自主供应链规划智能体SCPA — 自然语言→结构化规划报告的JD.com完整框架
Skill-SCPA-Autonomous-SC-Planning-Agent · 16-智能体工程
causalexperimentforecastingrecommendationragknowledge_graphmulti_agentfraud_detection供应链与补货推荐与搜索知识图谱与RAGMAS与智能体工程风控与合规WF-A 智能补货WF-F 动态定价WF-G Listing内容优化WF-I 智能体工程WF-J DTC 独立站增长WF-K 全域风险防御WF-L 内容营销增长
实现难度⭐⭐⭐☆☆
业务优先级⭐⭐⭐⭐⭐
业务视角
适用角色CTO / 技术负责人 · 产品经理 · 数据工程师
适用平台跨境运营 AI Agent 工程落地 · Amazon SP API + LLM 集成 · 多平台数据采集 Agent
什么情况下用想把 AI 集成到业务系统，但 LLM 稳定性差、幻觉问题、成本控制都是挑战；Agent 任务失败了不知道哪步出了问题
成功是什么样的AI Agent 在生产环境稳定运行，失败可追踪，成本可控，复杂任务完成率 >85%
业务痛点
1. 解决的问题
日常供应链晨报人工准备30分钟且双十一备货规划需3天——JD.com SCPA自然语言→结构化规划报告，晨报2分钟/备货规划1小时，运营人效提升2-3倍
2. 核心算法逻辑
SCPA 架构三核心（JD.com 2025，已在亿级订单生产环境验证）：
3. 业务应用场景
运营主管早会前在企业微信发消息："帮我看看吸奶器这个月库存健康状况，主要关注断货风险和呆滞库存"
SCPA 在 2 分钟内生成结构化报告： - 当前健康库存：3 个 SKU（DOS 30-60 天）✅ - 断货风险：2 个 SKU（DOS < 14 天）⚠️ 建议立即补货 - 呆滞库存：1 个 SKU（DOS > 90 天）→ 建议启动清仓 - 附：自动生成的补货草案（可一键确认发 PO）
数据要求：ERP 库存数据 API + 销售预测服务 + 供应商档案数据库 预期产出：结构化 Markdown 报告 + 自动生成的行动建议 + 草案 PO 业务价值：日常供应链晨报从 30 分钟人工准备 → 2 分钟自动生成，运营效率提升 90%
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：日常供应链报告从 30 分钟手工 → 2 分钟自动（↓93%），双十一备货规划从 3 天 → 1 小时（↓87%），运营人效提升约 2-3 倍
- 实施难度：⭐⭐⭐☆☆（核心是工具函数接入 ERP API，LLM 框架相对标准）
- 优先级：⭐⭐⭐⭐⭐（Palantir AIP Copilot 的核心场景，JD.com 生产验证，直接可迁移）
- 企业AI知识库依赖：高 — 工具函数需接入 ERP/WMS API；长期记忆需要历史决策数据库
7. 代码模板
代码块数量：4 · 路径：未检测到
import json
from typing import Dict, List, Optional, Callable, Any
from dataclasses import dataclass, field
from enum import Enum
class IntentType(Enum):
INVENTORY_STATUS = "inventory_status"
COVERAGE_ANALYSIS = "coverage_analysis"
REPLENISHMENT_PLAN = "replenishment_plan"
SCENARIO_PLANNING = "scenario_planning"
SUPPLIER_RISK = "supplier_risk"
UNKNOWN = "unknown"
@dataclass
class SCPAMemory:
"""SCPA 三层记忆"""
session_context: List[Dict] = field(default_factory=list) # 短期：对话历史
historical_decisions: List[Dict] = field(default_factory=list) # 长期：历史决策
business_rules: Dict[str, Any] = field(default_factory=lambda: {
"peak_season_safety_multiplier": 1.5,
"min_dos_trigger_replenishment": 21,
"max_dos_trigger_clearance": 90,
"urgent_replenishment_threshold_days": 14,
})
def add_session_message(self, role: str, content: str):
self.session_context.append({"role": role, "content": content})
# 保持最近20条（token budget）
if len(self.session_context) > 20:
self.session_context = self.session_context[-20:]
def retrieve_similar_decisions(self, intent: IntentType, k: int = 3) -> List[Dict]:
"""RAG 检索相似历史决策"""
return [d for d in self.historical_decisions
if d.get("intent") == intent.value][-k:]
class SCPAAgent:
"""
自主供应链规划智能体（SCPA）
实现 JD.com 三层架构：
意图理解 → 任务编排 → 工具执行 → 报告生成
"""
# 意图-任务映射表（JD.com Task Registry 模式）
TASK_REGISTRY: Dict[IntentType, List[str]] = {
IntentType.INVENTORY_STATUS: [
"fetch_inventory_snapshot",
"classify_health_status",
"generate_status_report",
],
IntentType.COVERAGE_ANALYSIS: [
"fetch_inventory_snapshot",
"fetch_in_transit",
"compute_demand_forecast",
"compute_coverage_days",
"identify_risks",
"generate_coverage_report",
],
IntentType.REPLENISHMENT_PLAN: [8. 论文来源
- 2509.03811
- 2602.05524