Page background

    我们的 AI 工程方法如何解决促销高峰日的仓库延误

    Home / Blog / 我们的 AI 工程方法如何解决促销高峰日的仓库延误
    2026年11月19日5 min read案例研究AI马来西亚
    马来西亚一座履行仓库的夜间场景:一个带有六个节点的发光圆环悬浮在输送线上按颜色分组的包裹波次上方,连线连接货架、打包台和仪表板,象征能够自我排障的 AI 循环

    在促销日,仓库系统中只要有一个步骤变慢,后面的每一张订单都会被拖住。

    在过去的促销日,一家马来西亚物流与订单履行公司的仓库系统总是卡在同一个步骤上:波次分配(wave allocation),也就是把订单编成批次(波次)并与库存匹配的环节。这个步骤没有完成,拣货员就无法开始拣货。

    到了 2026 年 11 月的 11.11 大促,这种迟缓已经消失了。下面介绍让这一切实现的 AI 工程方法,以及它如何适用于任何变慢或老旧的系统。

    我们的 AI 工程方法

    我们不会把 AI 丢给一堆代码然后碰运气。我们的方法结合了三件事,并从一条规则出发:先测量正式系统,让每一次提升都用同样的方式得到证明。

    图谱工程:系统的地图

    图谱工程就是为系统绘制一张地图。存储过程(保存在数据库里的一组指令)、数据表和应用程序代码都是地图上的点,连线表示谁使用了谁。

    有了这张地图,智能体和工程师都可以问同一个简单的问题:“如果改动这里,会影响到什么?”答案直接来自地图,而不是来自碰巧还记得的人。这在老旧系统中最重要,因为当初开发它的人可能早已离开。

    自动化智能体:更广的搜索

    自动化智能体同时扫描代码和数据库统计数据,搜索范围远超人工评审。它们为每个问题提出多个修复方案,每个方案都在真实数据上与基线并排测试,然后才做选择。

    工程师在循环之中

    我们的工程师设定目标、审核每一项发现,并与客户的 IT 团队共同决定每一次发布。只有给出与之前完全相同的业务结果、只是更快,修复才算数。另见谁来审查 AI 生成的代码。

    循环:智能体如何自我排障

    我们最自豪的不是某一个修复,而是智能体一轮又一轮运行的这个循环,直到慢步骤消失为止。

    自我排障循环:绘图、检测、诊断、修复、测试、学习,然后重复循环往复直到证明有效1绘图2检测3诊断4修复5测试6学习
    循环的六个步骤列于下方。
    1. 绘图:代码知识图谱显示整个系统如何连接。
    2. 检测:智能体读取正式系统的数据库统计数据,标出最慢的路径。
    3. 诊断:智能体沿着图谱追溯到根本原因,并看清改动还会影响到什么。
    4. 修复:它提出多个候选修复方案,由工程师审核。
    5. 测试:每个候选方案都在真实数据上与基线对比测试。
    6. 学习:每一个结果都作为证据回到循环中。经过证明的改进分阶段上线,正式系统的耗时数据又成为下一轮的输入。

    这就是循环在实际中的运作。对于开销最大的那个步骤,最初的想法是大规模重写。测试显示它更慢,于是智能体带着这个证据回到诊断,最终一个小得多的改动胜出。而且因为促销日只能在正式系统上测量,学习环节会把每次发布的正式系统耗时数据带入下一轮。经过证明的修复按风险从低到高分阶段上线,与客户的 IT 团队共同完成;到了 11.11 高峰,那个慢步骤已经不再慢了。

    对任何运行老旧系统的企业来说,这改变了两件事:系统每次都用同样的方式诊断,不再依赖碰巧还记得的人;每一项修复在接近促销高峰日之前,都已对照基线得到证明。

    过去与现在:修复慢系统的两种方式

    找出时间耗在哪里
    传统做法工程师手动检查数据库,一次排查一个慢查询。
    我们的 AI 工作流程自动化智能体同时扫描代码和数据库统计数据。
    理解系统
    传统做法一段一段地阅读旧代码,并询问还记得系统如何运作的人。
    我们的 AI 工作流程一张代码地图显示各部分如何连接(即图谱工程,见上文)。
    判断改动的风险
    传统做法取决于大家记得多少。
    我们的 AI 工作流程动手之前,先看清一项改动还可能影响到什么。
    评估所需投入
    传统做法预计 10–12 周、约 60 个工程师人日(这是我们对同等范围人工评审的估算)。
    我们的 AI 工作流程4 周,控制在 23 个工程师人日以内。
    选择与发布修复
    传统做法一次只尝试一个修复。
    我们的 AI 工作流程多个修复方案并排比较,然后分阶段发布,并在正式系统上测量。

    传统做法的数字是我们的估算,并非实际测量的项目。

    成果一览

    约 20 倍

    自 6 月以来各次波次分配发布累计的平均分配时间提速(我们在正式系统上的前后测量)

    接近翻倍

    9 月份发布之后,较大规模线上订单(B2C)波次的分配速度

    11.11

    以往促销日的波次分配迟缓问题,已由最新一次正式发布解决

    20 倍是自 6 月以来每一次波次分配发布的平均值,9 月份的发布则是途中的一个里程碑。

    这对您的企业意味着什么

    这套方法并不局限于仓库。任何在最关键时刻变慢的系统,无论是订单平台、账单批处理,还是没有人完全记得的老旧内部系统,都可以用同样的方式绘图、测量和修复。

    在下一次高峰之前,请问您的 IT 团队一个问题:我们有没有正式系统在平常日子里如何表现的记录?如果没有,就从这里开始。然后坚持同样的三件事:一张显示各部分如何连接的地图,一次每项发现都由人核查的大范围搜索,以及每一次发布都在正式系统上测量。

    这正是我们的软件开发团队的工作方式,所用的方法也是我们AI 解决方案背后的方法。想再看一个“先测量”的例子,可阅读我们如何在不中断服务的情况下,为一家马来西亚出版商降低云成本。

    常见问题

    AI 能在老旧系统中找出性能问题吗?

    可以。自动化智能体在代码和数据库统计数据中的搜索范围远超人工评审,代码地图也能显示各部分如何连接。每一项发现在任何改动之前都由我们的工程师确认,因此搜索范围广,决定权仍在人手中。

    什么是图谱工程(graph engineering)?

    就是绘制一张系统各部分如何相互连接的地图:数据库中的存储过程、数据表和应用程序代码,以及谁调用或读取了谁。工程师和 AI 智能体在动手之前,先用这张地图回答“如果改动这里,会影响到什么?”

    什么是自我排障循环?

    这是 AI 智能体反复运行的一个周期:绘制系统各部分的连接图,检测最慢的路径,沿着代码图谱诊断根本原因,提出修复方案交由工程师审核,将每个方案与基线对比测试,并从每一个结果中学习。只有经过证明的修复才会上线,而正式系统的耗时数据又成为下一轮的输入。

    还需要工程师吗?

    需要。我们的工程师设定目标、审核每一项发现、在多个修复方案中做选择,并与客户的 IT 团队共同决定每一次发布。智能体扩大搜索范围,决定由人来做。

    在促销高峰日之前如何测试?

    每项修复都在完整的真实数据副本上、在多用户同时操作的情况下测试,并且必须给出相同的业务结果,只是更快。之后分阶段上线,并在下一次促销之前于正式系统上测量每一步。

    免费咨询

    您的系统是否在最繁忙的日子变慢?

    告诉我们您的高峰日发生了什么:哪里变慢,您的团队看到了什么。我们会安排一次线上会议详细讨论,并分享我们会先从哪里着手。

    由 EzyChat 提供支持