Replenishment Planning · ERP / MRP
AI 补货计划员
让 AI 理解预算、供应风险与业务优先级，再由确定性库存引擎生成受约束的多 SKU 候选补货计划。
可运行演示AI 增强现有工作Hybrid · AI + 确定性逻辑人工批准
工业语境与系统边界
系统语境 · Replenishment Planning · ERP / MRP
AI 与规则、Solver 或代码协作
集成边界：补货规划仿真；未连接采购执行或 ERP，AI 只解析受限业务意图。
预算有限时，AI 理解变化，库存引擎决定数量。
页面保持同一决策框架：先看盘面，再看 AI 识别的约束、确定性候选计划与人工取舍。
5 个物料共享 €100k 采购预算。
2 个关键物料；Sensor C 已有 40 件 Backorder。Supplier B 的交期风险尚未写回 ERP。
MOQ、Order Multiple 和预算都属于硬约束；AI 不能自由生成采购数量。
证据深度
验证这个结论。
限制必须保持可见；实现细节可以深入查看，但不能阻塞 Demo 主流程。验证 2026-10-21 · 构建 6e89290 · 未测 2 项 / 阻塞 3 项展开全量记录
- 未测8 条路由 × 3 视口（1440×900 / 720×900 / 390×844）的横向溢出、Tab 焦点 outline、#evidence 深链、正文对比度抽样（仅记录数值，阈值未定）
- 未测对比度阈值判定：首轮只记录实测数值，WCAG 阈值待真实分布确认
- 阻塞读屏（screen reader）
原因：当前无读屏执行环境
- 阻塞原生 200% 浏览器缩放
原因：headless 视口不能替代原生缩放，需人工验证
- 阻塞视觉构图接受
原因：需人眼评审；当前会话无视觉模型能力
- LLM 不计算 Safety Stock、Reorder Point 或采购数量，只负责提取受限业务约束。
- Budget Allocation 是受限启发式，不是 LP / MILP，也不证明全局最优。
- 所有 SKU、成本、供应商和需求数据均为模拟数据。
- 批准动作只确认本轮 Demo 候选方案，不写入真实 ERP、采购或供应商系统。
实现方式
一个多 SKU 补货规划实验：AI 只把计划员自然语言翻译成预算、供应商风险、Lead Time 变化、需求变化和优先级；库存数学、MOQ、Order Multiple 与预算分配仍由确定性代码负责，最终方案等待人工批准。OpenRouter 将自然语言限制在一个小型 Planner Intent Schema。免费模型不可用时使用受限确定性回退。随后共享库存引擎重新计算 5 个模拟 SKU，受限预算启发式按照风险、关键度和用户 Priority 分配采购预算，并严格遵守 MOQ 与 Order Multiple。
可复用模式
“AI 解释业务变化 → 确定性专业引擎计算 → 人工接受后果”的模式可以复用于生产计划、供应风险和其他经典供应链优化问题。
证据与来源
- Demo交互式 AI 补货 Demo
业务变化先被转成受限约束，再由库存引擎和预算启发式生成候选采购计划。
- 架构AI → 库存引擎 → 人工决策边界
自然语言 → AI 约束解析 → Safety Stock / ROP / MOQ / Budget 计算 → 候选订单 → 人工批准。
- 源码