Demand Planning · Forecast Review
预测异常审核 Agent
不再重新做 Forecast，而是先用代码找出统计异常，再让 AI 结合业务备注形成计划员真正需要看的 Review Queue。
可运行演示AI 增强现有工作Hybrid · AI + 确定性逻辑人工复核
工业语境与系统边界
系统语境 · Demand Planning · IBP
AI 与规则、Solver 或代码协作
集成边界：预测审核仿真；未连接 SAP IBP 或 APS，数值异常由确定性规则先检测。
Planner 不需要第二套 Forecast；更需要知道哪里最值得先看。
确定性规则先缩小异常候选，AI 再结合业务备注排序，最后仍由 Planner 判断是否需要修改预测。
4 个 SKU × 4 个月，所有 Forecast 先完整可见。
规则会检查 Spike、无历史新品和明显低于历史等候选，但不会自动改数值。
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
- AI 不修改 Forecast 数值，也不产生新的 Accuracy KPI。
- 异常阈值是 Demo 用简化规则，不代表生产级 Forecast Evaluation。
- 所有 SKU、历史、Forecast 与业务备注都是模拟数据。
- Planner 必须人工决定 Accept、Adjust 或 Investigate。
实现方式
一个 Forecast Review 实验：多 SKU、多月份预测已经生成。确定性检查先计算 Forecast vs History 的偏离、突增和连续性风险；AI 再读取候选异常和业务备注，给出优先审核顺序与简短理由。Demo 使用 4 个 SKU × 4 个月的模拟 Forecast。确定性代码比较 Forecast 与历史均值并识别大幅偏离、单月 Spike 和无历史新品；AI 只对候选异常读取业务备注并返回 priority、reason、check 三个字段。
可复用模式
“确定性检测缩小范围 → AI 结合语境排序 / 解释 → 人工审核”的模式可复用于库存、供应风险和财务异常 Review。
证据与来源
- Demo交互式预测审核 Demo
Heatmap 会从全量预测切换成聚焦异常，并生成一个短 Review Queue。
- 架构检测 / AI / Human 边界
代码负责检测数值异常；AI 结合业务备注排序和解释；Planner 决定是否修改 Forecast。
- 源码