Inventory Planning
库存决策实验室
用一个 SKU 把 Safety Stock、Reorder Point、MOQ 与资金占用之间的关系变成可交互的库存决策实验，并让 AI 解释确定性计算结果与业务权衡。
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 · Inventory Planning · ERP / MRP
AI 与规则、Solver 或代码协作
集成边界：库存 What-if 仿真；未连接 ERP、MRP 或 SAP IBP，所有库存数量由确定性引擎计算。
库存公式由确定性引擎计算；AI 可选解释变化与风险；人工确认资金与服务水平权衡。
供应商突然通知：交期延长 5 天
调整需求、交期和服务水平并计算库存策略；如需补充说明，可另行请求 AI 解读变化原因、风险和业务权衡。
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
- 这是库存策略仿真，不是 ERP、MRP 或 SAP IBP 集成。
- 需求使用平均值与标准差的简化分布，不代表完整 Forecast Distribution。
- AI 只解释确定性结果，不计算 Safety Stock、Reorder Point、MOQ 或采购数量。
- 缺货风险是用于解释决策的简化概率指标，不是企业 Service Level KPI 的完整定义。
- 当前没有 Multi-echelon、BOM、Shelf Life、供应商 Capacity 或仓容约束。
实现方式
一个聚焦的库存数学 Build：用户通过供应延期、需求上升、Service Level 等 What-if 情境，直接观察补货点、建议订货量、缺货风险与资金占用如何变化。所有库存数值由确定性引擎计算；AI 只读取这些可验证结果，解释变化原因、风险和需要人工确认的业务权衡。共享库存引擎使用平均需求、需求标准差、Lead Time、Service Level、On Hand、Open PO、Backorder、MOQ、Order Multiple 与 Unit Cost 计算 Safety Stock、Reorder Point、Inventory Position、Target Inventory 和建议订货量。AI 通过受限 Prompt 只读取计算结果并生成简短决策解释；AI 不允许修改数值、重新计算或声称最优。免费模型不可用时，页面明确显示“AI 暂不可用 · 规则解释”，不会把回退包装成 AI 输出。
可复用模式
“确定性专业引擎计算 → AI 解释结果 → 人工接受业务后果”的模式可以被后续 Production Planning、Supplier Risk、Forecast Review 或 Procurement Build 复用。
证据与来源
- Demo交互式库存决策 Demo
单 SKU What-if 会同步重算 Safety Stock、Reorder Point、Inventory Position、建议订货量与现金影响，并由 AI 对确定性结果做受限解释。
- 架构CODE → AI → HUMAN 决策边界
需求 / Lead Time / Service Level → 确定性库存引擎 → AI 解释结果与风险 → 人工接受业务权衡。
- 源码