🚀 欢迎来到AI产品经理研习之旅 🚀
开始之前
就在昨天，京东在全球科技探索者大会（JDD）上介绍了以“云、数、模、端、场、链”六个模块组织的“超级 AI 供应链”。
宏大的产业布局背后，有一个值得 AI 产品经理和数字化负责人追问的具体问题：业务人员说出一个目标后，AI 究竟怎样把它变成能够执行的工作？
比如：“为电脑部门制定一份 11 月销售计划。”系统如何理解“制定计划”，找到所需数据，选择预测和优化工具，处理分析中的新发现，再接住业务人员的调整？
京东与高校研究者的一篇名为Rethinking Supply Chain Planning: A Generative Paradigm的论文，提供了拆开这些环节的机会。它既讨论供应链规划的新定义，也公开了智能体分工、数据处理方式，以及一项销售规划任务逐步展开时的输入和输出。接下来，我们尽量让论文自己说话，保留这些值得研究的细节。
本文完整翻译 §2.4、§3、§4、§5 与附录，按阅读顺序重新编排为八章，标注原文对应关系，并保留图 2—6。前半部分关于历史演进与变革力量的论述不在译文范围内：理解后文只需把握作者的起点——供应链规划需要协调不同部门、不同时间尺度和不断变化的业务信息，计算出一个静态最优解，并不足以完成这种协调。
以下“我们”指论文作者。 JDD 提供阅读背景，但不能据此认定论文描述的系统就是此次大会发布的技术底座。
01｜重新定义供应链规划
从静态计划走向持续生成
对应原文 §2.4
在回顾供应链规划的历史演进，并分析推动其转型、相互汇聚的内外部力量之后，我们综合这些观察，提出以下有关其概念更新的观点。
我们提出对供应链规划的新理解：它是一个交互式、一体化、自动化的生成过程，能够跨越组织层级与时间层次，系统地生成纵向一致、横向协同、动态适应的计划。 这一视角不再将规划视为一组线性或孤立的任务，而是将其看作一个紧密协同的系统，持续使决策与不断变化的业务目标和运营条件保持一致。这一过程将人的战略意图、对运营情境的语义理解，以及机器驱动的分析和执行能力有机地统一起来。它协调需求预测、库存管理、采购、生产、配送和履约，以提高整个系统的效率、响应能力与韧性。在持续的人机协作、实时信息整合和自适应优化的支持下，这一概念将现代规划定位为一种动态、自我强化的机制，用以应对日益动荡的环境。
从交互性看，规划不应再停留于单向指令或静态电子表格，而必须转向动态对话：系统理解用户需求，反馈推断出的结果，并持续在决策与数据之间进行协调。从一体化看，未来的规划需要打破传统职能孤岛，在共同的语义框架下对齐部门、系统和数据，确保信息、目标与约束的一致性。从自动化看，规划系统必须超越执行预定义规则的阶段，具备自主学习、生成决策逻辑和自主优化计划的能力。
在这一新范式下，供应链规划从静态的优化活动演变为生成式推理过程。规划从“控制”转向“共同演化”，在人、数据和智能系统之间建立持续协作的循环。这种方式使决策能够动态生成，适应环境变化，并不断优化。最终，这样的规划系统不仅能帮助组织应对深度不确定性与复杂性，也将成为推动供应链持久韧性与创新的催化剂。
基于这一新的供应链规划概念，我们开发了一个由生成式 AI 驱动的智能体框架，将所提出的范式具体化。该框架旨在充当一个智能组织接口。为展示这一架构在现代供应链规划约束条件下的实际效用，我们与按营收计中国最大的线上零售商京东合作。本文其余部分安排如下：第 3 节详细介绍所提出框架的技术架构与自主编排机制，第 4 节则展示其在京东运营场景中的实际部署和性能验证。
把规划拆成五个相互衔接的阶段
对应原文 §3.1
在重新定义供应链规划之后，必须相应调整运营工作流，使其与这一概念转变保持一致。虽然所提出的范式强调交互性与一体化，但这种调整并不意味着将工作流压缩成一个整体式、无差别的黑盒。相反，当代供应链运营处于数据丰富、变化迅速的环境中，需要将规划活动严谨地拆分为明确的阶段，才能有效实现端到端协调。关键在于，这些阶段运行于统一的认知环境中，支持持续反馈、适应性调整，以及人类决策者与智能体之间的共生协作。
在电商供应链管理的情境下，我们将规划重构为一个闭环、多阶段的循环，覆盖从数据综合处理到执行监控和适应性纠偏的整个生命周期。具体来说，一套完整的规划工作流包含以下相互整合的阶段：
自主数据获取：利用智能体处理电商运营海量维度的能力。人类规划人员的视野往往限于汇总信息，智能体则通过高吞吐量的工具调用，对数百万个 SKU 执行快速、细粒度的查询。通过自主同步庞大而异构的数据集，包括实时销售数据流、商业目标和复杂的 PSI（Purchase–Sales–Inventory，即“进销存”） 计划，系统有效化解信息复杂性，确保规划由全方位、零延迟的业务信号驱动。
计划生成：利用智能体的思维链推理，弥合战略意图与运营执行之间的差距。与传统的“黑盒”求解器不同，智能体从语义层面理解高层业务目标，并将其按逻辑拆解为细粒度、面向具体部门的销售目标和 PSI 目标。这确保生成的基准计划不只是一个数值结果，而是经过合理推导、与组织目标严格一致的策略。
计划执行：弥合战略规划与战术执行之间的关键差距。智能体充当智能编排者，通过感知上下文的工具调用，将高层规划目标转换为精确的系统级指令，例如采购订单和参数更新。将领域逻辑嵌入这一转换过程后，系统既能确保自上而下的实施在运营层面可行，也能使其与最初的战略意图严格一致，避免业务目标在执行中被削弱。
计划诊断与预警：在运营波动中提供动态的情境理解。智能体不再仅仅报告静态差异，而是主动应对执行中的不确定性。借助实时因果推理，它处理的一项关键挑战是辨清模糊信号，例如自主区分短暂的销售波动与结构性的市场变化。这一机制构成持续警戒的循环，确保系统在风险升级为系统性故障之前，动态识别并隔离风险。
计划纠偏：通过自主补救行动完成适应性闭环。收到诊断信号后，智能体利用生成式模拟，综合形成并验证最优恢复策略，例如库存再平衡或加急补货。它不采用僵化的规则式调整，而是通过反事实推理，也就是“如果……会怎样”的分析，预测纠偏措施的结果，确保修订后的计划能够有效调整系统，以应对市场变化和执行中的不确定性。
这一结构化工作流将所提出的“智能组织接口”具体化。由于从数据综合处理到纠偏行动的所有阶段都需要语义推理与自主适应，这个循环超越了静态计算。这种运营复杂性要求部署由生成式 AI 驱动的智能体，因为它们具备应对这些推理需求的独特能力。因此，这一架构使策略能够持续重新校准，在市场波动中动态平衡效率与韧性。
图 2｜所提出的智能体框架
综合平衡人的战略意图与机器驱动执行所需的关键要素，我们提出生成式 AI 驱动的供应链规划智能体框架（图 2），使这一重新校准的工作流能够落地运行。作为一个智能组织接口，该架构使领域专家能够直接通过自然语言驱动复杂的规划循环，从而连接业务意图与技术执行。系统充当认知层面的编排者，将“生成一份 11 月销售计划”这样的高层指令拆解为结构化的多智能体工作流。每个工作流阶段都由专门的子智能体管理，并以经过领域适配的模型和针对特定任务的提示词为支撑，确保将语义推理严谨地转换为精确的运营行动。
所提出的架构包含两个主要模块：任务管理与任务执行。任务管理模块充当认知控制单元，理解自然语言输入，并将这些指令拆解为可执行的子任务。这一部分的关键挑战包括准确的语义识别和稳健的任务推理。与这种编排相配合，任务执行模块负责落实生成的任务清单，并综合相应输出。该阶段主要的技术难点包括：无缝整合异构数据库以提取数据，以及为现有代码库中尚未定义的新任务动态生成执行代码。
在接下来的章节中，我们详细介绍所提出框架的功能架构。我们系统地定义各个子智能体的具体角色，说明在规划生命周期的每一个阶段，数据输入如何转化为决策输出。这种组件层面的分析阐明了系统实现自主编排和领域适配的机制。为更细致地呈现这一工作流，我们在附录中提供了一个完整案例，展示每一步产生的具体输入和输出，并说明智能体如何协同，将战略意图转换为可执行的行动。
02｜让系统理解企业，也听懂业务需求
基础模型、记忆与企业知识
对应原文 §3.2
在详细介绍各个智能体的工作流之前，有必要明确基础模型的角色：它是整个框架统一的认知核心。如图 2 左侧所示，这个模型充当一个共享的“大脑”，驱动后续各个智能体，提供任务拆解与执行所需的基础推理能力。为将这一通用模型转变为专业的供应链专家，我们将其与几种关键的支撑机制结合：维持交互上下文的短期记忆、检索领域知识的长期记忆，以及使模型与战略目标保持一致的微调。这些组件不只是附加功能，更是基础前提：它们赋予推理引擎驱动多智能体协作所必需的稳定性与深度。
短期记忆使推理引擎能够掌握当前对话上下文与任务的中间状态。这种临时存储机制在人与系统之间、或智能体彼此之间的多轮交互中保持连续性，确保多步规划过程前后一致、目标一致。例如，当前规划目标的具体细节，或者此前任务中作出的决策，会被临时保存，用于指导后续推理与执行。
图 3｜领域知识与数据生成
相比之下，长期记忆充当领域知识和累积交互信息的持久存储库。这个记忆组件保存用户偏好、历史决策和此前会话中经过验证的结果，使系统能够随着时间推移，逐步形成更丰富的业务情境理解。这种持久性对供应链规划尤为关键，因为战略决策本身具有前后相继的特点，并深受历史绩效的影响。
为提高推理准确性和领域一致性，该架构结合了检索增强生成（RAG）与微调。图 3 展示了知识库的构建过程，具体说明异构文档如何经过内容分析和分块，进入混合向量数据库。通过采用稠密与稀疏的嵌入策略，并接续重排序机制，这条处理链将推理引擎与实时企业情境连接起来。作为补充，基于专门语料的微调，使模型的决策逻辑与供应链规程保持一致。这些策略共同将通用推理建立在事实性的领域知识之上，为后续多智能体编排奠定稳固基础。
把一句话变成结构化输入
对应原文 §3.3
工作流首先从查询增强模块开始，利用底层基础模型的语义处理能力。这个模块旨在减轻自然语言固有的歧义，对用户原始输入进行预处理，将其转换为适合下游编排、机器可解析的结构化表示。其主要目标是从非结构化查询中提炼关键规划参数，从而尽可能提高用户意图的可解释性，以及后续智能体的执行准确性。图 4 给出了一个具体案例，逐步展示如何将原始自然语言查询转换为最终的结构化指令。
这一模块可视为一种典型的自然语言处理（NLP）任务，主要由两个子模型组成：
分词与过滤模型：该子模型将用户原始输入切分为有意义的词元，并依据预定义词典与语义规则，过滤噪声或无关词语，例如停用词和冗余连词。通过这一过程，系统仅保留具有语义价值的实体和与行动相关的关键词，为后续意图识别与任务拆解提供更清晰、信息更充分的表示。
槽位分类模型：在分词与过滤之后，系统使用分类模型将每个词元映射到特定槽位，识别它在查询中的语义角色，例如时间、产品品牌或品类。这一步连接了文本层面的语义解析与结构化语义表示，使用户意图能够得到更准确的理解。
通过整合这两个子模型，查询增强模块有效提升了系统对复杂自然语言查询的理解能力，为下游的意图识别、任务拆解和执行模块提供高质量的输入特征。
图 4｜查询增强
03｜把业务目标拆成可执行的任务
对应原文 §3.4
将用户原始输入转换为结构化表示后，工作流进入任务管理模块；该模块充当抽象意图与具体执行之间的操作桥梁。在使用经过微调的大语言模型和特定情境提示词的专门智能体驱动下，这一组件执行一个分为两个阶段的协作过程。首先，意图分类智能体解释结构化查询，消除对其背后业务目标的歧义，确保即使存在歧义，也能与领域情境精确对齐。随后，任务编排智能体将这一已识别的意图分解为连贯且能够识别依赖关系的工作流，把高层目标转化为一系列可付诸行动的操作任务。通过以领域专用微调和定制提示策略为这些智能体奠定基础，该框架建立起一种灵活的推理机制，能够应对当代供应链规划固有的动态复杂性。
先判断用户到底要完成什么
对应原文 §3.4.1
第 3.3 节查询增强模块的目标，是从句法层面对原始输入进行结构化和参数化处理；这里的重点则转向语义解释，具体而言，就是解读驱动该查询的深层业务目的。意图分类智能体作为一个专门的认知单元，负责将这些结构化输入映射到定义明确的供应链规划情境。该智能体以一个使用领域专用语料进行过微调的大语言模型为支撑，具备处理业务指令中语言细微差别和情境歧义的能力。这种领域适配对于克服模糊或不完整请求的解析难题至关重要，因为在这些请求中，提取正确的战略信号具有首要意义。在定制提示工程的引导下，该智能体系统地分析用户输入，并将识别出的意图划分为以下三个主要类别：
- 库存周转与规划诊断
这一意图侧重于评估库存流转效率，并识别规划中的潜在问题。属于这一意图的任务可能涉及分析库存周转率、检测补货安排中的异常，以及为表现不佳的 SKU 提供诊断洞见。这一分类的目的，是支持主动识别低效之处，进而支持相应调整，提高供应链响应能力，并减少不必要的库存持有。 - 有货率监控
这一意图涉及监控各仓库或配送中心的商品可得性。它包括跟踪库存水平、标记存在缺货风险的商品，以及提醒相关智能体进行补货。高有货率对于维持服务水平和客户满意度至关重要。对这一意图进行分类，使系统能够优先关注关键商品和高需求商品。 - 销售、库存与采购建议
这一意图旨在依据历史销售、当前库存和需求预测，为订货、采购及库存分配提供可执行的指导。子任务包括计算最优订货量、提出针对不同仓库的分配建议，以及指出可能出现的库存过多或不足情形。对这一意图进行分类，可确保系统生成以数据为依据、可付诸行动的建议，使运营决策与战略规划目标保持一致。
完成意图分类后，系统将请求转交给针对特定业务目标的专门智能体，包括计划生成智能体、计划诊断智能体或采购—库存建议智能体。鉴于每个领域都具有不同的运营逻辑和特有约束，这一路由机制使系统能够部署专用智能体；每个智能体都由定制提示工程和经过微调的模型增强，以确保精确的语义对齐与执行。
尽管这些智能体的功能各不相同，其底层认知架构在结构上仍然同构。所有专门智能体都按照标准化工作流运行，涵盖任务解析、数据检索、分析推理、计划生成和结果验证。为使概念更加清晰，我们在图 2 中展示了这一统一编排范式；同时，我们也指出，各智能体的详细定制内容，例如任务专用提示词和约束模板，对应于上述不同的运营要求。
这一架构配置在模块化与专业化之间取得了关键平衡。模块化提高系统的可扩展性和可维护性，便于无缝集成新的任务类型；另一方面，专业化则确保在具体业务情境中严格对齐领域要求，并保证决策准确性。在明确这些专门智能体的运营职责之后，接下来的分析将聚焦任务编排机制。该组件负责协调这些不同的认知单元，使它们协同完成包含多个步骤、彼此依赖的规划目标。
再生成任务清单与执行顺序
对应原文 §3.4.2
用户的原始文本输入构成一项对话任务，表现为一个具体请求或问题，用户希望系统对此提供反馈和解决方案。然而，即使系统识别出了输入背后的具体意图，原始任务本身仍然不可执行。因此，下一步是任务编排，即将请求分解为多个系统可执行子任务的过程。正如系统提示词设计中所详述的那样，这一机制确保将模糊的用户输入转化为精确、可执行的规划步骤。
任务编排智能体的提示词
尽你所能回答以下问题。请使用如下格式：
Question: 你必须回答的输入问题。
Original task list: 你应提出一个简单的分步计划。
Next task: 下一步要解决的任务描述。
Observation: 任务的结果……（这一更新后的任务列表／下一项任务／Observation 可以重复零次或多次。）
Final Answer: 对原始输入问题的最终回答。
开始！
任务编排智能体负责将已分类的意图转化为结构化、可执行的子任务，并在智能供应链规划框架内协调其执行。根据意图分类智能体的输出，每个用户查询都被分解为子任务，这些子任务归入以下三类之一：历史销售数据分析、特征数据处理和计划制定。
- 历史销售数据分析
这一类别的任务侧重于分析过去的销售记录，以提取需求模式、季节性趋势和异常情况。这为后续规划决策提供了定量基础。 - 特征数据处理
这些任务涉及将原始销售与库存数据转换为适合预测建模或基于规则的规划的特征。示例包括生成聚合统计数据、计算需求比例，以及对不同商品类别和仓库的数据进行标准化。 - 计划制定
这一类别包括生成可执行的供应链计划，例如订货建议、库存分配和补货安排。它利用历史分析和特征处理获得的洞见，确保计划既可行，又与战略目标一致。
编排过程是迭代式的：每个子任务由任务执行智能体执行后，结果都会返回编排模块，用于评估，并在必要时重新配置剩余任务。这一循环持续进行，直到所有子任务完成，并生成最终汇总计划。
通过依据意图系统地分解和编排任务，该智能体确保下游执行高效、连贯且具有适应性。此外，迭代反馈机制使框架能够根据中间结果动态调整任务优先级和执行顺序，从而增强其在复杂、不确定的供应链环境中的稳健性。
04｜把任务接到真实数据和专业算法
对应原文 §3.5
任务管理模块成功分解战略意图后，工作流进入任务执行组件。该模块充当框架的计算引擎，负责将经过编排的逻辑任务落实为具体的数据操作。与上一节的架构理念相呼应，这一组件采用由数据获取智能体和数据分析智能体组成的双智能体结构；两者都得到经过领域适配的大语言模型及专门提示工程的支持。
这一执行阶段弥合了任务规划与分析实现之间的关键鸿沟。数据获取智能体首先对接异构数据存储库，应对多源集成的复杂性，确保获取干净且同步的运营信号。随后，数据分析智能体处理这些整合后的信息，开展高维度的综合分析，将原始数据转化为可执行的洞见和预测。通过将数据检索与分析推理分离，这种模块化设计确保执行过程保持稳健，并严格符合战略要求，最终保证具有适应性和响应能力的供应链所需的数据保真度与分析深度。
数据获取：从业务表达走到查询参数
对应原文 §3.5.1
该智能体依据任务描述获取所需数据。它利用 Text-to-SQL技术，自动将自然语言查询转换为 SQL 语句，确保准确、高效地访问相关历史与运营数据集。
在数据获取阶段，系统的首要目标，是将已经完成意图识别的自然语言输入转换为结构化、可执行的参数。槽位提取在这一过程中发挥着关键作用，因为它会识别任务执行所需的具体变量和特征名称。这一步确保后续函数调用和数据库查询能够准确填入相关信息。槽位信息通常包括目标对象、时间范围、指标类型和约束条件等关键任务要素，是连接自然语言理解与程序化执行的重要桥梁。
在实现层面，首先使用基于嵌入的语义模型对槽位信息进行向量化，将其映射到高维语义空间。这种向量表示能够有效捕捉术语之间的语义相似性，支持后续阶段的高效检索与匹配。提取出的槽位向量、槽位值和上下文信息被存储在两个关键存储库中：维度向量数据库和 API 数据库。前者支持基于相似性的检索与槽位匹配，例如，快速将用户输入的“sales”（销售）与特征“revenue”（收入）关联起来。后者存储标准化参数和接口信息，以支持准确的函数调用与参数获取。
为处理不完整或存在歧义的用户输入，系统引入一个生成式模型，辅助槽位生成与补全。当某些槽位缺失、不明确或置信度较低时，生成式模型会根据上下文语义推断可能的槽位类型和候选值，从而增强任务执行的完整性与稳健性。通过这一机制，槽位提取组件在语义理解与结构化执行之间建立了稳定映射，使自然语言输入能够无缝过渡到底层数据操作。
数据分析：原子操作、代码生成与函数调用
对应原文 §3.5.2
数据分析智能体作为一个专门的代码合成引擎运行，将分析目标转化为可执行脚本。为优化模块化程度和可扩展性，正如下方所示系统提示词中的规定，我们以四种原子基本操作所构成的语法来组织代码生成过程：Filter、Transform、Groupby 和 Sort。系统并不尝试一次性生成整块代码，而是采用迭代推理策略：每个推理周期生成一个原子步骤的代码，再将这些步骤逐步串联，构建完整、可执行的工作流。
任务执行智能体的提示词
你可以访问一个 pandas DataFrame df：
<dataframe description>
生成代码，尽你所能回答以下问题。
Question: 你必须回答的输入问题。
更新以下初始代码：
# 待办：导入所需依赖
import pandas as pd
# Thought: 说明需要什么操作；操作应为
# [Filter Rows, Transform Columns, Groupby, Sort] 之一。
# Operation Code: 用于这一原子操作的 Python 代码。
# 在此编写代码
# ……（这一 Thought/Operation Code 可以重复 N 次）
# 声明结果变量：
变量 df: pd.DataFrame 已声明。
最后，声明 result_df 变量，作为包含答案的最终 DataFrame。
开始！
Question:这种细粒度架构设计带来以下几项独特优势：
- 提高自动化效率
将复杂分析逻辑分解为离散的原子基本操作，显著简化了生成过程。通过将每个推理周期限制为一个操作，系统减轻了模型的认知负荷，从而将幻觉风险降至最低，并同时优化生成延迟和执行可靠性。 - 增强可解释性与可审计性
原子化设计强制形成透明、逐步展开的数据血缘。由于每个操作都有定义明确的输入输出契约，产生的工作流天然具有模块化和可验证性。这种明确的结构清晰性不仅简化了调试期间的故障定位，也有助于开展严格的人在回路验证，确保分析逻辑完全可追溯且值得信赖。 - 可扩展的泛化能力与伸缩性
原子基本操作范式超越了具体用例，提供了一种可组合的逻辑，其适用范围可从日常数据处理扩展到复杂业务仿真。通过动态编排这些基本操作，框架能够以高度灵活的方式满足多样化分析需求。此外，这种标准化交互格式有助于系统性积累高质量的指令微调语料，为底层大模型的持续微调和自我演进奠定严谨的数据基础。
作为原子代码动态合成的补充，任务执行智能体利用稳健的函数调用机制，对封装后的分析模块进行编排。在要求既定数学精度的场景中，核心推理引擎会从生成原始代码转向通过这一机制直接调用预先验证过的算法工具。这一能力支持无缝集成专门的领域资产，从高级预测分析引擎（例如时间序列预测）到复杂的运筹学求解器（例如库存优化）。通过有策略地将计算密集型任务交给这些确定性引擎，系统确保关键决策输出保持严格的数学严谨性和业务一致性，从而让基础模型能够专注于整个分析流程的高层编排。
最终，任务执行模块将这些能力整合进统一的迭代工作流。通过顺序推理过程，智能体在生成原子代码片段和调用专门领域工具之间动态切换。这种逐步构建方式使系统能够渐进地组装出完整的可执行实现，有效结合生成式逻辑的灵活性与既有分析模型的精确性。
05｜执行有了新发现，计划怎样跟着变？
根据中间结果更新剩余任务
对应原文 §3.6
为应对供应链场景的随机性，该框架采用一种迭代执行策略，其核心是对分解后的子任务列表进行动态细化。系统并不僵化地按最初的分解顺序处理任务，而是将任务队列视为一个随状态变化的动态实体。每完成一个子任务，规划智能体就会汇总执行反馈，重新评估列表中其余任务项的有效性。这会触发一轮动态列表维护：根据实时中间结果，有系统地删减、重排或增补尚未执行的子任务。这一递归的执行—评估—细化循环，确保总体计划并非静态不变，而是持续重构自身，与不断变化的运营现实保持一致。
根据业务表现持续纠偏
对应原文 §3.7
销售计划制定并实施之后，实时监控计划执行情况至关重要。具体而言，需要将每日实际销售及其他相关指标与计划值进行比较。依据目标达成进度，计划可能需要及时调整和更新，以确保与业务目标保持一致。
计划纠偏智能体通过自动分析计划执行是否符合预期，协助业务人员开展工作。它会检测相对于预期进度的异常偏差，并识别其深层原因，包括流量低于预期、促销表现不佳，以及意料之外的市场变化，随后生成计划更新建议。
通过整合持续观察、数据分析和可执行建议，计划纠偏智能体形成了动态反馈循环，确保销售计划能够持续适应现实条件并作出响应。这一机制显著提高了供应链规划的稳健性与有效性，尤其是在快速变化的电子商务环境中。
06｜走完一次“11 月销售计划”
对应原论文附录：详细工作流程与输入输出规范
我们的系统可以视为面向业务人员设计的对话式助手，其处理的任务本身就具有多样性。为了让读者更直观地理解每个步骤的具体内容及其对应的输入和输出，我们给出一个简单的示例。假设用户提出如下请求：
“为电脑部门生成 11 月销售计划。”
步骤 0：检索标准操作规程（SOP）
智能体首先通过检索增强生成（RAG）机制查询组织知识库。检索到的内容是该部门已经确立的销售计划制定 SOP。对于电脑部门，SOP 包含此前规划过程中积累的最佳实践指南，包括：
-
分析往年同期和近几个月的历史销售、流量以及用户增长趋势。 -
识别影响销售的关键因素，例如季节性、促销活动或外部事件。 -
制定下一时期的销售计划。
步骤 1：意图分类
对于本例中的当前用户请求，框架的第一步是意图识别，旨在确定输入背后的目的。在这个具体情境中，系统识别出用户请求对应的是计划生成。
该模块结合大语言模型（LLM）与领域专用的启发式规则，捕捉用户输入的语义内容和上下文线索。通过准确地对意图进行分类，框架确保后续的计划生成模块接收到精确的指令，从而生成连贯、可执行且符合用户目标的计划。
步骤 2：任务编排
检索到的 SOP 被动态注入提示词模板，替换占位变量 {SOP RAG}。随后，任务规划智能体（Task Planning Agent）利用 LLM，结合 SOP 理解用户请求，并生成结构化任务列表。对于当前示例，智能体可能输出以下子任务：
通过这一机制，任务规划智能体将用户的高层意图与组织最佳实践相衔接，确保生成的任务列表既契合当前情境，又有实际操作依据。
步骤 2 的输出：生成的任务列表
原始任务列表：
分析电脑部门的历史及近期销售、流量和用户增长情况，识别影响其业绩的关键因素。 分析整体市场和行业的历史及近期销售、流量和用户增长情况，识别影响销售的关键因素。 制定电脑部门的 11 月销售计划，并根据外部信息进行调整。 下一项任务：分析电脑部门的历史及近期销售、流量和用户增长情况，识别影响其业绩的关键因素。
任务规划智能体生成任务列表后，由任务执行智能体（Task Execution Agent）执行各项子任务。执行过程由多个专用智能体共同完成，分别处理数据检索、分析以及后续的规划步骤。
步骤 3：由数据获取智能体检索数据
智能体采用 text-to-SQL方法生成 SQL 片段，将这些片段组装为完整查询，并在组织数据库上执行。
数据获取智能体：输入与输出
输入：分析电脑部门的历史及近期销售、流量和用户增长情况，识别影响其业绩的关键因素。
输出（SQL 查询）：
SELECT year, month, SUM(sales),
SUM(pv), SUM(user_cnt)
FROM sales
WHERE order_date >= sysdate(-730)
AND dept_id = 'Computer'
GROUP BY year, month输出（结构化数据）：将检索到的数据整理为 pandas DataFrame，供下游分析使用。
步骤 4：由数据分析智能体分析数据
智能体生成使用 pandas 和其他分析工具的 Python 脚本，以考察趋势、季节性模式和影响因素。
数据分析智能体：输入与输出
输入：包含电脑部门历史销售、流量和用户增长情况的结构化数据集。
任务：分析过往及近期的销售趋势、流量模式和用户增长情况，并识别关键销售因素。
输出（分析结果）：
- 销售趋势
过去几年，电脑部门的 11 月销售保持稳定增长，在节日期间出现高峰。 - 流量
近期页面浏览量略有下降，但整体用户参与度仍然较高。 - 用户增长
新用户获取有所放缓，而现有用户的留存情况依然良好。 - 关键销售驱动因素
节日促销、产品更新频率、竞争对手活动、营销投入。
这种结构化执行方式确保原始数据被系统地转化为可付诸行动的洞察，为 LLM 智能体框架中的后续规划与预测任务奠定坚实基础。
步骤 5：任务更新
任务执行智能体每完成一项子任务，其结果就会被收集为观察结果。这些观察结果记录数据检索和分析的输出，例如销售趋势、流量模式、用户增长指标，以及识别出的影响销售业绩的关键因素。
随后，任务规划智能体将这些观察结果整合到规划过程中。具体而言，智能体将新信息注入提示词模板，替换 Observation 等占位符，并重新评估当前任务列表。已完成的任务会从列表中移除，智能体还可能依据获得的洞察，调整剩余任务的顺序或添加新的子任务。之后，智能体生成更新后的任务列表，并突出显示下一项要执行的子任务。
通过这种“规划—执行—观察—重新规划”的循环，任务规划智能体不断优化任务序列。这一机制使智能体能够保持适应性，确保与用户目标一致，并在复杂、动态的供应链场景中有效响应实时观察结果。
重复任务执行与任务列表更新。任务规划智能体在步骤 3 中更新任务列表后，流程进入执行与规划的循环。任务执行智能体从更新后的列表中选出下一项子任务，重复数据检索、分析以及生成观察结果的循环。
具体而言，任务执行智能体依次执行下一项子任务，产生新的观察结果，再将这些结果反馈给任务规划智能体。任务规划智能体将观察结果整合到提示词模板中，通过移除已完成任务，并在必要时重新排序或添加新任务，动态调整任务列表，随后输出下一项要执行的子任务。
任务更新：输入与输出
输入：
问题：为电脑部门生成 11 月销售计划。
原始任务列表：
分析电脑部门的历史及近期销售、流量和用户增长情况，识别影响其业绩的关键因素。 分析市场和行业的历史及近期销售、流量和用户增长情况，识别影响整体销售的因素。 制定电脑部门的 11 月销售计划，并根据外部信息进行调整。 下一项任务：分析电脑部门的历史及近期销售、流量和用户增长情况，识别影响其业绩的关键因素。
观察结果：过去几年，电脑部门的 11 月销售呈现稳定增长，在节日前后出现明显高峰。流量数据显示，近期访问量略有下降，但用户参与度依然较高。新用户增长有所放缓，但现有用户的留存情况依然良好。影响销售的关键因素包括节日促销、产品更新频率、竞争对手活动和营销投入。
输出：更新后的任务列表
更新后的任务列表：
分析市场和行业的历史及近期销售、流量和用户增长情况，识别影响整体销售的因素。 制定电脑部门的 11 月销售计划，并根据外部信息进行调整。 下一项任务：分析市场和行业的历史及近期销售、流量和用户增长情况，识别影响整体销售的因素。
这一迭代循环会持续进行，直到任务列表中的所有任务完成。该机制使智能体框架能够适应新获取的信息，处理子任务之间复杂的依赖关系，并始终与用户的高层目标保持一致。
通过重复执行步骤 2–4，系统确保每项任务的执行都考虑当前上下文，任务列表也依据实时洞察不断演进，从而提升供应链规划过程的稳健性和准确性。
最终任务执行输出
输入：
更新后的任务列表：
制定电脑部门的 11 月销售计划，并根据外部信息进行调整。 下一项任务：制定电脑部门的 11 月销售计划，并根据外部信息进行调整。
观察结果：基于详细的数据分析，电脑部门的 11 月销售计划如下：
— 节日促销：在 11 月的重要节日期间，例如“双十一”，将促销预算在基准水平上增加 150%。实施折扣、赠品等激励措施来吸引消费者。预计这将使销售额增加约 15%。
最终输出：11 月，电脑部门应将月度销售目标设为约人民币 1.2 亿元。这比上一时期增长 15%，可以通过将节日促销预算增加 150% 来实现。
07｜京东实际部署后，发生了什么？
对应原文 §4
为验证所提出框架的实际效能，我们在京东供应链网络内开展了一项全面的实证研究。这一环境具有显著的运营规模和异质性，是一个有代表性的试验场。该平台管理约 1,000 万个 SKU，并服务于一个包含 800 万家企业的网络。它涵盖多种供应链形态，从高周转消费品到长尾耐用产品。这种运营复杂性为测试智能规划方法在现实约束下的适应性与稳健性提供了严格的场景。
自 2023 年 12 月首次部署以来，该框架一直在实际生产环境中持续迭代改进。本次实证评估专门选取了一个具有代表性的商品组合，覆盖粮油、母婴和小家电三个核心业务单元中的 70,000 多个不同 SKU。这一选择明确针对不同的库存行为，使我们能够评估框架在不同需求模式之间进行泛化的能力。
流程效率：工作流重构。 部署带来了人力效率的根本性跃升。对于各业务单元中的单个计划员，人工基线流程的每周耗时为 120 分钟，其中包括 20 分钟的数据获取、40 分钟的数据处理和 60 分钟的数据分析。该框架简化了这一耗时过程。用户只需 5 分钟即可提供数据需求描述。系统将处理阶段完全自动化，使这一步骤的人工投入降至零。因此，原本用于分析的一小时转变为由智能体支持的交互式会话。这一转变将人的认知活动从日常数据准备中解放出来，使其完全专注于战略推理。
决策质量：标准化与精确性。 该框架通过将决策工作流标准化，提高了规划准确性的基准水平。它把资深计划员严谨的数据处理与决策逻辑编码为自动化规程。这使决策质量摆脱了个体差异的影响，并确保整个组织具有一致的输入。
为量化这一影响，研究对 2024 年 5—6 月（智能体驱动）与 2023 年 5—6 月（人工基线）进行了同比比较。这一时间窗口涵盖关键的“618”购物节，其不同阶段有不同的运营要求：用于积累库存的备货阶段，以及库存快速消耗的销售高峰阶段。在这一动态情境下，多智能体系统编排库存决策算法的部署，以适应这些变化的目标。在以周末库存值为依据定义偏差的严格指标下，系统使准确性偏差低于 5% 的计划占比提高了 22%。这证实了该框架在不同阶段将复杂决策逻辑付诸实施的能力。
运营韧性：闭环执行与价值实现。 该框架在需求高度不确定的条件下表现出稳健的运营韧性。“618”购物节的实证证据证实了这一能力。我们在细粒度的 SKU—配送中心（SKU-DC）层级定义库存满足率（stock fulfillment rate）。该指标衡量每天在全部活跃组合中，日终库存余额保持为正的 SKU-DC 组合所占的比例。尽管高峰期波动剧烈，系统仍将库存满足率维持在高于历史人工基线 2% 的水平。这一指标表明服务水平得到实质性提高，并证实了系统在快节奏零售环境中缓解供需错配的能力。
这一绩效提升源于决策延迟的根本性降低。人工工作流受到周期性批量复核的限制，多智能体系统则在持续、事件驱动的循环中运行。通过即时将需求信号转换为执行指令，该框架将缺货持续时间降至最低，并捕捉转瞬即逝的销售机会。因此，我们估计，这种敏捷性在购物节期间带来了约 200 万元人民币的商品交易总额（GMV）增量。
综合来看，这一现场部署构成了我们重新思考架构的实证体现。它在复杂的产业环境中，将提出的智能体范式转化为切实的运营现实。在流程效率、决策质量和运营韧性方面所展示的改善，证实了这一理论转变的有效性。
👉 点赞+在看+分享，让我们一起探索更多AI前沿技术和产品实践 🌟
也欢迎你在留言区与我互动。
参考资料：
-
论文：https://arxiv.org/abs/2509.03811v2
-
新闻：新华社大会报道