一、项目背景

我们服务的这家仓储企业，日均出入库量不小，但运营效率一直被三件事拖累：一是波次拣选靠老仓管经验排，遇到大促或品类混杂的订单，拣货路径绕得离谱，人走冤枉路、单出不来；二是库存周转慢，临期和滞销商品积压，资金占用高，又没人提前预警；三是拣选、补货、盘点各干各的，信息不互通，经常出现"拣货员到了货位发现没货""盘点数和系统等不对"的扯皮。

项目负责人一句话点题："仓里不缺人，缺的是让各环节像一个人一样协同的神经。"我们的目标，是用多智能体把拣选、补货、库存、处置这几件事协同起来，而不是各上一套孤立系统。

二、落地场景

我们按角色拆了几个智能体协同工作。波次编排 Agent：根据订单结构（品类、时效、拣货区）自动生成拣货波次，并输出最优拣货路径，替代人工排班。拣货路径 Agent：基于仓内布局和实时货位占用，计算最短/最少冲突的拣货序列，下发给手持终端。库存周转 Agent：监控各 SKU 的周转天数、库龄、动销率，对临期和滞销做分级预警。处置协同 Agent：对预警商品联动促销、调拨或清仓建议，并协调拣选和库存 Agent 执行。几个 Agent 通过共享的库存与任务状态总线通信，冲突时由编排 Agent 仲裁。

三、关键技术挑战与解决思路

第一个挑战是多 Agent 波次编排。波次不是简单按时间切，要兼顾"同区集中、时效优先、载具容量"。我们用约束求解的思路：把订单按拣货区聚类，同类订单并成波次，波次内按载具容量上限切批，时效订单打标优先排。编排 Agent 输出波次 + 路径建议，仓管可一键确认或微调，不剥夺人的最终判断。

第二个挑战是拣货路径优化。路径 Agent 把仓内通道建模成图，货位为节点，实时货位占用为边权，用启发式（如改进型最近邻 + 2-opt 局部优化）算序列。关键是"实时"——货位被占用或临时封通道要即时反映，否则路径到了现场失效。我们让路径 Agent 订阅库存总线的货位状态，动态调整。

第三个挑战是周转预警与分级。周转 Agent 不只算"周转天数"，而是分层级：临期（剩余保质期短）、滞销（动销率持续低）、慢动（介于正常与滞销间）。不同级别触发不同动作——临期直接进处置协同，滞销进调拨/促销建议，慢动只观察不动作。分级避免了"一刀切清仓"误伤正常商品。

第四个挑战是滞销临期处置协同。处置最怕"建议了没人执行"。我们把处置建议变成可执行任务：临期商品生成促销或调拨任务，分派给对应 Agent 执行，执行结果回写库存总线，形成闭环。几个 Agent 的冲突（如拣货 Agent 想用某货位、补货 Agent 也在动）由编排 Agent 按优先级仲裁，保证状态一致。

案例片段（已脱敏）： 波次编排：wave = cluster_orders(orders, by=["pick_zone","sla"], cap=carrier_cap); sort by sla_flag desc。路径优化：graph = build_warehouse_graph(live_occupancy); path = heuristic_tsp(nodes=wave.slots, method="nn+2opt")；货位订阅：path_agent.subscribe(inventory_bus, topic="slot_occupancy") 动态重算。周转分级：tier = "near_expire" if shelf_life_remain<7d else ("slow" if mov_rate<0.1 else ("normal" if mov_rate>0.3 else "watch"))。处置协同：if tier=="near_expire" then task(promote_or_transfer) dispatch to agent; result -> inventory_bus.update()。冲突仲裁：arbiter.resolve(conflict, by=priority)。

四、效果数据

方案上线一个季度（脱敏示意）：拣货人效（人均每小时拣货行数）提升约 28%，主要来自于波次合理化和路径优化减少的冤枉路。库存周转率（以月度计）提升约 19%，临期损耗率下降约 36%，因为预警提前、处置及时。拣货到货位"无货"的扯皮事件下降约 70%，靠的是库存总线让拣选和补货看到同一份状态。波次编排从人工 30 分钟/班变成系统秒级生成、人工确认，仓管把时间花在异常处理而非排班上。

一个细节：分级预警避免了"为清仓而清仓"，慢动商品没有被误杀，整体毛利没受损，这点财务很满意。

五、可复用经验总结

第一，拣选先波次再路径。波次决定了"拣什么"，路径决定"怎么走"，顺序不能反，波次不合理路径再优也白搭。第二，周转要预警分级。临期、滞销、慢动动作完全不同，一刀切清仓会误伤正常商品，分级是必须的。第三，处置要变成可执行任务而非建议。建议没人跟就石沉大海，把处置派成任务、闭环回写才落地。第四，多 Agent 要有共享状态总线。各 Agent 看到同一份库存与任务状态，冲突才有仲裁依据，否则协同变乱斗。

给同行一句提醒：仓储优化的杠杆不在某个单点算法，而在"各环节能否像一个人一样协同"。多智能体的价值，是把仓管脑子里的经验，拆成可协同、可观测、可仲裁的角色能力——这比上一套孤立的"拣选系统+库存系统"管用得多。

附：落地过程中的工程细节

多智能体协同最怕"消息风暴"——每个 Agent 高频广播状态，总线被冲垮，反而比不协同还慢。我们在接入时给状态总线做了节流和分级：货位占用这类高频变化走轻量事件、批量合并；波次和任务状态这类低频关键变更才实时推送。另外编排 Agent 的仲裁不能做成中心瓶颈，我们把冲突仲裁设计成"本地优先、争议才上报"，绝大多数货位争用由路径 Agent 就近化解，只有跨波次的大冲突才惊动编排层。这两个细节——总线分级和仲裁下放——是这套协同能从演示跑进生产的关键，否则再好的算法也会被工程现实拖垮。

结语

仓储是个典型的"多角色协同"场景，人、货、空间、时间四件事纠缠在一起。当我们用多智能体把波次、路径、周转、处置连成一张协同网，仓库就不再是"各干各的"的离散作业，而是一台有神经、能自调的系统。这，正是智能体在产业场景里最实在的落点。