RELEX发布零售多智能体AI平台：MCP与知识图谱如何协同补货？

Lumexpo

306人浏览 · 2026-11-03 10:54:00

Lumexpo · 2026-11-03 10:54:00 发布

11月2日，零售供应链技术企业 RELEX Solutions 宣布升级 RELEX Open 平台，重点不在于推出一个新的聊天助手，而是让需求预测、库存补货、商品规划和门店运营中的不同 AI 能力能够共享业务上下文，协调彼此的决策。官方介绍中明确提及 API、MCP、插件、知识图谱和跨业务流程的 Agent 编排。

从“单个预测模型”到“协同决策”

多数零售企业并不缺少分析工具。需求预测、促销计划、库存管理和供应商协同，往往各有一套软件。问题出在系统之间：促销部门提高了销量预期，但补货策略未及时更新；仓库看见了订单，门店却仍在缺货；一个优化库存周转的决策，可能让另一个部门承担额外成本。

多智能体（Agentic AI）的思路，是让不同业务能力在共同约束下协作。预测模块提供需求信号，补货模块检查现有库存和交货周期，促销模块解释活动带来的变化，最终由编排层生成可执行、可审查的建议。

它不是让大模型替代所有专业算法，而是把专业模型、系统接口和工作流程接入同一个决策过程。

技术上值得关注的三个层次

第一层是数据和业务语义。

同一个 SKU 在 POS、ERP、WMS 中可能有不同字段和更新时间。若门店库存、可售库存、在途库存没有统一口径，Agent 再聪明也会得出错误建议。

因此，商品、门店、时间、补货规则等基础数据的治理，是多智能体协作的前提。

第二层是连接与上下文。

RELEX 官方表示，RELEX Open 可以通过 API、MCP 及其他开放机制与外部系统、工具和 Agent 对接。

MCP（Model Context Protocol）解决的是工具和上下文接入的标准化问题，但并不自动解决权限、安全和业务口径冲突。

公开公告还提出使用知识图谱描述流程、系统、团队、决策和 KPI 的关联，为跨部门建议提供上下文。

第三层是编排与治理。

编排层需要知道某个建议会对其他业务产生什么影响，并在关键节点保留人工审核、操作权限与审计记录。

尤其是价格调整、采购订单和门店库存转移，不能仅凭一句自然语言指令就直接执行。

图1：根据公开信息整理的参考架构，非RELEX官方系统架构。

用一个补货场景理解 Agent 的协作

假设某连锁超市准备开展三天促销。

独立预测模型可以估计销量变化，但实际补货还要检查门店现货、配送中心库存、供应商交期和货架容量。

一个参考性的技术流程可以拆为五步：

获取促销事件：读取活动商品、折扣时间、适用门店和历史销量数据。
预测需求变化：由预测模块估算促销期间的商品需求。
检查库存约束：结合现有库存、在途商品、仓储容量和供应商交期。
生成补货建议：计算合理的订单量及配送安排。
审批与执行：超出业务规则阈值时，交由相关人员审核，再进入实际业务系统。

这是一种根据公开功能整理的概念设计，不是 RELEX 已公开的具体源代码、接口定义或内部实施架构。

图2：促销补货的概念流程示意，用于说明技术原理。

伪代码：把业务规则放在 Agent 之后

下面的伪代码仅用于说明编排逻辑，接口名为示例：

def coordinate_replenishment(event):
    # 示意代码：并非 RELEX SDK 或实际 API
    demand = forecast_agent.predict(event)

    stock = inventory_system.get_position(
        event.store_id, event.sku
    )

    supply = supplier_system.get_constraints(
        event.sku
    )

    proposal = replenishment_agent.plan(
        demand, stock, supply
    )

    result = policy_engine.check(proposal)

    if result.requires_approval:
        return approval_queue.create(
            proposal, result.reasons
        )

    return execution_workflow.submit(
        proposal, audit=True
    )

在这一参考流程中，Agent 不直接拥有无限制的业务操作权限。

它可以调用预测能力、读取库存状态并提出补货建议，但执行前仍需要经过业务规则引擎检查。

如果建议超出预算、库存或其他风险阈值，系统应当要求人工审批，并记录相关操作。

这种设计的重点不是让 AI 完成更多操作，而是让系统在执行过程中保持可控、可追溯。