用 3 个机器学习模型取代 12 名厨房经理：供应链 AI 架构详解

在企业运营，特别是餐饮行业中，普遍存在一种可以被称为“凭感觉物流”的现象。我最近为一家拥有 12 家分店的连锁餐厅担任顾问，该餐厅的整个采购流程完全由厨房经理的直觉掌控。每天早上 7 点，经理走进冷库，看一眼鸡肉的剩余量，然后凭感觉给采购部门打电话说：“送 20 公斤过来。”

没有数据记录，没有库存追踪，更没有反馈闭环。这种纯人工的流程导致了巨大的浪费，在高峰时段频繁出现断货，且总部对各分店的实际运营情况完全处于“黑盒”状态。为了解决这个问题，我设计并实施了一套三层机器学习 (ML) 架构，用确定性的数据模型取代了人为的猜测。本文将详细解析从数据采集层到由 n1n.ai 提供支持的 LLM 叙述层的完整技术实现。

拆解破碎的工作流

在构建解决方案之前，我们对每日采购周期中的 14 个步骤进行了详细梳理。模式非常明显：其中 12 个步骤是机械式或数学性的，只有两个步骤需要人类判断。最重要的是，最关键的数据点——损耗（Waste）——在原有流程中完全缺失。

三层系统架构设计

我们摒弃了单体架构，转而采用分布式智能体系统。每家餐厅运行自己的本地 Agent，这些 Agent 将数据汇总到中央决策引擎和全局报告大脑中。

第一层：本地餐厅智能体 (Local Restaurant Agent)

每天凌晨 5 点，本地 Agent 会触发数据采集序列。它会从销售点 (POS) 系统提取前一天的销售数据，并从连接物联网 (IoT) 的数字秤中获取当前库存读数。

该层的核心是 需求预测器 (Demand Predictor)。这是一个确定性的 ML 模型，而非 LLM。在库存计算中使用大语言模型是极其危险的，因为 LLM 存在幻觉风险且 Token 成本较高。相反，我们使用了梯度提升决策树 (GBDT)，其输入特征包括：

• 星期几以及季节性因素。
• 当地天气预报（例如：下雨会减少露天座位的客流量）。
• 已确认的预订人数。
• 特定 SKU 的历史销售速度。

模型的输出是带有置信区间的精确采购量。如果模型预测需要 20 公斤但置信度较低，系统会自动将该订单标记为“需人工审核”。

第二层：决策引擎与安全护栏

计算出需求后，系统必须决定如何执行订单。在这里，我们实现了一个严格的逻辑门系统，以确保运营的稳定性。

def execute_order_logic(order_value, waste_level, supplier_status):
    # 硬性护栏：自动订单量不得超过过去 4 周平均值的 3 倍
    if order_value > threshold_limit:
        return "需人工介入"

    if waste_level > 0.15: # 损耗阈值设为 15%
        return "触发警报并需人工介入"

    if supplier_status == "PREFERRED":
        return "自动执行采购"

    return "人工审核"

通过将常规订单（如“周二惯例鸡肉配送”）转入 AUTO_EXECUTE 路径，我们为采购部门节省了 80% 的工作时间。他们现在可以将精力集中在处理异常情况上。

第三层：总部叙述大脑 (Head Office Narrative Brain)

这是大语言模型 (LLM) 真正进入流水线的环节。我们通过 n1n.ai 调用高推理能力的模型，如 DeepSeek-V3 或 Claude 3.5 Sonnet。LLM 的职责不是计算数字，而是解释数字。

每个月底，系统会查询数据库中的异常点。例如，它发现 9 号店的损耗率高达 22%，而连锁店的平均水平仅为 9%。LLM 会获取这些结构化数据，并为管理团队生成叙述性简报： “9 号店目前是成本超支的主要原因。虽然销售额保持稳定，但损耗检测模型发现其在雨季期间的蔬菜采购存在失配。建议调整该分店需求预测模型中的‘湿度缓冲参数’。”

通过使用 n1n.ai，我们确保了这些摘要是通过最稳定、最高速的 API 生成的，从而维持了企业级的可靠性。

故障处理：“是地板，而非悬崖”策略

在供应链 AI 中，最坏的情况不是微小的误差，而是导致餐厅无粮可用的系统性崩溃。我们将系统设计为“优雅降级”模式：

1. 数据源失效：如果 POS 系统宕机，Agent 会自动切换到“历史相似日”代理模式（例如使用上周二的数据）。
2. IoT 设备故障：如果数字秤损坏，系统将根据 初始库存 + 配送量 - 销售量 自动推算库存。
3. LLM 幻觉防御：为了防止 LLM 编造数字，我们采用了严格的 RAG（检索增强生成）模式。LLM 仅被授予访问特定 JSON 数据的权限，并被指令只能使用这些数据。如果 n1n.ai 接口调用失败，看板会自动回退到展示原始表格和图表的模式。

总结

在实施后的前三个月内，用 ML 模型取代“直觉”使整个连锁店的食品损耗降低了 18%。这一架构证明了现代 AI 落地的一个核心原则：用确定性 ML 处理数学问题，用 LLM 处理沟通问题。

立即在 n1n.ai 获取免费 API 密钥。