让 AI 补货，但不让它算库存—

guozi

当业务逻辑是确定性计算时，AI 到底该做什么、不该做什么？这篇文章用一次生鲜智能补货的落地过程，拆解 LangGraph 编排 + MCP 工具化代理的三层架构，讲清楚"AI 管调度、业务管计算"的边界该怎么划。


一、从一个真实场景说起
我们做的是生鲜电商的智能补货。业务后端已经有一套成熟的存量 API：日均销量怎么算、实际库存怎么扣减、保险库存怎么定、什么时候触发补货提醒——这些算法逻辑全在后端跑了很多年，稳定、可审计、能回溯。

现在要接入 AI。产品诉求很朴素：

商家在对话里问一句”仓库 WH01 今天有哪些 SKU 该补了”，系统能自动跑完整个补货判断链路，最后用一句话告诉商家哪些 SKU 紧急、要补多少、外部库存还能用多少。

但真正动手设计的时候，第一个冒出来的问题不是”AI 怎么做补货”，而是——这件事，到底要不要让 AI 做？
二、核心矛盾：AI 能力强，但补货是确定性计算
补货这件事的本质，是一串步骤固定、计算确定的流水线：

• 确认提醒日期和覆盖 SKU
• 算日均销量
• 算实际库存 =（初始库存 − 日均 × 时间间隔）× 活动系数 × 类目系数
• 算保险库存 = 日均 ×（最低周转天数 + 1）× 活动系数 × 类目系数
• 对比实际库存与保险库存，得出补货数


每一步都是纯数学公式，输入确定、输出就确定。这里面没有任何”创意发挥””语义理解””模糊判断”的空间。

而大模型的强项恰恰是后者——理解意图、拆解任务、解读结果、组织语言。让它去做乘法口诀式的确定性计算，反而是它的弱项：会算错，会幻觉，会编一个看着合理实则离谱的数字。

这就形成一个尖锐的矛盾：



如果硬把补货逻辑全塞给大模型，等于把一套跑了多年、逻辑清晰的确定性系统，换成一台会”猜数字”的概率机器。这是用 AI 的短板去打业务的硬需求。
三、选型思考：为什么是 LangGraph + MCP
想清楚矛盾之后，架构选型就清晰了——AI 和业务必须分层，各干各的。

经过权衡，我们选了 LangGraph 做流程编排 +MCP做存量接口的工具化适配 这套组合。选型理由不是”它火”，而是它正好对得上我们这个场景的三个硬约束：

约束一：流程必须固定，不能让 AI 自由发挥。 LangGraph 的核心是”图”——节点（Node）和边（Edge）构成的有向图，边就是流程的硬性约束。按预先定义的顺序执行，每执行完一个 Node 归入已执行集合，未执行步骤随之减少，流程推进状态清晰可控，不会出现乱序、跳步的问题。这正好对上”补货是固定流水线”的诉求。

约束二：全链路数据要可回溯。 补货链路一跑就是 5 步，每步产出 SKU、库存、销量这些中间结果。后面任意一步要能直接读到前面产出的数据，不能重复查库、不能重复算。LangGraph 用一个全局 State 做全链路上下文载体，上游所有节点的入参、中间结果、判断标记全部保存在 State 里向下传递，整条链路的数据可回溯，便于问题排查。

约束三：存量业务API不能推倒重来。 日均销量、库存读取、补货量计算这些算法逻辑，后端已经实现并稳定运行。如果迁移到大模型侧，改造成本高且容易引入幻觉。MCP（Model Context Protocol）正好是”把存量 API 包装成 AI 可调用标准工具”的薄代理层——MCP-Server 本身没有任何业务逻辑、不做计算、不访问 DB，只做 HTTP 代理转发。

一句话总结这套架构的本质：

AI 管调度，MCP管执行。 AI 不碰数据库，不碰计算；MCP-Server（或 Function Calling 里的函数）才是真正执行 SQL、调 API 的角色。AI 只负责”决定调什么 + 把结果组织成人话”。
四、三层架构拆解
整体架构可以拆成三层，每一层职责清晰、边界分明。



第一层：路线规划层（LangGraph 的 Graph）

流程由 Graph 的边做硬性约束，按预先定义顺序执行。补货链路被固化为固定的节点序列：确认日期 → 算日均 → 算实际库存 → 算保险库存 → 判断补货。每跑完一个节点，该节点归入已执行集合，未执行步骤随之减少。

这一层保证的核心价值是流程可控：大模型不会随意跳步骤，不会跳过”算实际库存”直接去判断补货。流程的”硬”是由 Graph 结构保证的，不是靠 prompt 哄出来的。

第二层：状态记忆层（LangGraph 的 State）

State 是整条业务的上下文载体，整条链路的数据交互都靠它传递。上游节点的入参、中间计算结果（SKU、库存、销量）、判断标记，全部保存在 State 里向下传递。后续任意节点都可以直接读取前面产出的数据，不需要重复查库、重复计算。

State 默认存内存，进程重启会丢；要支持会话记忆和断点续跑，就接入 Checkpointer 检查点组件，搭配 thread_id 把整个 State 持久化。所有节点只能读取和修改 State，节点之间不直接传参，全部依靠状态驱动。

如果业务更复杂，会在框架内置的 MessagesState 基础上做自定义扩展，追加 session_id、user_id、tool_records、loop_count、error_info 这些字段：

• tool_records：记录 MCP 每次调用日志，方便排查
• loop_count：限制最大循环次数，避免 Agent 无限调用 MCP 死循环
• error_info：捕获 MCP 服务异常、网络异常




第三层：MCP 代理适配层

这是连接 AI 和存量业务系统的桥梁。MCP-Server 是一层薄代理，本身没有任何业务逻辑、不碰数据库。Node 需要调用业务能力时，触发 MCP 工具，MCP 内部做 HTTP 代理转发，调用后端真实业务 API，接口返回的业务结果会写回到 State，再继续流转到下一个节点。

外层是 MCP 协议通信，内部就是普通的 HTTP 调用。这样设计的好处是：存量业务服务零改造，MCP 只是把 Restful 接口”翻译”成 AI 能调用的标准工具。

三层各自的职责边界，用一张表说清楚：



整体链路是这样跑的：

Graph 按规划路线推进 Node → Node 调用 MCP 工具 → MCP 内部 HTTP 转发调用存量业务 API → 后端完成真实业务计算 → 结果回写 State → 更新已执行/未执行步骤，流转至下一个节点，直至输出补货报告。


五、AI 与业务到底各干什么
很多 AI 落地的坑，根源是没把”AI 该干什么”和”业务该干什么”切清楚。这套架构里，两者的边界是这样划的：

AI 的价值在四件事：

• 理解用户意图——商家说”今天哪些该补了”，AI 要识别出这是要跑补货判断
• 拆成执行计划——把一句话拆成 5 步调用计划
• 遇异常能兜底——库存异常、销量波动这种非标情况，AI 能识别并给出解释
• 把结果说人话——把一堆 JSON 计算结果，组织成商家看得懂的补货清单。


MCP的价值在一件事： 把那 5 个确定性函数包装成 AI 可调用的标准工具。AI 调用 calc_actual_stock(sku_id=”SKU001″)，MCP-Server 内部转发 HTTP 请求到 http://biz-backend/api/get_current_stock，业务后端接收到请求后去数据库查库存、执行业务逻辑、返回 {“stock_num”:120}，MCP 把这个结果原封不动回传给 LangGraph，回写 State。



AI 不参与计算。 日均销量、库存公式这些纯数学，让 AI 算反而出错——交给工具算。

MCP-Server 是唯一的数据库访问者。 AI 和数据库之间有隔离层，AI 永远拿不到 DB 直连权限，只能通过 MCP 工具间接触达。这一层隔离是整套架构的安全底座。
六、落地流程：一个完整对话流的拆解
光说架构不落地就是空中楼阁。我们看一个真实的补货对话，整条链路是怎么跑起来的。

用户输入：

“仓库 WH01 今天有哪些 SKU 该补了？”

第一步：AI 调度阶段——拆解意图、规划调用

AI 识别出这是补货判断诉求，规划出执行计划：

• 调 get_restock_schedule 确认提醒日期和覆盖 SKU
• 对每个 SKU 依次调 calc_daily_sales → calc_actual_stock → calc_safety_stock
• 最后调 judge_restock 判断
• 用人话总结，列出需要补货的 SKU 清单


注意这里 AI 只做了”规划”，没碰任何数字。



第二步：逐个SKU跑工具链

以 SKU-A 为例，AI 按 Graph 定义的顺序依次触发 MCP 工具：



每一步的计算结果都回写到 State，下一步直接从 State 读取，不重复查库。SKU-B、SKU-C 各走一遍同样流程。

第三步：AI 总结阶段——把结果说成人话

全部节点跑完后，AI 从 State 读出所有结果，组织成商家看得懂的补货清单：

今天（8/28）仓库 WH01 有 2 个 SKU 需要补货：

SKU-B 库存充足（620 > 440），暂不需要补货。 SKU-A 紧急度较高，建议优先处理。

这就是一次完整的补货链路。整个过程里，AI 做了三件事：意图识别、调度规划、结果总结；真正算数的，全在后端业务 API 里。
七、几个关键设计点
落地过程中有几个设计决策，值得单独拎出来讲。

1. 5 个工具全是确定性计算，AI 一个都不算

这是这套架构最核心的原则。calc_daily_sales、calc_actual_stock、calc_safety_stock、judge_restock——每一个都是纯函数，输入确定、输出就确定。AI 看到这些工具的入参描述（比如 sku_code），知道什么场景该调哪个，但绝不自己去算数字。这一刀切下去，从根本上规避了大模型幻觉对核心补货逻辑的破坏。

2. 外部库存的口子，留在工具入参里

补货场景有个真实诉求：商家手头可能有一批外部库存（在途、调拨、临储），需要在判断时考虑进去。这个口子怎么留？

不是让 AI 自己去判断”外部库存要不要算”，而是在 judge_restock 工具的入参里加一个 ext_stock 参数。AI 从用户对话里拿到外部库存数，作为参数传给工具，工具内部做最终判断。这样既保留了灵活性，又把判断逻辑锁死在工具里。

3. 加新逻辑只改 MCP，不动 Agent

如果以后要加新能力——比如把”在途入库量”纳入补货判断，只改 MCP-Server 加一个 get_in_transit_stock 工具，Agent 那边 prompt 改一句”算完实际库存后，再调在途库存工具”就行。整个架构的扩展性来自工具层，不动 AI 调度逻辑。

4. State 用 Checkpointer 持久化，支持断点续跑

补货链路一旦跑到一半中断（比如网络抖动），不用从头重来。Checkpointer 搭配 thread_id 把整个 State 持久化，下次进来从断点继续。对长链路、多 SKU 的场景，这个能力很关键。
八、可复用的设计原则


这套架构跑通之后，提炼出几条可复用的 AI 落地设计原则，适用于”业务逻辑是确定性计算、又想接 AI”的场景：

原则一：先判断业务本质，再决定 AI 介入深度。 不是所有业务都适合 AI 直接做。先问一句：这套业务的核心逻辑是”确定性计算”还是”模糊判断”？确定性计算（补货、风控规则、计费）就让 AI 退到调度层；模糊判断（推荐、文案、客服答疑）才让 AI 进决策层。补货属于前者，所以 AI 不碰计算。

原则二：存量系统零改造，用代理层做适配。 存量业务 API 已经稳定运行多年，推倒重来是最大的风险。用一层薄代理（MCP 或 Function Calling）把 Restful 接口包装成 AI 可调用的标准工具，存量服务零改造，AI 也拿到了能力入口。改造成本最低，风险最小。

原则三：流程的“硬”靠结构保证，不靠 prompt 哄。 固定流水线场景，别指望用 prompt 让大模型”按顺序执行”——它会跳步、会乱序。用 LangGraph 的 Graph 结构做硬约束，边就是流程的物理边界。这一刀下去，流程可控性从”概率层面”提升到”结构层面”。

原则四：AI 和数据库之间必须有隔离层。 AI 永远拿不到 DB 直连权限，只能通过工具间接触达。这不是不信任 AI，而是边界清晰才能追责——出了问题能定位是 AI 调错工具，还是工具算错数，还是数据库本身有问题。三层各司其职，排查才有路径。

原则五：扩展性来自工具层，不动调度层。 新能力加在工具层（MCP 加一个工具 + Agent prompt 改一句），而不是改 AI 调度逻辑。这样扩展不会引入新的不确定性，AI 的行为可预测。
九、写在最后：AI 落地的本质是划清边界
回看这次生鲜补货的 AI 落地，最大的收获不是用了 LangGraph、不是接了 MCP，而是想清楚了一件事：

AI 落地的难度，不在“让 AI 能做什么”，而在“让 AI 不做什么”。

补货这件事，AI 能不能算日均销量？技术上能，让它调个计算器工具自己算也行。但该不该让它算？不该。因为确定性计算要的是 100% 准确和可审计，不是概率生成。

划清边界之后，剩下的反而简单：AI 做它擅长的（理解、调度、总结），业务做它该做的（计算、查库、判断），中间用 MCP 做标准化的工具适配。这套分层跑下来，既接入了 AI 的能力，又保住了存量业务的稳定性和可审计性。

MCP 在固定节点流水线里的角色，一句话总结：把你的确定性业务逻辑包装成 AI 可调用的标准化接口，AI 只做调度不做计算。

这套思路不止适用于补货。凡是”业务逻辑是确定性计算、存量系统已稳定运行、又想接 AI 提升交互体验”的场景——计费、风控规则、库存调度、对账——都可以套这个框架。AI 落地的红利，不在替换存量，而在增量赋能；不在让 AI 包打天下，而在让 AI 做它该做的事。

本文由 @Totoro畅 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议

--------------------------------------------------
本文转载自：https://www.woshipm.com/pd/6464544.html