仓储与物料管理，智能体助力库存、呆滞与齐套

仓库里的货往往不缺地方放，缺的是把散落在入库单、领料单、退料单、质检报告里的物料状态读出来并串在一起的能力。人工管理之所以累，是因为这三个答案分别躺在三张表里，靠人把数字抄来抄去。智能体可将单据解析、关系关联、阈值判断串成一条工作流，便于更及时地更新账实准确率、呆滞占比、齐套率这三项指标。

仓储数字化过去十几年的投入，大多花在存得下和取得快上：立体货架、AGV 和电子标签。这些投入解决的是物理搬运的效率。真正消耗人力的地方在数据。一张领料单从纸质到系统，中间隔着录入；一次盘点从货架到报表，中间隔着核对。

库存盘点

WMS（仓库管理系统）最早是条码加手持终端加库位编码的组合，把录入从键盘搬到现场扫码，用物理动作约束数据动作。WMS 解决了录入的实时性，但在覆盖供应商送货单上的批次号、质检报告里的判定结论、邮件里的变动等游离在系统之外的信息时存在局限。

循环盘点是按物料价值把库存分成 ABC 三类，A 类高价值高频动，月月盘；C 类低价值低频动，半年盘一次。用有限的人力覆盖绝大部分金额风险，这是循环盘点的设计意图。

它在实际执行中可能会失效：盘点任务由系统按周期生成，盘什么、怎么盘仍要靠人去现场。当库位上的料号数量大、又存在同物异码（同一物料在采购、仓储、生产三个环节各有一个编码）时，循环盘点会退化成抽样核对。

呆滞料

呆滞（slow-moving / non-moving）这个概念，源头在财务的存货计价。会计上要求存货按成本与可变现净值孰低计量，长期未动销的存货要计提跌价准备。

所以呆滞在财务上是一笔要被确认的损失，在仓库里却是一堆还能用的零件。这两个视角长期对不上，是因为判定标准没打通。

我们可以来算一笔账：一件账面价值 1000 元的物料在库两年，表面占用 1000 元，实际成本还要叠加资金的机会成本与库位租金，再加上最终处置时的折价。电子件两年后可能因规格换代归零，金属件按废金属计价，回收常常只剩账面值的一个零头。呆滞的代价集中在发现得晚，晚一年，处置选择就少一档。

齐套率

齐套（kitting）来自装配车间的配料做法：把一台产品所需的全部零件按套配好，一次性送到工位，工人不用来回找料。齐套率衡量的是计划要开工的工单里物料真正配齐的比例。

它的计算口径各家略有差别，通行做法是按工单算，某工单所需全部物料的可用量都满足需求数量记为齐套，缺一件即不齐套。这带来一个容易被忽略的事实：一台产品需要 120 种零件，缺 1 种，工位依然开不了工，另外 119 种到位毫无意义。到货率 99% 换不出产出，这是齐套率跟到货率明显不同的地方。

齐套检查之所以需要跨系统沟通，是因为所需信息分散在不同系统中。库存数在 WMS，采购在途在 ERP，替代料关系在工艺文件，车间退料在现场的暂存区。打电话是一次性的跨系统查询。

智能体工作流

这三件事各自为战，根源在于数据来源和判断逻辑被拆在不同的系统里。把链路自动化，需要四类能力按顺序组合。

第一类是信息抽取。大模型介入后，抽取的目标从定位字段变成理解意图，一张版式陌生的送货单也能输出稳定的料号、数量、批次与到货日期。Data Extractor 这类节点的作用就在这里，把非结构化文本转成可直接入库的结构化记录。

第二类是关系组织。知识图谱放到仓储场景，它的价值在于让"这个料在哪个仓位""哪几张工单在等它""由哪家供应商供""有没有替代料"一次查询拿到答案，不必分四次去不同系统里捞。

第三类是检索。RAG（检索增强生成）把问题先拿去检索库里找依据，再把依据连同问题交给模型。这里有个工程上需注意的问题，关键词检索的打分（BM25 一类）是无界的，向量相似度（余弦）落在 -1 到 1 之间，两者直接加权相加，量纲大的一方会显著影响另一方。混合检索需在融合层做归一化，或者改用名次融合（RRF）。

第四类是执行与对接。REST 这类接口风格成为主流，是因为它把操作抽象成对资源的标准 HTTP 动作，字段简单，跨语言跨系统调用成本低。Agent 通过它回写预警标记、创建盘点任务、触发齐套复查，跟仓库的日常动作接上。

落地后拿到的三条口径

账实准确率，盘点差异笔数除以盘点总笔数，通常按 A 类物料单独统计，这条口径较能反映单据录入环节的健康度。

呆滞占比，库龄超过阈值的库存金额除以总库存金额，同时看绝对金额，只看占比会被总量增长掩盖。

齐套率，按工单统计的齐套比例，同时记录缺件明细的前几位，缺件集中在哪几种物料本身就是采购与计划改进的方向。

上面这套流程落到小艾智能体上，是将四类能力设计为可配置的工作流节点。Data Extractor 节点可从出入库单据、送货单、质检文件里抽取物料数据；知识图谱模块可将物料、仓位、订单、产线、供应商之间的关系构建为可查询的网络，支持用 Cypher 做关联查询与路径推理；Agent 工作流引擎可通过 JSON/YAML 配置节点顺序、条件分支与并行执行，库龄判断、呆滞预警、齐套检查可配置为流程，调整阈值时无需修改代码；REST API 节点可对接既有 WMS，将预警和任务回写到仓库的日常动作中。

支撑这套流程的是下面的技术底座：FastAPI 提供接口层，LangGraph 管 Agent 的状态流转与断点续跑，Milvus 存向量，Neo4j 存关系，Elasticsearch 做关键词检索，RabbitMQ 承接异步任务，Redis 支撑高频热点读写。向量化可配置 BGE-M3（1024 维），检索支持向量、全文与混合三种模式，内置多种预置节点。整套系统可支持私有化部署，库存与供应链数据可留在本地处理。

回到开头那句话，仓储的痛点不在存，在看得清。把单据读出来，把关系连起来，把阈值跑成流程，账实、呆滞、齐套这三条线才会从月底的报表变成每天都能查的事实。