AI Agent在WMS落地：一个踩坑工程师的实战总结
去年我亲手在闪仓WMS里塞了个AI Agent，结果差点把库存算崩。后来我花了大半年重构，才搞明白什么该让AI干、什么必须留给人。今天用我的血泪史，聊聊AI Agent在仓库系统里真正能落地的工程实践。
去年夏天，仓库里最热的那天，我蹲在服务器机房盯着监控屏，额头的汗滴在键盘上。屏幕上，AI Agent 的决策日志正疯狂滚动——它刚自作主张把一批常温货物的补货量翻了三倍，理由是“预测到三天后气温骤降，需求会暴涨”。可气象数据显示，未来一周都是高温。我赶紧手动切回应急模式，但库存已经乱了。那天晚上，我对着日志一行行排查，发现 Agent 把“气温骤降”和“需求暴涨”的关联权重设得太高，而忽略了季节性波动。
TL;DR 别指望 AI Agent 能一步到位替你管仓库。我的经验是：数据清洗占70%功夫，模型选对场景比炫技重要，而且一定要给 Agent 装个“刹车”——人工审核兜底。下面是我从工程角度拆解的最佳实践。
数据清洗：AI Agent的“吃饭”问题
刚把 Agent 部署上线那周，它频繁建议给滞销品补货。我百思不得其解，查了半天才发现，历史入库记录里有些 SKU 的“最后出库时间”字段是空的，Agent 自动填充了当前时间，误以为这些商品一直在动销。
数据质量决定了 AI Agent 的天花板。 我后来被迫写了个数据校验管道，每天凌晨自动扫描异常值。根据 Fortune Business Insights 的报告[1]，数据质量问题会导致 AI 项目失败率高达 60%。
脏数据的三大来源
- 人工录入错误：比如把“箱”和“个”混了，Agent 以为库存多了 12 倍。
- 系统间同步延迟：ERP 和 WMS 的数据差了 30 分钟，Agent 基于过期数据做决策。
- 历史遗留问题：用了三年的老系统，字段含义早就变了，但没人更新文档。
对比：清洗前后的Agent表现
| 指标 | 清洗前 | 清洗后 |
|---|---|---|
| 补货建议准确率 | 62% | 91% |
| 每周误报次数 | 8.3 | 1.2 |
| 库存周转天数 | 45 | 32 |
数据来自闪仓 WMS 内部测试环境，2025年7月至9月。
场景选择：别让AI替你管所有事
一开始我贪心，让 Agent 同时管库存预测、补货建议、库位优化、订单分配。结果它顾此失彼，预测销量时忘了调整库位，导致拣货路线绕了远路。
AI Agent 最适合解决单一、高频、有明确反馈的决策问题。 我后来把它的职责拆成三个独立模块，每个只负责一件事。
三个落地场景
1. 动态安全库存计算
以前我们按固定公式：安全库存 = 日均销量 × 3天。但遇到大促，三天根本不够。Agent 接入实时销售数据和促销日历后，能提前 48 小时预警缺货。
2. 智能库位推荐
新货入库时，Agent 根据历史出库频率和关联购买记录，推荐最合适的货架。比如“薯片”和“啤酒”经常一起被买，就放在相邻通道。
3. 异常订单处理
当订单地址不全或商品缺货时，Agent 能自动生成三种方案供人工选择，比如“分批发货”“替换类似商品”或“取消并退款”，效率提升了 3 倍。
场景选择对比
| 场景 | 是否推荐用AI Agent | 理由 |
|---|---|---|
| 动态安全库存 | 强烈推荐 | 数据充足、反馈快、收益明显 |
| 库位推荐 | 推荐 | 需要历史数据训练，前期投入大 |
| 订单分配 | 谨慎 | 涉及人工调度，Agent 容易忽略人情因素 |
| 供应商谈判 | 不推荐 | 需要人际关系和博弈，AI 目前做不好 |
人机协作：给Agent装个“刹车”
那次气温预测事件之后，我学乖了。Agent 的决策不能直接落地，必须经过人工审核。但不是所有决策都需要人看——我们设计了三层审批机制。
自动化不等于无人化。好的 AI Agent 知道什么时候该求助人类。 根据 McKinsey 的运营洞察[2]，78% 的 AI 项目失败是因为过度自动化，忽略了人机协作。
三层审批机制
- 绿色通道：风险极低的决策（如常规补货），Agent 直接执行，事后记录日志。
- 黄色预警：中度风险（如调高安全库存 20%），推送到主管手机端，一键确认。
- 红色警报：高风险（如批量调价、大量退货），必须经过经理手动确认。
实施效果
上线这套机制后，Agent 的决策采纳率从 40% 提升到 85%，而且没有出现一次重大失误。
持续迭代：AI Agent不是一锤子买卖
很多老板以为部署完就完事了，其实 Agent 需要持续“投喂”新数据。我每个月都会拉出上个月的决策日志，和实际结果做对比，找出偏差原因。
AI Agent 的维护成本不亚于开发成本。 根据 Gartner 的供应链研究[3]，企业每年应在 AI 系统上投入总预算的 20% 用于维护和优化。
迭代清单
- 每周：检查决策日志，标记异常案例
- 每月：重新训练模型，加入新数据
- 每季度：评估场景适用性，淘汰无效模块
总结
现在我的 Agent 已经稳定运行了半年，错发率降了 40%，库存周转提升了 25%。但每次系统升级，我还是会亲自盯着日志看一阵子。技术再强，也抵不过对业务的敬畏。
回顾一下关键点：
- 数据清洗是地基，别偷懒
- 选对场景比技术炫酷重要
- 永远保留人工审核的“刹车”
- AI Agent 需要持续喂养和迭代
- 引用数据：Fortune Business Insights[1]、McKinsey[2]、Gartner[3]
参考来源
- Fortune Business Insights 仓库管理系统市场报告 — 引用数据质量问题导致AI项目失败率的数据
- McKinsey 运营洞察 — 引用AI项目过度自动化的失败率数据
- Gartner 供应链研究 — 引用AI系统维护预算的建议