决策智能体 · 企业级方法论

问题从哪来

制造与供应链里，很多团队把大模型当「问答机」：问一句得一句建议，但没有可执行方案、也没法对照业务目标自检是否更好。排产、仓配、工艺调参这类事，输入其实是业务目标 + 约束 + 历史数据，输出应是能落地的决策，而不是一段泛泛分析。

技能在做什么

本技能是一套企业级决策智能体方法论（SOP），强调「能验证、能闭环」：

• 定位差异：相对传统「问题→答案」，决策智能体走「业务目标→可执行方案」，并带自我验证与持续优化。
• 三大场景：生产排程（多工序多设备）、物流规划（仓储与路径）、工艺优化（参数调优）；资料中给出的参考幅度分别为生产率约 6–8%、物流效率约 8–12%、质量与成本侧改善。
• 机制链路：业务专家对话调整 → 企业级记忆（越用越懂上下文）→ 方案生成 → 验证闭环 → 迭代。
• 内置指令集：按你的意图分三路——了解概念、设计智能体（需场景/痛点/数据）、评估决策质量（需场景与效果数据）；设计路径常见四步为目标定义、数据准备、决策模型、验证闭环。
• 附录：提供可本地跑的简化 Python run_decision_agent 模板，用于演示目标、约束与历史数据如何进入「方案输出」；完整企业部署需对接真实数据系统（资料指向善春AI 企业方案）。

适用边界

• 文档声明在 Claude 3.5 Sonnet 与 GPT-4 Turbo 上表现最佳；其它模型需自行校验指令遵循度。
• 场景效果数字来自方法论说明，不能替代你方 A/B 或试点数据；建议先选单产线等小范围试点（示例中提到约 4 周）。
• 无历史数据时仍可走「了解/设计」路径，但评估与闭环会明显受限。