安克创新复盘供应链Agent实践：AI预测1万台、人工预测1000台背后的落地方法

虎嗅智库 2026-10-27 19:06 北京

以下文章来源于：虎嗅智库服务

虎嗅智库服务

虎嗅智库是聚焦企业数字化、AI创新实践的新型研究服务机构。

让Agent进入供应链，靠的不只是模型

头图来自 | AI生成

今年，安克创新一款新品在国内上市前，供应链团队做了一次例行的销量预测。

按照人工经验，这款产品月销量约为1000台。但公司内部的流程智能体PA给出的预测接近1万台，是人工判断的近10倍。

如果按原来的预测备货，可能会错过多少销量？如果完全相信AI，万一判断错了，又该由谁承担库存风险？

最终，安克没有完全照搬AI的预测，而是在原有备料基础上追加备货，最终参考的备货量约为8000台。产品上市后，实际月销量达到约1.12万台。

这次预测让AI的价值显现出来，但也带出了一个更棘手的问题：当AI的判断与人的经验发生冲突，企业该如何决定相信谁？

在供应链中，这不是一道单纯的预测题。销量判断会影响备货，而Agent一旦进一步参与订单下达、跟踪、发运和异常处理，AI的每一次判断都可能转化为真实的业务动作。企业既希望它承担更多工作，又不能把经营风险一并交出去。

安克的做法不是让一个Agent从头到尾接管供应链，而是将流程智能体（Process Agent，简称PA）分为两个层次：宏观策略层负责分析、预测和提出建议；微观执行层则进入具体业务流程，调用系统接口完成实际操作。

与此同时，安克还设置了独立的Check Agent，对执行结果进行校验，并为无法满足业务标准的任务保留人工介入机制。

据安克创新供应链数字化能力建设负责人钟伟平在虎嗅智库一场闭门会上的介绍，在已经开放的部分业务环节中，PA开始承担真实的业务任务，能够自动完成超过85%的业务流程。

从销量预测到订单执行，本期AI落地洞察，聚焦安克创新的供应链Agent实践，复盘一家企业如何逐步把判断权、执行权交给AI，同时为它设定边界。

以下内容经虎嗅智库编辑整理。

Q1：从新品预测到全球补货，安克的供应链Agent已经取得了哪些结果？

安克创新：我们内部把流程智能体称为Process Agent，简称PA。目前供应链PA分为宏观策略层和微观执行层，分别负责决策建议与业务执行。

策略层的一个典型应用是新品销量预测。一款与合作伙伴共同推出的产品在国内上市前，人工预测月销量约为1000台，而计划策略PA结合海外销量、国内生态流量和产品竞争力等信息，预测月销量接近1万台。最终，产品实际月销量约为1.12万台。

我们没有完全按照AI预测备货，而是在原有备料基础上结合经营判断，将参考备货量调整至约8000台。这次预测的价值，不只是结果接近实际销量，更在于PA发现国内市场环境与海外市场存在差异，提醒团队不能简单沿用历史销售数据。

执行层则直接参与全球补货计划，覆盖要货预测、补货订单下达、订单跟踪，以及货物到仓后的全球发运建议、发运执行和过程监控。

目前，在已经开放的部分业务环节中，PA能够自动完成的流程占比超过85%。这一比例仅对应已开放的业务范围，并不代表整个供应链实现了85%的无人化，也不代表模型准确率达到85%。

2026年大鲸榜正在火热招募中，点击立即报名

Q2：既然Agent可能比人判断得更准，为什么安克没有直接让它接管业务？

安克创新：因为分析建议和实际执行，对可靠性的要求并不相同。

宏观策略层主要负责分析数据、判断趋势、形成报告。即使某次判断不够准确，影响仍然相对可控，因为它不会直接触发业务动作，业务人员还有复核和调整的空间。

微观执行层不同。它会直接进入供应链流程，完成订单下达、跟单、异常反馈和异常处理等动作。一旦出现幻觉或判断偏差，影响的就是实际库存、资金和业务连续性。

2026年初，我们判断，当时的大模型能力和Agent运行环境，还没有完全达到直接驱动业务的程度。因此，我们先推进宏观策略层的实践，到当年3月至4月左右，才开始构建微观执行层。

新品预测案例也体现了这一点：AI提供了不同于人工经验的判断，但最终备货仍需要业务团队综合决策。我们不是根据Agent“会做什么”直接开放权限，而是要考虑它承担的责任，以及一旦出错可能造成什么后果。

Q3：安克如何让Agent从“提出建议”进入补货、下单和发运？

安克创新：我们的基本原则是，将确定性的业务动作封装成标准工具，而不是让Agent直接面对数据库或模仿员工操作系统界面。

以提交发货为例。对员工来说，它在界面上可能只是一个简单动作，但背后关联财务、成本、库存、在途等多个系统，可能涉及十几个接口调用。

如果让Agent像人一样操作浏览器，它需要理解页面布局，再完成点击、输入和拖拽。界面发生变化、页面加载异常或者识别出现偏差，都可能影响执行稳定性。

因此，我们选择调用系统底层的API。Agent不需要知道十几个接口分别如何运作，只需要调用一个定义清楚的“提交发货”工具，就可以完成对应任务。

这些工具不是为了AI重新建设一套系统，而是尽量复用安克过去数字化建设中已经形成的系统服务。已有业务动作抽象得越清晰，接口越标准，Agent就越容易稳定调用，同一工具也可以被其他业务场景复用。

工具的颗粒度也需要控制，并不是拆得越细越好。如果一个完整业务动作可以被合理封装，却被拆成大量基础步骤，Agent在组合调用时反而容易遗漏环节、弄错顺序，或者在流程中途失败。

因此，一个工具最好对应一项边界明确、结果可以检查的完整业务动作。

全球补货计划PA就是沿着这条路径进入执行层。从要货预测到补货订单下达、订单跟踪，再到货物入仓后的发运建议、发运执行和过程监控，PA调用的是底层已经标准化的系统能力，而不是在界面上模拟人的操作。

换句话说，Agent并不是学会了像员工一样点击系统，是企业把原本为人设计的流程，进一步转化成机器可以稳定调用的服务。

Q4：Agent的预测如何保持稳定？如果同样的问题多运行几次，结果不一样怎么办？

安克创新：我们在早期实践中确实遇到过数据获取不稳定的问题。

最初，我们尝试过Text-to-SQL，让AI根据任务自行决定从数据库中获取哪些数据，并生成对应的查询。问题在于，每次取数的路径可能不同，选择的字段和查询方式也可能变化。即使面对同一个业务问题，最终取回的数据也可能不一样，预测结果自然容易波动。

后来，我们将常用、关键的数据获取路径封装成标准工具。Agent仍然负责理解问题和完成分析，但业务事实从哪里来、按照什么口径获取，则由固定的数据服务决定。

调整之后，整体输出趋于稳定。

我们并不要求生成式模型每次都给出完全相同的数字。比如同一个销量预测，一次是1万台，另一次可能是9500台或者1.12万台，这种合理范围内的变化可以接受。真正需要避免的是，同一个问题一次预测1万台，下一次突然变成1000台。

这也说明，Agent的稳定性不只是模型问题。它如何获取数据、指标口径是否一致、调用工具是否稳定，都会影响最终结果。

安克此前已经建设了数据湖，业务数据在入湖过程中会进行清洗。在此基础上，我们为计划策略PA准备了24项核心数据，并把常用的数据获取方式封装起来，供Agent稳定调用。

但数据只是其中一层。为了让Agent既能执行动作，又能理解业务，我们还区分了工具和领域Skill。

工具负责确定性的业务动作，例如查询库存、提交发货；领域Skill则负责不确定性的专业判断，例如计划领域、采购领域的规则、知识和经验。模型本身并不天然了解安克特有的业务模式，也不会自动掌握业务人员在长期实践中形成的判断方法，这些都需要被沉淀下来。

因此，PA的稳定运行主要建立在三个基础上：

第一，数据口径清晰，业务事实可信；第二，确定性的取数和执行路径被封装为标准工具；第三，企业特有的业务规则和实践经验被沉淀为领域Skill。

从我们的实践看，Agent的稳定性首先是工程问题，其次才是模型问题。

Q5：如果Agent执行出错，Check Agent和人工如何接管？

安克创新：策略层主要输出分析和建议，执行层会直接操作业务，因此必须有更严格的质量把关机制。

为此，我们设置了独立的Check Agent。它的一个重要设计是拥有独立上下文。

如果执行Agent和检查Agent共享同一个上下文，检查Agent可能会受到前面推理过程的影响，延续相同的假设，难以真正发现问题。我们的做法是让Check Agent站在执行结果之后，不依赖执行Agent的推理过程，而是根据最终结果和业务标准，独立判断这次执行是否合理。

如果结果达不到要求，Check Agent会将校验信息反馈给执行Agent，要求它调整执行过程。

不过，这并不意味着Agent可以无限重试。如果执行Agent多次调整，仍然无法达到校验标准，继续循环可能带来新的假设和偏差。系统必须事先规定：哪些问题允许自动修正，最多可以尝试多少次，什么情况下必须停止，以及何时交由人工介入。

因此，Check Agent除了是一个质量检查模块，还是一套执行制动机制。它需要完成三件事：发现结果是否偏离业务标准；在有限范围内推动系统自行修正；当系统无法修正时，及时停止流程，避免错误继续向下游扩散。

这也是执行型Agent与一般问答应用的重要区别。企业不能只看它完成了多少任务，还需要知道哪些任务没有完成、失败如何被发现，以及系统能否在影响业务之前停下来。

Agent可以参与执行，但不能自行定义责任边界。哪些动作可以自动完成，哪些结果必须由人复核，出现什么异常要立即接管，都需要企业提前确定。

Q6：这套方法能否被其他企业复制？复制的前提是什么？

安克创新：方法可以借鉴，但企业需要具备相应的基础条件。

首先，数据必须清晰、可信，业务指标和口径要明确。其次，确定性的业务动作需要具备标准化的系统接口，让Agent能够稳定调用，而不是直接开放数据库或依赖界面操作。

第三，企业需要将自身的业务规则和实践经验沉淀下来。通用模型并不天然掌握企业特有的计划规则、业务模式和操作经验，这部分能力需要结合具体场景建设。

最后，执行层必须具备结果校验和人工介入机制。不能只关注Agent完成了多少任务，还需要判断结果是否满足业务标准，以及当系统无法达到要求时能否及时停止。

对于数字化基础仍不成熟的企业，如果底层数据不清晰、系统接口不完善、业务规则难以明确，就需要先补齐这些基础能力，而不是直接期待Agent端到端地接管流程。

从我们的实践经验来看，Agent落地应当区分建议与执行，根据不同任务的风险和业务条件逐步开放权限。其中值得复制的，是将数据基础、标准化工具、领域知识、独立校验和人工兜底结合起来的思路，从而让Agent在明确的业务边界内发挥作用。

为了更好地挖掘 AI 进化中的创新实践，推动行业交流与合作，虎嗅智库面向企业用户（项目应用方）和供应商（项目实施方），长期征集金融、能源、工业制造、医疗、消费零售、文娱教育、运营商、政务等领域的最佳实践案例。入选大鲸案例库的企业将获得：

纳入「大鲸案例库」的长期展示与研究引用；

高端闭门交流、行业解读与深度研究的优先机会；

直接入围年终的「2026大鲸榜 | GenAI最强落地公司」榜单评选。

跳转微信打开