AI Agent在仓储物流中解决的是“从订单到包裹”这一段需要人来回跑腿、反复判断的环节,把分拣、搬运、复核、异常处理这些动作串成可自主执行的闭环。它不是一个更大的WMS,而是在WMS、WCS之上加了一层会看、会想、会调度的软件实体,通常以任务流加多模态模型加设备接口的形式存在。判断一个仓储项目该不该上Agent,关键看订单波动性、SKU复杂度、人工作业占比这三项是否同时偏高。
一、AI Agent在仓储里到底解决什么问题
传统仓储信息化的分工很清楚:WMS管账,记录库存和订单;WCS管设备,把指令下发给输送线、堆垛机、AGV。但两者之间有一段落差——设备报上来的异常谁来判断,订单结构变了谁去重排波次,拣货员反馈库位不对谁去核实。这部分过去靠班组长和经验,现在可以由Agent接手。
Agent的核心能力是把“感知—决策—执行”压缩在一个循环里。它接收入库单、出库单、设备状态、视觉识别结果,自主拆解成子任务,再调用输送线、AGV、机械臂或手持终端去执行,执行结果回流后继续修正。和固定规则的自动化相比,差别在于它能在规则未覆盖的情况下做概率性判断,比如包裹面单褶皱导致识别置信度下降时,是转人工复核还是换角度重拍。
二、Agent的技术原理与关键能力有哪些
从技术栈看,仓储Agent一般分三层。感知层依赖视觉识别和条码/RFID读取,常见指标是条码首读率,工业级DPM码在良好光照下首读率可达99%以上,褶皱、反光、污损件会明显下降,这时需要多角度补拍或调用视觉大模型做容错识别。决策层是任务编排加路径规划,涉及AGV调度时通常走VDA 5050这类接口协议,多机协同的节拍计算要落到毫秒级。执行层对接PLC、机器人控制器和输送线,通信上OPC-UA、Modbus TCP、MQTT都比较常见。
关键能力可以归为四项。一是任务自主拆解,把一张包含多SKU的订单拆成拣选顺序、容器选择、复核点设置。二是异常自处理,缺货、错位、设备堵包这类事件按预设策略分流,不必全部上报同类DCS厂商。三是多设备协同,AGV、机械臂、输送线之间的交接时序由Agent动态排。四是与上层系统对接,通过标准API或中间表读写WMS的库存与订单数据,不替代WMS的账务职能。
三、Agent在制造业仓储有哪些典型应用场景
假设一家电子厂,原料仓SKU过万,最小包装到料盘级,产线要料频繁且批量小。Agent在这里主要做两件事:一是根据产线工单和线边库存触发补料任务,调度AGV从立库取料并配送到指定工位,配送节拍要和SMT换线时间对齐;二是处理料盘回库,扫码确认批次后自动分配库位,避免人工找位。这类场景对条码质量和库位精度要求高,库位坐标误差通常要控制在±5mm以内。
再假设一家汽配企业,成品仓出货以大件为主,托盘和料箱混存。Agent承担的是出库波次优化和装车顺序编排,按承运商截单时间、车辆靠台顺序、托盘尺寸组合来排任务,减少叉车空驶。这类场景的边界在于货物形态规整度,如果托盘缠膜变形严重,视觉定位需要额外评估。
还有一个常见场景是退货处理。电商仓退货件状态杂乱,Agent可以结合视觉识别和订单信息判断可再销售、需质检、需报废三类流向,把分拣动作下发给对应工位。这个环节的准确率高度依赖退货件的外观一致性和历史数据积累。
四、仓储Agent选型与落地要注意什么
第一问是对接方式。Agent要读WMS的订单和库存,写回任务执行结果,接口一般走RESTful API或数据库中间表,实时性要求高的场景用消息队列。选型时要确认厂商是否支持你现有WMS的数据模型,改造量往往集中在这里。
第二问是硬件条件。视觉识别需要相机和光源,工位部署要考虑安装高度和视野覆盖;AGV调度需要现场无线网络稳定,漫游切换不能断连;边缘侧通常要一台工控机跑推理,算力按并发路数配。这些是隐性成本,报价单上不一定体现。
第三问是实施周期。单仓单场景的Agent部署,从接口联调到试运行,通常按周到月计,跨仓复制会快一些,但库位结构和SKU分布差异大的仓库仍需重新标定。别信“开箱即用”的说法。
第四问是常见误区。一是把Agent当WMS用,指望它管账,结果账实不符;二是低估异常样本的积累周期,Agent的异常处理策略需要真实数据喂养,前几个月准确率不会好看;三是忽略人机交接界面,拣货员和Agent之间如果只靠屏幕提示,效率反而下降。
五、仓储Agent适合哪些场景,不适合哪些场景
适合的场景有几个共同特征:订单波动大、SKU多且拆零比例高、人工往返搬运占比高、异常事件频繁需要现场判断。电商前置仓、电子厂线边仓、汽配成品仓都属于这一类。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的厂商生态里,这类需求近两年明显增多。
不适合的场景也要说清楚。单一品种、大批量、节拍极稳定的仓库,固定规则的WCS加输送线更划算,上Agent属于过度设计。货物形态高度非标、强反光或高变形的场景,视觉识别准确率撑不住,需要先解决感知问题。还有一类是库存准确率本身就很低的仓库,账都對不上,Agent调度只会放大混乱,得先把基础数据治理做完。
总的判断标准可以简化成一句:当仓库里“人做判断”的环节多过“人做动作”的环节,Agent才有发挥空间;反过来,如果主要是重复搬运、规则清晰,优先考虑成熟自动化设备。