多智能体协同的供应链缺货预警与补货建议落地

日期:2026-10-14

一、项目背景

我们服务的一家零售客户,门店缺货长期靠店长发现再叫货。等店长注意到货架空了,电话打到总部,总部再反应过来,热销品往往已经断档三天,丢掉的不仅是这几天的销售,还有顾客以后不来的长期损失。补货也常补错量,凭经验多叫一点怕积压、少叫一点怕再断,结果两边都不讨好,库存要么堆成山要么空荡荡。客户想做预警,但单靠看销量曲线人工判断,几十家店的复杂度根本顾不过来,迟早有漏的。那次进场访谈,客户的供应链总监说了一句话让我们印象深刻:他们不是不知道要补货,是每天几百个 SKU 里根本分不清该先补哪个。

二、落地场景

我们用多智能体协同做供应链缺货预警与补货。监控智能体盯着各门店的实时销量和库存水位,预测智能体基于短期动销做需求预测,识别智能体专门找异常波动,比如某店销量突然翻倍但库存没跟上。三个智能体协同之后,生成分门店的缺货预警和补货建议,推给采购和仓配去执行。运营在面板上看得到每个预警的提前量、建议补货量和依据,不用自己从几十张表里找异常。采购收到的是带着理由的建议,不是冷冰冰一个数字,执行起来心里有底,也方便事后复盘为什么系统让补这么多。

三、关键技术挑战与解决思路

第一个难点是多店销量监控的实时性。几十家店每秒都在动,我们让监控智能体只上报水位低于阈值的店,而不是全量轮询,既省算力又不漏异常,把有限的注意力放在真正危险的地方。第二个难点是短期需求预测。长周期预测对补货没用,我们要的是未来三到七天的量。预测智能体用滑动窗口加近期趋势,给出区间而非单值,给后续决策留余地,而不是假装能精准算到个位。第三个难点是补货量建议。识别到缺货之后如果补太多变积压,补太少又断。我们让补货智能体在预测区间内取偏保守的值,宁可少补勤补,也不一次堆满仓库,把库存健康度放在短期销量之上。

第四个难点是预警噪声的控制。门店多、SKU 多,如果每家店每个品都预警,运营会被淹死,真有大事反而被埋在信息里。我们设了影响面加权,只推预计损失超过一定额度的预警,小波动系统自己消化不吵人。这个取舍一开始有争议,运营怕漏掉,但跑下来发现被压下去的都是无关紧要的波动,真正要紧的反而更突出了。预警的价值在于少而准,不在多而全,这条我们交了几次学费才认。

四、效果数据

系统跑满两个月,缺货预警平均提前约两天半发出,断货率下降约五成。补货准确率约八成五,积压库存占比下降约三个百分点。文中数据均为示意口径,非真实经营数字。库存周转天数缩短约两天,热销品断档引起的销售损失明显收窄。采购反馈最实用的是补货建议带着依据,不用再猜为什么系统让补这么多,和门店扯皮的情况少了一大半,整个补货流程从被动救火变成了主动规划。

五、可复用经验总结

缺货预警早一天和晚一天,对零售来说是天差地别,但补货量给多给少同样要命。我们最初让预测智能体直接出补货量,结果它倾向给大数怕断货,仓库被塞爆,积压成本比断货还难看。后来改成预测只出区间、补货取保守值,反而更稳。这件事让我觉得,多智能体协同里每个角色都得有自知之明,预测就老老实实给区间,别替决策方拍板。协同的价值不是某个智能体更聪明,而是各自的边界清晰,各管一段反而比一个全能模型更可控。我们后来把所有协同系统都按这个思路设计,先定边界再定交互。

还有一句话,预警系统最怕变成狼来了,响多了没人信,真出事反而被忽略。我们宁可少报,也要保证每一条都值得人停下来看。做供应链的人最终信的是系统靠不靠谱,而不是它有多热闹。所以我们在准确率和召回率之间,坚定地站在准确率这边,少一条漏报我们认,一条误报我们都不想发,这是和运营磨合出来的共识。

补货系统跑顺之后,客户把预警提前量当成了考核指标,要求我们越提越早。我们没盲从,提前太多意味着预测区间变宽、噪声变多,反而稀释了准确率。最后和供应链总监达成一致,提前量卡在能 actionable 的窗口内,而不是越早就越好。做系统的人要懂得拒绝不合理的指标诉求,否则容易被带着跑偏,最后系统准时但没用。

案例片段(已脱敏): 补货建议的保守取值逻辑示意:demand = forecast(store, horizon=7)        # 输出区间 [low, high] suggest = int(low * SAFE_FACTOR)           # 取保守值,少补勤补 if stock[store] + suggest < threshold:    emit_restock_alert(store, suggest)     # 带依据推送采购上线两月缺货预警平均提前约两天半,断货率降约五成,补货准确率约八成五,库存周转缩短约两天。