Control Tower · Cross-system Orchestration
供应链异常协调器
把一条供应异常翻译成结构化事件，再沿供应商、入库、生产和客户订单传播影响，而不是让 AI 自己猜最终业务后果。
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
场景实验 · Control Tower · Cross-system
AI 与规则、Solver 或代码协作
集成边界：预定义依赖图上的跨系统异常仿真；未连接 ERP、SRM、MES、TMS 或企业事件总线。
Agent 不应该“想象”供应链影响，它应该在已建模依赖上编排可验证动作。
AI 把供应商文本变成结构化事件；跨环节传播由确定性依赖图完成。
一条供应商更新，会一路影响到哪个客户？
当前依赖链已明确建模，AI 只负责识别事件字段。
Supplier S-12: Motor M-4 的关键二级供应商停产，本周原定出货预计推迟 5 天。当前恢复日期仍有不确定性。
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
按能力「Supply Chain Orchestration」检查证据
- 这是 Control Tower / Orchestration 概念验证，不是实时 ERP、SRM、MES、TMS 或事件总线集成。
- 依赖关系是预先定义的模拟图，不是 AI 自动推断出的企业供应链网络。
- AI 不负责决定真实客户优先级、财务影响或最终处置动作。
- 当前只覆盖单一供应延期事件，不代表完整异常类型库。
实现方式
一个跨环节 Orchestration 实验：供应商发来一条交付延期更新，AI 只提取事件对象、延误天数与严重度；确定性依赖图负责计算哪些入库、生产订单和客户承诺会被影响，并把处置动作留给人。Demo 建模一个极小依赖链：Supplier S-12 → Inbound I-77 → Production P-204 → Customer Order C-88。AI Runtime 提取 supplierId、material、delayDays、severity；不可用时使用受限规则回退。确定性传播函数根据依赖关系计算风险节点与时间影响，并呈现 Expedite、Reallocate、Accept Delay 三个候选动作。
可复用模式
“非结构化异常 → 结构化事件 → 确定性影响传播 → 人工处置”的模式可复用于供应风险、物流延误、质量异常和生产停机。
证据与来源
- Demo跨环节异常传播 Demo
一条供应商异常被映射为 Supplier → Inbound → Production → Customer 的可见影响链。
- 架构AI 解析与确定性影响图边界
AI 提取事件；代码沿明确依赖关系传播影响；人选择加急、重分配或接受延期。
- 源码