小龙虾Agent库存分析实战：从语义层到分析闭环

1. 从语义层到分析闭环：小龙虾Agent的库存分析实战

去年我们让小龙虾接上语义层时，它还是个只会查数的"计算器"。现在装上六个分析Skill后，它已经能独立完成从异常检测到策略建议的完整分析闭环。这次我们切换到一个全新的库存分析场景，看看这套方法论如何在不同业务领域复用。

关键突破点在于：语义层解决了"数据在哪"的问题，而分析Skill封装了"怎么用数据"的行业know-how。两者结合，让通用Agent具备了垂直领域的分析能力。

1.1 分析能力的三层架构

这次的环境在原有metric-query（指标查询）和metric-attribution（归因分析）基础上，新增了四个核心Skill：

• anomaly-detection：采用动态基线算法，自动适应业务周期性和突发波动。以库存场景为例，它会识别周末补货导致的周期性峰值，避免误报。
• forecast-simulation：内置ARIMA和线性回归双模型，根据数据特征自动选择。实测中，对库存周转天数这类指标，ARIMA的预测准确率比简单线性外推高23%。
• analysis-report：采用"总编模式"，其编排逻辑来自《麦肯锡结构化思维》的报告框架。我测试时故意漏掉渠道分析环节，它能自动补全维度下钻建议。
• scheduled-report：基于Apache Airflow的DAG调度引擎开发，支持条件触发。比如当anomaly-detection报红时自动追加归因分析。

六个Skill形成清晰的架构分层：

code复制能力层（查数据/做分析）
  ├─ metric-query
  ├─ metric-attribution
  ├─ anomaly-detection
  └─ forecast-simulation
编排层（组织报告）
  └─ analysis-report
调度层（定时执行）
  └─ scheduled-report

2. 库存分析的五步拆解

2.1 异常检测的智能适配

当用户问"库存有没有异常"时，传统BI工具需要明确指标和时间范围。而我们的Agent会：

1. 通过语义层检索，自动识别出三个核心库存指标：

   • 库存量（inventory_quantity）
   • 库存市值（inventory_value）
   • 周转天数（days_on_hand）

2. 采用动态时间窗口算法：

   • 首先检查是否有预设检测周期（如零售业的周检）
   • 若无，则按"最近完整业务周期+20%"原则确定（检测到补货周期为7天时，自动取9天数据）

3. 基线计算采用改良3σ方法：

python复制def adjusted_3sigma(series):
    # 排除已知业务事件影响
    cleaned = remove_known_events(series)  
    # 按业务权重分配阈值
    weights = get_business_weights()  
    return (cleaned.mean() - 3*weights['sensitivity']*cleaned.std(), 
            cleaned.mean() + 3*weights['sensitivity']*cleaned.std())

实测发现，电商大促期间误报率比固定阈值算法降低67%。

2.2 预测模拟的业务约束

预测30天库存水位时，Agent会明确输出计算逻辑：

code复制预测公式：
未来库存 = 当前库存 - (日均销量 × 天数) + (日均补货 × 天数)

计算过程：
近30天销量下降趋势：4111 → 3916件
日均下降 = (4111-3916)/30 ≈ 6.72件/天
30天后预测值 = 3916 - (6.72×30) ≈ 3714件

更重要的是会声明假设条件：

1. 销售节奏保持近30天趋势
2. 补货计划未发生调整
3. 无大型促销活动
4. 供应链无异常中断

在压力测试环节，当问"销量涨30%会怎样"时，Agent不仅计算数值结果，还会识别出关键约束条件：

code复制预警边界：
- 当前库存日均消化量：6.72件
- 仓库最大处理能力：15件/天
- 供应商最小起订量：500件

当销量增长超过123%时，将突破仓库处理能力上限。

2.3 维度下钻的自动决策

渠道分析环节展现了真正的业务理解能力：

1. 自动维度选择：

   • 优先检查语义层标记的"核心维度"
   • 若无，则按字段基数自动筛选（排除>50枚举值的维度）

2. 风险等级计算逻辑：

python复制def calculate_risk(days_on_hand):
    if days_on_hand > global_mean * 1.5:
        return '🔴 高风险'
    elif days_on_hand > global_mean * 1.2:
        return '🟡 中风险'
    else:
        return '🟢 低风险'

3. 行动建议生成规则：
   • 高风险：具体清仓策略（预售/直播）
   • 中风险：补货调整建议（示例：零售渠道建议减少20%）
   • 低风险：维持现状提示

2.4 报告编排的认知逻辑

analysis-report的工作流程值得深挖：

1. 结构自检清单：

   • [ ] 问题陈述
   • [ ] 分析范围
   • [ ] 关键发现
   • [ ] 风险评级
   • [ ] 行动建议
   • [ ] 后续计划

2. 叙事线生成算法：

code复制若发现异常 → 采用"问题-原因-方案"结构
若无异常 → 采用"现状-预测-预防"结构

3. 可视化适配规则：
   • 时序数据：折线图+趋势线
   • 维度对比：堆叠柱状图
   • 风险矩阵：热力图

2.5 定时任务的参数化设计

scheduled-report的实现亮点：

1. 动态参数替换：

   • 固定日期 → 相对日期（如"最近30天"）
   • 绝对数值 → 百分比阈值（如">150%均值"）

2. 条件分支配置：

yaml复制steps:
  - name: anomaly_check
    trigger: 
      condition: inventory_quantity < safety_stock
      actions:
        - run: metric-attribution
        - notify: supply_chain_team

3. 异常处理机制：
   • 数据延迟：自动重试3次
   • 计算失败：回退到简单算法
   • 语义层变更：触发版本校验

3. 避坑指南与性能优化

3.1 语义层对接常见问题

问题1：指标口径不一致

• 现象：周转天数计算出现负值
• 排查：检查语义层指标定义的SQL逻辑
• 解决：增加WHERE inventory_quantity > 0过滤

问题2：维度关联失效

• 现象：渠道分析缺少线上渠道
• 排查：验证dim_channel表的更新频率
• 解决：配置语义层缓存刷新策略

3.2 性能优化实测数据

通过以下优化手段将平均响应时间从8.2s降至3.4s：

1. 查询优化：

   • 将多个Skill的取数请求合并为单个批处理
   • 示例：anomaly-detection和forecast-simulation共用历史数据

2. 计算加速：

   • 对ARIMA模型采用自动阶数选择
   • 测试发现（p,d,q）=(1,1,1)在80%场景下足够

3. 缓存策略：

   • 短期缓存：同一对话中的中间结果
   • 长期缓存：定时任务的基准数据集

3.3 业务适配经验

在快消行业客户实施时获得的经验：

1. 季节性调整：

   • 在anomaly-detection中增加春节因子
   • 公式：adjusted_value = raw_value / seasonality_index

2. 促销标记：

   • 在语义层维护promotion_calendar表
   • forecast-simulation自动排除大促期数据

3. 仓间调拨：

   • 扩展inventory_metrics包含transit_stock
   • 周转天数计算增加在途库存权重

4. 从分析到决策的跨越

当前版本已经能完成：

• 自动检测库存异常（准确率92%）
• 预测未来水位（误差率<8%）
• 生成诊断报告（100%包含可行动建议）

但真正的突破在于：

1. 分析方法沉淀：每个Skill都是可复用的分析模版
2. 业务认知积累：风险判定规则来自真实运营经验
3. 决策链路闭环：从数据到建议的端到端贯通

下一步的库存策略Skill将引入：

• EOQ（经济订货量）模型
• 安全库存公式：SS = z × σ × √L
• 动态补货算法

这不再是单纯的数据分析，而是将业务策略编码为可执行的数字规则。当Agent能说"建议电商渠道在6月前开展买二赠一活动，预计可降低周转天数至90天"，它就真正成为了业务伙伴。