"]
D6["在途库存<br/>RDC-FDC/FDC-FC<br/>实时追踪"]
D7["供应商库存<br/>API每日同步"]
D8["盘点差异<br/>每日/每周"]
end
subgraph D_LOG["物流与温控"]
D9["配送数据<br/>时效/装载率<br/>实时"]
D10["干线运输数据<br/>车辆/在途/签收<br/>每车次"]
D11["温控数据<br/>IoT冷链监控<br/>每5分钟"]
end
subgraph D_EXT["外部与供应商"]
D12["天气/节日/热点<br/>每日06:00"]
D13["竞品价格<br/>每日同步"]
D14["促销活动计划<br/>T+7天"]
D15["供应商生产计划<br/>每月/每周"]
D16["供应商交期承诺<br/>每次下单"]
D17["入库质检<br/>合格率99%<br/>每批次"]
D18["报损记录<br/>每日录入"]
end
end
subgraph AGENTS["AI 智能体"]
A1["智能体一<br/>终端需求预测<br/>每日01:00"]
A2["智能体二<br/>前置仓补货规划<br/>每日02:30"]
A3["智能体三<br/>库存调拨决策<br/>每30分钟"]
A4["智能体四<br/>城市仓补货规划<br/>每日03:00"]
A5["智能体五<br/>区域仓采购规划<br/>每日04:00"]
A6["智能体六<br/>供应商需求协同<br/>每日07:00"]
A7["智能体七<br/>商品生命周期管理<br/>每日3次"]
A8["智能体八<br/>全局库存策略<br/>每日22:00"]
end
D0 -->|"SKU属性+分类"| A1
D0 -->|"SKU属性+分类"| A2
D0 -->|"SKU属性+分类"| A3
D0 -->|"SKU属性+分类"| A5
D0 -->|"SKU属性+分类"| A7
D0 -->|"SKU属性+分类"| A8
D1 & D2 & D3 & D4 & D12 & D13 & D14 --> A1
A1 -->|"24h预测"| A2
A1 -->|"预测结果"| A3
A1 -->|"预测结果"| A4
A2 -->|"FC补货汇总"| A4
A4 -->|"FDC补货汇总"| A5
D4 & D5 & D6 & D9 --> A2
D4 & D5 & D6 & D8 --> A3
D5 & D6 & D7 & D16 --> A5
D5 & D7 & D15 & D16 --> A6
D4 & D18 & D11 --> A7
D8 & D17 --> A8
D7 & D15 --> A8
A7 -->|"临期清单"| A2
A7 -->|"可调出清单"| A3
A8 -->|"安全库存调整"| A2
A8 -->|"安全库存调整"| A4
A8 -->|"安全库存调整"| A5
style DATA fill:#e8f5e9,stroke:#4caf50,color:#1b5e20
style D_BASE fill:#dcedc8,stroke:#7cb342,color:#1b5e20
style D_CUS fill:#c8e6c9,stroke:#66bb6a,color:#1b5e20
style D_INV fill:#a5d6a7,stroke:#43a047,color:#1b5e20
style D_LOG fill:#81c784,stroke:#388e3c,color:#1b5e20
style D_EXT fill:#66bb6a,stroke:#2e7d32,color:#ffffff
style AGENTS fill:#e3f2fd,stroke:#2196f3,color:#0d47a1
| 感知数据 | 频率 | 驱动的智能体 | 智能体产出 |
|---|---|---|---|
| 消费者订单 + 用户行为 + 退货售后 + FC实时库存 + 天气/节日 + 竞品价格 + 促销计划 | 实时 / 每日 | 智能体一：终端需求预测 | 各FC各SKU 24h预测销量（MAPE<20%） |
| 智能体一预测结果 + FC实时库存 + 在途库存 + 配送数据 | 每日 01:00 | 智能体二：前置仓补货规划 | FC补货建议（80%自动通过） |
| FC实时库存 + FDC/RDC库存 + 在途库存 + 盘点差异 | 每 30 分钟 | 智能体三：库存调拨决策 | 跨仓调拨建议（<200元自动执行） |
| 智能体一预测 + 智能体二FC补货汇总 + FDC库存 + 在途库存 | 每日 03:00 | 智能体四：城市仓补货规划 | FDC补货建议（覆盖1-2天销量） |
| 智能体四FDC补货汇总 + RDC库存 + 供应商库存/交期 | 每日 04:00 | 智能体五：区域仓采购规划 | RDC采购建议（含MOQ优化） |
| RDC采购需求 + 供应商库存 + 供应商生产计划/交期 | 每日 07:00 | 智能体六：供应商需求协同 | 7天滚动需求预测（推送给供应商） |
| FC实时库存 + 报损记录 + 温控数据 | 每日 06:00/14:00/20:00 | 智能体七：商品生命周期管理 | 临期预警 + 温控异常预警（调拨/打折/报损） |
| 全链路库存 + 在途库存 + 供应商库存/产能 + 各项指标 + 盘点差异 + 质检数据 | 每日 22:00 | 智能体八：全局库存策略 | 安全库存调整 + 策略优化指令 |
6.3 环节二：决策 → 单据 → 执行（智能体产出如何驱动作业）
flowchart LR
subgraph AGENTS2["AI 智能体"]
A1["智能体一<br/>终端需求预测"]
A2["智能体二<br/>前置仓补货规划"]
A3["智能体三<br/>库存调拨决策"]
A4["智能体四<br/>城市仓补货规划"]
A5["智能体五<br/>区域仓采购规划"]
A6["智能体六<br/>供应商需求协同"]
A7["智能体七<br/>商品生命周期管理"]
end
subgraph ORDERS["业务单据 - 10类"]
O1["FC补货单<br/>每日2次<br/>80%自动通过"]
O2["跨仓调拨单<br/>实时触发<br/>小于200元自动"]
O3["FDC补货单<br/>每日1次<br/>覆盖1-2天"]
O4["RDC采购单<br/>每日1次<br/>含MOQ优化"]
O5["临期处理指令<br/>每日3次<br/>调拨/打折/报损"]
O6["促销建议单<br/>活动提报时<br/>折扣力度优化"]
O7["需求预测共享<br/>7天滚动<br/>推送供应商"]
O8["温控预警单<br/>实时触发<br/>冷链断链预警"]
O9["质检不合格单<br/>每批次<br/>不合格品处理"]
O10["退货入库单<br/>实时触发<br/>逆向物流"]
end
subgraph EXEC["执行动作 - 10类"]
E1["FC拣货配送<br/>4-8小时"]
E2["骑手/车辆调拨<br/>30min-4小时"]
E3["FDC分拣装车<br/>每日2次"]
E4["干线运输<br/>RDC到FDC<br/>3-7天"]
E5["RDC入库质检<br/>每批次"]
E6["供应商备货发货<br/>7-30天"]
E7["APP促销上线<br/>当日"]
E8["温控异常处理<br/>实时拦截"]
E9["不合格品处理<br/>退货/换货/报损"]
E10["退货处理<br/>逆向物流入库"]
end
A1 -->|"促销预测"| O6
A2 -->|"补货建议"| O1
A3 -->|"调拨建议"| O2
A4 -->|"补货建议"| O3
A5 -->|"采购建议"| O4
A6 -->|"需求共享"| O7
A7 -->|"临期预警"| O5
A7 -->|"温控预警"| O8
O1 -->|"驱动"| E1
O2 -->|"驱动"| E2
O3 -->|"驱动"| E3
O3 -->|"触发"| E4
O4 -->|"驱动"| E5
O5 -->|"驱动"| E2
O6 -->|"驱动"| E7
O7 -->|"驱动"| E6
O8 -->|"驱动"| E8
O9 -->|"驱动"| E9
O10 -->|"驱动"| E10
style AGENTS2 fill:#e3f2fd,stroke:#2196f3,color:#0d47a1
style ORDERS fill:#fff9c4,stroke:#f9a825,color:#e65100
style EXEC fill:#fff3e0,stroke:#ff9800,color:#e65100
| 智能体 | 产出单据 | 执行动作 | 执行系统 | 执行时效 |
|---|---|---|---|---|
| 智能体二：前置仓补货规划 | FC补货单 | FDC拣货 → 装车 → 配送到FC | WMS + TMS | 4-8小时（凌晨批次） |
| 智能体三：库存调拨决策 | 跨仓调拨单 | 调出仓拣货 → 骑手/车配送 → 调入仓收货 | WMS + 配送系统 | 30分钟-4小时 |
| 智能体四：城市仓补货规划 | FDC补货单 | RDC拣货 → 干线运输 → FDC收货 | WMS + TMS | 3-7天 |
| 智能体五：区域仓采购规划 | RDC采购单 | 供应商确认 → 备货生产 → 发货 → RDC收货 | 采购系统 + WMS | 7-30天 |
| 智能体七：商品生命周期管理 | 临期处理指令 | 调拨到动销快的仓 / APP打折 / 报损 | WMS + 运营系统 | 当日处理 |
| 智能体七：商品生命周期管理 | 温控预警单 | 冷链异常拦截 → 商品隔离 → 仓管处理 | IoT + WMS | 实时触发 |
| 智能体一：终端需求预测 | 促销建议单 | 运营确认 → APP上线打折/满减/买赠 | 运营系统 | 活动前1-2天 |
| 智能体六：供应商需求协同 | 需求预测共享 | 供应商确认 → 调整生产计划 → 备货发货 | 供应商协同平台 | 7天滚动 |
| 智能体五：区域仓采购规划 | 质检不合格单 | 不合格品隔离 → 退货供应商 / 换货 / 报损 | WMS + 采购系统 | 每批次 |
| 消费者/FC | 退货入库单 | 退货质检 → 可售品重新上架 / 不可售品报损 | WMS + 运营系统 | 实时触发 |
6.4 环节三：执行 → 反馈 → 优化（指标如何驱动模型迭代）
| 反馈指标 | 计算方式 | 当前值 | 目标值 | 反哺对象 | 优化动作 |
|---|---|---|---|---|---|
| 预测准确率 | 1 - MAPE(预测vs实际) | ~70% | >80% | 智能体一 | 调整模型参数、增加特征、修正偏差 |
| 缺货率 | 缺货SKU数 / 总SKU数 | 5-8% | <2% | 智能体一、二 | 提高安全库存、优化预测权重 |
| 报损率 | 报损金额 / 总库存金额 | 3-8% | <2% | 智能体七、八 | 缩短补货周期、优化临期预警阈值 |
| 库存周转率 | 销售成本 / 平均库存 | 基准 | +20% | 智能体八 | 动态调整各层级安全库存水位 |
| 促销ROI | 促销增量GMV / 促销成本 | 基准 | +15% | 智能体一 | 优化促销预测模型、调整折扣策略 |
| 补货及时率 | 按时到货补货单 / 总补货单 | ~95% | >98% | 智能体二、四 | 优化补货时间窗口、调整配送线路 |
| 配送准时率 | 30分钟内送达订单 / 总订单 | ~92% | >95% | 智能体二、三 | 优化拣货路径、增加骑手运力 |
| 采购到货准时率 | 按时到货采购单 / 总采购单 | ~85% | >90% | 智能体五、六 | 优化供应商评分、增加备选供应商 |
| 车辆装载率 | 实际装载体积 / 车辆额定体积 | ~70% | >85% | 智能体二、四 | 优化3D装箱算法、合并相邻线路 |
| 退货率 | 退货订单数 / 总订单数 | ~1.5% | <1% | 智能体一、七 | 优化商品质量管控、分析退货原因 |
| 质检合格率 | 合格批次 / 总批次 | ~97% | >99% | 智能体五、六 | 优化供应商准入标准、加强到货质检 |
| 供应商响应率 | 按时确认需求 / 总推送 | ~80% | >90% | 智能体六 | 优化协同机制、增加供应商激励 |
闭环核心价值 感知 → 决策 → 单据 → 执行 → 反馈 → 优化，形成完整闭环。 每一轮循环都在优化预测模型和业务规则，系统越用越准。
6.5 数据流闭环完整性校验
以下校验确保闭环各环节数据无遗漏、无断点。
感知层 18 类动态数据 + 1 类基础数据校验：
| 分类 | 数据项 | 采集频率 | 消费智能体 | 状态 |
|---|---|---|---|---|
| 基础数据 | 商品主数据（SKU属性+分类标签） | 商品创建/变更时 | 全部智能体（一~八） | 已覆盖 |
| 终端消费 | 消费者订单 | 实时 | 智能体一 | 已覆盖 |
| 终端消费 | 用户行为（购物车/搜索/浏览） | 实时 | 智能体一 | 已覆盖 |
| 终端消费 | 退货售后 | 实时 | 智能体一、七 | 已覆盖 |
| 全链路库存 | FC实时库存 | 秒级 | 智能体一、二、三、七 | 已覆盖 |
| 全链路库存 | FDC/RDC库存 | 实时 | 智能体二、三、四、五、六 | 已覆盖 |
| 全链路库存 | 在途库存（RDC-FDC/FDC-FC） | 实时 | 智能体二、三、四、五 | 已覆盖 |
| 全链路库存 | 供应商库存 | 每日 | 智能体五、六、八 | 已覆盖 |
| 全链路库存 | 盘点差异 | 每日/每周 | 智能体三、八 | 已覆盖 |
| 物流与温控 | 配送数据（时效/装载率/骑手位置） | 实时 | 智能体二 | 已覆盖 |
| 物流与温控 | 干线运输数据（车辆/在途/签收） | 每车次 | 智能体四 | 已覆盖 |
| 物流与温控 | 温控数据（IoT冷链监控） | 每5分钟 | 智能体七 | 已覆盖 |
| 外部与供应商 | 天气/节日/热点 | 每日 | 智能体一 | 已覆盖 |
| 外部与供应商 | 竞品价格 | 每日 | 智能体一 | 已覆盖 |
| 外部与供应商 | 促销活动计划 | T+7天 | 智能体一 | 已覆盖 |
| 外部与供应商 | 供应商生产计划/产能 | 每月/每周 | 智能体六、八 | 已覆盖 |
| 外部与供应商 | 供应商交期承诺 | 每次下单 | 智能体五、六 | 已覆盖 |
| 外部与供应商 | 入库质检 | 每批次 | 智能体八 | 已覆盖 |
| 外部与供应商 | 报损记录 | 每日 | 智能体七 | 已覆盖 |
单据层 10 类业务指令校验：
| 单据类型 | 触发智能体 | 执行动作 | 反馈指标 | 状态 |
|---|---|---|---|---|
| FC补货单 | 智能体二 | FC拣货配送 | 补货及时率 | 已覆盖 |
| 跨仓调拨单 | 智能体三 | 骑手/车辆调拨 | 配送准时率 | 已覆盖 |
| FDC补货单 | 智能体四 | FDC分拣装车 + 干线运输 | 车辆装载率 | 已覆盖 |
| RDC采购单 | 智能体五 | 供应商备货发货 + RDC质检 | 采购到货准时率 | 已覆盖 |
| 临期处理指令 | 智能体七 | 调拨/打折/报损 | 报损率 | 已覆盖 |
| 促销建议单 | 智能体一 | APP促销上线 | 促销ROI | 已覆盖 |
| 需求预测共享 | 智能体六 | 供应商产能调整 | 供应商响应率 | 已覆盖 |
| 温控预警单 | 智能体七 | 温控异常处理 | 报损率 | 已覆盖 |
| 质检不合格单 | 智能体五 | 不合格品处理 | 质检合格率 | 已覆盖 |
| 退货入库单 | 消费者/FC | 退货处理 | 退货率 | 已覆盖 |
反馈层 12 项指标校验：
| 指标 | 反哺智能体 | 驱动优化动作 | 状态 |
|---|---|---|---|
| 预测准确率 | 智能体一 | 模型参数调整 | 已覆盖 |
| 缺货率 | 智能体一、二 | 安全库存优化 | 已覆盖 |
| 报损率 | 智能体七、八 | 临期预警阈值调整 | 已覆盖 |
| 库存周转率 | 智能体八 | 各层级安全库存水位调整 | 已覆盖 |
| 促销ROI | 智能体一 | 促销预测模型优化 | 已覆盖 |
| 补货及时率 | 智能体二、四 | 补货时间窗口优化 | 已覆盖 |
| 配送准时率 | 智能体二、三 | 拣货路径/运力优化 | 已覆盖 |
| 采购到货准时率 | 智能体五、六 | 供应商评分调整 | 已覆盖 |
| 车辆装载率 | 智能体二、四 | 3D装箱算法优化 | 已覆盖 |
| 退货率 | 智能体一、七 | 商品质量管控加强 | 已覆盖 |
| 质检合格率 | 智能体五、六 | 供应商准入标准优化 | 已覆盖 |
| 供应商响应率 | 智能体六 | 协同机制优化 | 已覆盖 |
