AI图鉴

AI图鉴首页 › AI 资讯 › 16-Agent实战：生鲜超市 52 周 MD 与智慧出清

16-Agent实战：生鲜超市 52 周 MD 与智慧出清

来源：掘金 · 发布时间：11-01 · 由 AI图鉴每小时自动聚合

前 15 篇把 Agent 的单点能力逐个拆开讲解：从跑通第一个 Agent、工具调用、结构化输出，到 PlanMode、记忆与 RAG，再到多 Agent、MCP、A2A，最后是 HarnessAg

系列第 16 篇 · 实战篇

前 15 篇把 Agent 的单点能力逐个拆开讲解：从跑通第一个 Agent、工具调用、结构化输出，到 PlanMode、记忆与 RAG，再到多 Agent、MCP、A2A，最后是 HarnessAgent、Workspace、Context 与权限容错可观测。但"零件齐全"不等于"装好能跑"——本篇要把它们串成一台真正的生产 Agent。

笔者从事软件行业多年，见过太多企业信息化建设的"拼凑"过程，拿传统零售商来说，ERP、CRM、WMS、电商中台由不同供应商拼装而成，数据模型和接口各说各话，要把它们打通、协同起来格外费劲。而这，恰恰是 Agent 最值得落地去解决的一类场景。

先介绍本文相关的两个真实零售场景，后续的实战将围绕这两个场景展开：

- 场景一 · 52 周 MD 周计划（以"周"为尺度的经营规划）：店长一句话提出下一季度MD 诉求，Agent 以历史销量（同周同期、近周趋势）为实证基础，结合顾客生活节奏/季节/节气/节日/场景（辅以天气、客群、竞品情报），选出重点商品、产出周经营建议，并直接落实促销、生成文案、圈选会员。

- 场景二 · 智慧出清（以"日"为尺度的经营执行）：每天傍晚闭店前的几个小时，是生鲜出清的主战场，Agent 需要按当晚天气、当日实时销售，并对照该品类历史销量（同天气/同时段去化基线），动态定出清折扣力度与最佳出清时段，落价前走人工确认。

一、项目背景与两个场景

1.1 零售信息化的"拼凑"现状

前面说的"拼凑"，带来的不是某个单点问题，而是系统间天然异构、割裂：数据模型不一、接口协议各异、口径各说各话。门店想要"基于全局经营数据做一件小事"（比如选本周重点商品、定今晚出清折扣），都要先跨好几套系统取数、对齐、再判断。这件事人工做费时且靠经验，正好是 Agent + MCP 统一接入 + Harness 稳定编排最能发挥价值的地方。

1.2 场景一：52 周 MD 周计划

52 周 MD是生鲜超市以"年"为完整时间跨度的经营活动管理方法：把 1 年 52 周作为完整时间轴，根据顾客生活节奏、季节、节气、节日、场景，以周为单位推进执行，提前规划每周主推商品、陈列、促销、卖场主题，周周打造销售小高潮；采购‑营运‑营销‑门店全部门协同落地，并且每周复盘迭代优化。在这条时间轴上，重点商品的选择同样以时间为节点，结合顾客生活节奏、季节、节气、节日、场景等因素，选出既贴合消费者当下需求、又满足企业经营目标的商品，再据此安排一周的陈列、促销与营销。

一份 52 周 MD 周计划长这样：

本周（2026-W34，8 月第三周）52 周 MD

主轴：立秋末伏 · 开学前备货

历史销量参考：莲藕近 4 周周销 120kg、绿豆 90kg；去年同期（2025-W34）莲藕 +18%、绿豆 +12%——需求稳中有升

重点商品：

1. 应季鲜食：凉拌藕带、冰镇绿豆沙原料（莲藕 / 绿豆）—— 契合”立秋吃藕”习俗 + 高温消暑

2. 开学季组合：半成品早餐（馒头 / 包点）+ 学生奶 —— 临近开学，社区家庭客群

3. 社区中老年：低糖杂粮、时令梨（润燥）—— 客群画像驱动

经营建议：

- 陈列：入口端架做”开学早餐 + 消暑”主题堆头

- 促销：莲藕 / 绿豆组合 8.8 折，学生奶第二件半价

- 社群：周三推”立秋养生”文案，圈选 25–45 岁家庭会员

1.3 场景二：智慧出清

生鲜保质期短，闭店前几小时把卖不动的货出清掉，是每家超市每天的"硬仗"。难点在于：折扣定深了亏毛利，定浅了卖不完报损；时段定早了扰乱正价，定晚了来不及。智慧出清的做法是——每天傍晚闭店前数小时，依据当晚天气（影响客流）、当日实时销售（剩余库存与动销率），并对照该品类历史销量（同天气 / 同时段的常规去化水平）设定合理去化基线，动态算出出清折扣力度与最佳出清时间段，落价前交店长确认。

一份出清方案长这样：

闭店前 3 小时出清方案（当日 19:00 触发）

天气：阵雨转凉，晚高峰客流回落

实时动销：叶菜售出率 62%（剩 38kg）、鲜奶售出率 55%（剩 120 盒）

历史参考：叶菜近 7 日同天气傍晚 21:00 前平均去化 78%，今晚 21:00 前预计仅能去化 55% → 需加深折扣

建议：

- 叶菜：20:30 起 7 折，21:00（闭店前 1h）起 5 折清完

- 鲜奶：20:00 起第二件 1 元，21:00 起 6 折

预估：较店长经验出清，动销去化 +12%，报损 -15%

1.4 两个场景的关系

| 维度 | 场景一 · 52 周 MD（周） | 场景二 · 智慧出清（日） | | --- | --- | --- | | 经营尺度 | 周计划，事前规划 | 日执行，事中应变 | | 触发方式 | 主动提出 / 按周定时 | 每天傍晚定时 | | 核心输入 | 历史销量 / 行事历 / 节气 / 天气 / 客群 / 竞品 | 当晚天气 / 历史销量(同天气同时段基线) / 当日实时销售 / 闭店倒计时 | | 核心产出 | 重点商品 + 经营建议 + 促销 / 文案 / 圈选 | 出清折扣力度 + 出清时段 + 降价 | | 是否写操作 | 是（创建促销 / 发券） | 是（执行降价） | | 都需要 | 意图识别、MCP 取数、权限确认、可观测 | 意图识别、MCP 取数、权限确认、可观测 |

二、遗留问题与解决思路

|

遗留疑难问题

|

根因

|

AgentScope 解法（由 Harness 统一编排）

|

| --- | --- | --- |

|

重点商品选品靠经验、常脱节时令

|

选品凭经验，难系统结合节气 / 天气 / 客群 / 竞品

|

MCP 取行事历 / 节气 / 天气 / 会员 / 竞品情报，Agent 生成 52 周 MD 周计划

|

|

促销活动效果难评估

|

多系统数据割裂，口径不一

|

MCP 统一取数，结构化输出算 ROI，LLM 生成归因报告

|

|

会员触达不精准

|

标签分散、画像陈旧

|

Agent 检索长期记忆 + 生成个性化文案并圈选人群

|

|

营销内容产出慢、落地难

|

文案 / 促销方案靠人工，跨系统创建费时

|

多 Agent 生成文案与方案，执行专员经 HITL 创建促销、发放优惠券

|

|

生鲜出清靠拍脑袋、闭店前手忙脚乱

|

折扣与时段凭经验，不看实时天气与销售

|

MCP 取天气 + 当日实时销售，Agent 动态定出清折扣与时段，落价前走 HITL 确认

|

|

数据权限混乱

|

各系统自建权限，越权风险

| PermissionEngine

四态 + 自定义 Middleware 工具级拦截

|

|

运营数据口径不一致

|

指标定义分散

|

口径沉淀为统一 @Tool 指标 API，Agent 只调用、不重算

|

三、总体架构设计

3.1 分层架构

采用分层 + 模块化架构：接入层把请求交给 HarnessAgent 做应用编排，MCP 作为基础设施集成协议。

┌─────────────────────────────────────────────────────────────┐

│ 接入层 / Interface │

│ REST API | WebSocket

└───────────────────────────┬─────────────────────────────────┘

│

┌───────────────────────────▼─────────────────────────────────┐

│ 应用编排层 / Application（HarnessAgent 运行层） │

│ HarnessAgent（编排总控） │

│ ├─ SubagentDeclaration：意图/选品规划/营销执行/出清专/权限 │

│ ├─ Toolkit：@Tool 业务工具 + 注册自零售 MCP Server 的工具 │

│ ├─ Middleware：权限拦截（RBAC/ABAC）+ OtelTracing 观测 │

│ └─ Plan Mode / Memory / Workspace / Sandbox │

└───────────────────────────┬─────────────────────────────────┘

│

┌───────────────────────────▼─────────────────────────────────┐

│ 业务服务层 / Service（@Tool 工具实现体，被 AgentScope 编排调用 │

│ 选品 / 营销 / 会员 等业务服务实现（经由 @Tool 暴露） │

└───────────────────────────┬─────────────────────────────────┘

│

┌───────────────────────────▼─────────────────────────────────┐

│ 基础设施层 / Infrastructure │

│ AgentScope-Java 2.0 Runtime | MCP Client/Server │

│ OpenTelemetry | Micrometer | Redis | DB │

│ Legacy ERP/WMS/POS/CRM 适配器 │

└─────────────────────────────────────────────────────────────┘

3.2 AgentScope-Java 2.0 提供了哪些支撑

- Agent 运行时：HarnessAgent 作为编排总控，内部用无状态的 ReActAgent 跑推理循环；多 Agent 用 SubagentDeclaration 声明式编排。

- LLM 接入：字符串模型 + ModelRegistry，如 "dashscope:qwen-max"，自动读环境变量里的 Key。

- 工具抽象：@Tool + Toolkit 注册业务工具；结构化输出用 agent.call(msgs, Class, ctx)。

- MCP 支持：作为 MCP Client 调用外部 MCP Server（McpClientBuilder / workspace/tools.json）；也可把内部能力暴露为 MCP Server。

- 可观测扩展点：Middleware 通道（5 个钩子：onAgent/onReasoning/onActing/onModelCall/onSystemPrompt）与内置 OtelTracingMiddleware，外加 streamEvents() 的 28 种类型化事件流。

- 与业务系统集成：自定义 @Tool、自定义 Middleware、自定义 Memory 都通过标准扩展点接入，确定性业务逻辑留在工具实现里。

3.3 编排总控：把多智能体、工具、中间件拼起来

使用HarnessAgent.builder() 把子 Agent、工具集（含 MCP）、中间件一次性挂上去，推理循环、多 Agent 调度、权限与观测全由框架接管。先声明五个专员(subAgent)：

import io.agentscope.harness.HarnessAgent;

import io.agentscope.harness.agent.subagent.SubagentDeclaration;

// 意图专员：拿到结构化意图，决定走哪条业务线

SubagentDeclaration intentAgent = SubagentDeclaration.builder()

.name(”intent_agent”)

.description(”意图专员：把用户问句识别为 md_plan（规划）/ md_execute（落实）/ clearance（出清）/ query（问询）之一并抽取槽位”)

.inlineAgentsBody(”你是意图专员，只输出结构化意图与槽位，不展开业务计算。”)

.build();

// 选品规划专员：把复合 MD 诉求拆成有序步骤（如 选品规划 → 营销方案 → 落实执行）

SubagentDeclaration mdPlannerAgent = SubagentDeclaration.builder()

.name(”md_planner_agent”)

.description(”选品规划专员：以历史销量（同周同期、近周趋势）为实证基础，结合顾客生活节奏/季节/节气/节日/场景（辅以天气、客群、竞品情报），选出本周重点商品并产出 52 周 MD 周计划”)

.inlineAgentsBody(”你是选品规划专员，先取历史销量做需求基线（同周同期、近周趋势），再结合顾客生活节奏/季节/节气/节日/场景选重点商品，给出一周经营建议。”)

.build();

// 营销执行专员：持有 MCP + @Tool 工具集，生成文案并落地执行

SubagentDeclaration marketingAgent = SubagentDeclaration.builder()

.name(”marketing_agent”)

.description(”营销执行专员：调用 weather/calendar/member/competitor/promotion 等 MCP 工具，生成营销文案并创建促销、发放优惠券”)

.inlineAgentsBody(”你是营销执行专员，严格按步骤调用工具生成文案、创建促销与发券，不臆造数据。”)

.build();

// 出清专员：每天傍晚按天气与当日实时销售，动态定出生鲜出清折扣力度与最佳出清时间段

SubagentDeclaration clearanceAgent = SubagentDeclaration.builder()

.name(”clearance_agent”)

.description(”出清专员：调取 weather.query 与当日实时销售，对照该品类历史销量（同天气/同时段去化基线），结合闭店倒计时，给出生鲜出清折扣与最佳出清时段建议”)

.inlineAgentsBody(”你是出清专员，根据天气、实时动销、历史销量基线（同天气/同时段）与闭店剩余时间，给出折扣力度与出清时机，不臆造数据。”)

.build();

// 权限专员：调用前做 RBAC/ABAC 校验，高危操作发起 HITL 确认

SubagentDeclaration guardAgent = SubagentDeclaration.builder()

.name(”guard_agent”)

.description(”权限专员：对工具调用做权限与数据范围校验，越权或高危时要求人工确认”)

.inlineAgentsBody(”你是权限专员，任何调用前先校验角色与数据范围。”)

.build();

五个专员声明好后，用总控 Agent 把它们和工具集、中间件搭建好整个经营助手的完整骨架：

import io.agentscope.harness.HarnessAgent;

import io.agentscope.core.tool.Toolkit;

import io.agentscope.core.middleware.MiddlewareBase;

import io.agentscope.core.tracing.OtelTracingMiddleware;

import io.agentscope.core.memory.MemoryConfig;

import io.agentscope.core.context.CompactionConfig;

import io.agentscope.core.context.ToolResultEvictionConfig;

import java.nio.file.Path;

import java.util.List;

HarnessAgent assistant = HarnessAgent.builder()

.name(”store-ops-assistant”) // 总控（主编）

.model(”dashscope:qwen-max”)

.workspace(Path.of(”./store-ops-workspace”))

.sysPrompt(”””

你是门店经营智能助手的 52 周 MD 总控。流程：

1. agent_spawn intent_agent 识别意图（规划 or 落实 or 出清）与槽位；

2. agent_spawn md_planner_agent 先取历史销量做实证基线（同周同期、近周趋势），再结合顾客生活节奏/季节/节气/节日/场景（辅以天气、客群、竞品情报），选重点商品并出周计划；

3. agent_spawn marketing_agent 生成营销文案与促销方案，并调用工具落地；

4. 创建促销/发券等高危操作交给 guard_agent 校验，必要时发起人工确认；

5. 每天傍晚闭店前数小时，agent_spawn clearance_agent 按天气与实时销售动态定出清折扣与时段，落价前交 guard_agent 校验；

6. 汇总 52 周 MD 周计划与出清执行结果，输出可观测链路。

”””)

.subagent(intentAgent).subagent(mdPlannerAgent) // 多智能体声明式编排

.subagent(marketingAgent).subagent(clearanceAgent)

.subagent(guardAgent)

.toolkit(toolkit) // 已注册 MCP 工具 + @Tool 业务工具

.middlewares(List.of(

new PermissionMiddleware(rbacService), // 权限拦截

new OtelTracingMiddleware())) // 可观测

.memory(MemoryConfig.builder().build()) // 长期记忆

.compaction(CompactionConfig.builder()

.triggerMessages(30).keepMessages(10)

.truncateArgs(CompactionConfig.TruncateArgsConfig.builder()

.maxArgLength(2000).build()).build()) // 上下文工程

.toolResultEviction(ToolResultEvictionConfig.defaults()) // 大结果卸载

.build();

四、代码细化：两个场景的落地实现

第三章（3.3）已经把 HarnessAgent 总控、五个子 Agent 和 MCP 通路搭好，本章 4.4 给出 Harness 的装配代码，第五章再用运行时视角讲清一次请求在 Harness 里怎么流转。这一节不再罗列"能力有哪些"，而是把两个场景真正写进代码：4.1、4.2 分别是 52 周 MD 与智慧出清的业务落地，4.3 是两个场景共用的能力模块（意图 / MCP / 权限 / 可观测 / 记忆）代码。读这段代码，你看到的就是门店助手每天在跑的东西——"为什么这么做"都写在注释里。

4.1 场景一：52 周 MD 周计划代码落地

一句话提出下季度 MD 诉求，Agent 要：识别意图 → 取历史销量做实证基线 → 结合节气 / 天气 / 客群 / 竞品选品 → 出周计划 → 落地促销与发券（人工确认）。业务落地代码如下：

// 场景一入口：店长提交 52 周 MD 周计划诉求

public Mono planWeeklyMd(String utterance, SessionContext ctx) {

// ① 意图识别（三层漏斗 + 结构化输出，见 4.3）：把自然语言变成强类型意图，不让 LLM 自由发挥

IntentResult intent = intentAgent.call(

List.of(new UserMessage(”user”, utterance)),

IntentResult.class,

RuntimeContext.builder().sessionId(ctx.sid).userId(ctx.uid).build())

.block().getStructuredData(IntentResult.class);

// 预期 intent = { intent:”md_plan”, slots:{ week:”2026-W34”, season:”立秋”,

// weather:”高温”, segment:”社区中老年”, event:”开学季” } }

// ② 选品规划：交给 md_planner_agent，它在 4.3 注册好的 MCP 通路上取数

// —— 以「历史销量」为实证基线，不让模型凭空编选品；权限/数据范围由 PermissionMiddleware 在 onActing 拦截（见 4.3）

return mdPlannerAgent.call(

List.of(new UserMessage(”user”,

”为 ” + intent.slots.get(”week”) + ” 做 52 周 MD：” +

”先 sales.history 取同周同期+近周趋势，再 calendar.solar_terms 取节气、” +

”weather.query 取天气、member.segment 取客群、competitor.intel 取竞品，” +

”最后 md.weekly_plan 出周计划”)),

MdPlanReply.class,

RuntimeContext.builder().sessionId(ctx.sid).userId(ctx.uid).build())

.flatMap(reply -> {

MdPlanReply r = reply.getStructuredData(MdPlanReply.class);

// ③ 落地执行：营销执行专员创建促销 + 发券，属于高危写操作

// tools.json 已把 promotion.create / coupon.issue 标 ASK，框架调用前暂停并抛

// REQUIRE_USER_CONFIRM，前端用 getReplyId() 回传批准（见 4.3 权限 / 可观测）

marketingAgent.call(List.of(new UserMessage(”user”,

”基于周计划创建促销、生成社群文案、圈选会员：” + r.toBrief())),

Void.class, RuntimeContext.builder()

.sessionId(ctx.sid).userId(ctx.uid).build()).block();

// ④ 可观测：整条链路用 streamEvents 把工具调用/人工审批/文本增量实时流出（见 4.3）

return Mono.just(r);

});

}

选品工具本身用 @Tool 暴露，历史销量作为输入：

public class MdPlanningTools {

private final MdPlanningService mdService;

public MdPlanningTools(MdPlanningService svc) { this.mdService = svc; }

@Tool(name = ”md_weekly_plan”,

description = ”以历史销量（同周同期、近周趋势）为实证基础，结合时间节点（顾客生活节奏/季节/节气/节日/场景），为指定周生成 52 周 MD 重点商品与经营建议”)

public MdWeeklyPlanResult weeklyPlan(

@ToolParam(name = ”week”, description = ”ISO 周，如 '2026-W34'”) String week,

// 历史销量：指定周近 N 周销量与去年同期，用于实证选品与需求基线 —— 这是 52 周 MD 的”地基”

@ToolParam(name = ”historySales”, description = ”历史销量：同周同期/近周趋势，用于实证选品与需求基线”) String historySales,

@ToolParam(name = ”context”, description = ”上下文摘要：顾客生活节奏/季节/节气/节日/场景”) String context) {

return mdService.plan(new MdPlanCommand(week, historySales, context));

}

}

场"确定性"来自两点：选品有 sales.history 实证、落价有REQUIRE_USER_CONFIRM 把关。

4.2 场景二：智慧出清代码落地

每天傍晚闭店前的出清是"定时触发 + 实时应变"：到点由调度器拉起，按当晚天气、当日实时销售，并对照该品类历史销量（同天气 / 同时段去化基线）动态定折扣与时段，落价前交店长确认。

// 场景二入口：调度器在闭店前 3 小时触发（cron / 调度框架），sessionId 固定便于崩溃恢复（见 4.3 记忆）

public Mono runClearance(SessionContext ctx) {

// ① 意图识别为 clearance（复用 4.3 同款三层漏斗），这里直接进入出清专员

return clearanceAgent.call(

List.of(new UserMessage(”user”,

”执行今晚出清：weather.query 取当晚天气，sales.history 取该品类同天气/同时段去化基线，” +

”sales.realtime 取当日实时动销，结合闭店倒计时算 出清折扣力度 与 最佳出清时段”)),

ClearanceReply.class,

RuntimeContext.builder()

.sessionId(”clearance-daily”) // 固定 sessionId：日清任务各自可恢复（保障三，见 4.3）

.userId(ctx.uid).build())

.flatMap(reply -> {

ClearanceReply r = reply.getStructuredData(ClearanceReply.class);

// ② 落价执行：clearance.apply 是高危写操作，tools.json 标 ASK，框架抛 REQUIRE_USER_CONFIRM，

// 等待店长在终端/App 确认（见 4.3 权限）；折扣过深（< 6 折）时 PermissionMiddleware 还会要求区域经理审批

clearanceAgent.call(List.of(new UserMessage(”user”,

”按建议执行落价：” + r.toBrief())),

Void.class, RuntimeContext.builder()

.sessionId(”clearance-daily”).userId(ctx.uid).build()).block();

// ③ 可观测：出清全程 streamEvents 流出，落 AgentStateStore 可恢复（见 4.3）

return Mono.just(r);

});

}

出清的落价与建议同样用 @Tool 暴露，核心是"历史基线 + 实时动销 + 闭店倒计时"三者的差值决策：

public class ClearanceTools {

private final ClearanceService clearanceService;

public ClearanceTools(ClearanceService svc) { this.clearanceService = svc; }

@Tool(name = ”clearance_suggest”,

description = ”结合当晚天气、当日实时动销与历史销量(同天气/同时段去化基线)、闭店倒计时，给出生鲜出清折扣力度与最佳出清时段”)

public ClearanceSuggestion suggest(

@ToolParam(name

本文由 AI图鉴自动抓取并翻译，版权归原作者所有；如需查看原文请点下方链接。

相关 AI 工具

AI 智能体工程

斯坦福 Stanford CS329Z（Engineering AI Agents）中文学习教程，面向 Py

Margo

Margo 是面向同人写作者和原创角色创作者的 AI 灵感写作工具，可围绕角色、关系和背景生成结构化人物设定

FaviconDL

FaviconDL 提供网站图标提取与下载，可获取 ICO、PNG、SVG 和 Apple Touch Ic

Globe Explorer

结构化AI知识搜索引擎

相关免费羊毛

AssemblyAI

AssemblyAI 注册 $50 转写额度

Kimi 开放平台

新用户实名送 15 元代金券

商汤 SenseNova

Token Plan 公测完全免费，每模型 1500 次/5 小时

InstaBox

5 台免费云电脑（每台 4 vCPU/8GB）

同源资讯

土豆姐 Lauren 关于 Grok Bot 团队打造指南

掘金 · 11-01

MCP 开发实战：把你自己的后端 API 接入 Agent

掘金 · 11-01

OpenAI 砍掉 100 亿融资目标，AI 资本市场的温度计变了

掘金 · 11-01

企业 AI 读文档，难在哪里？从一张跨页表格说起

掘金 · 11-01

Anthropic为Claude四款模型加水印，两款旧模型留调参漏洞

掘金 · 11-01

别再堆万字 Prompt：用 Agent Skills 给团队写一个「前端 Review」Skill

掘金 · 11-01

阅读原文（juejin.cn）

标题、摘要与正文均来自该信源的公开页面，版权归原作者所有；本站自动聚合与翻译，仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 604 款 AI 工具分类导航 · 每日 AI 热门项目与动态