从「这里有风险」到「5 折清仓、补货 11 万件」：当 Agent 学会做业务决策
第三期结尾留了一个问题：分析完了，然后呢？Agent 告诉你电商库存积压 157 天，但是怎么清库存？打几折？清哪些 SKU？补货补多少件？哪个渠道优先保？这些问题，数据分析师回答不了。这一期，我们给小龙虾装了一个完全不同的 Skill，里面不是统计方法，是供应链运营经理脑子里的决策规则。本期是系列的收官。
视频在这里 ↓
https://weixin.qq.com/sph/AkNdmep01
分析能力和决策能力是两件事
前三期一直在升级分析能力。第一期学会查数和归因，第三期学会了异常检测、趋势预测、压力测试——到第三期结束，Agent 已经是一个合格的中级数据分析师了。
但分析师有一个天然的边界：告诉你哪里有问题，但不告诉你该怎么办。
第三期的结论是「电商库存积压严重，建议 618 预售清仓」。这句话听起来像行动建议，其实不是——它没回答任何一个运营经理真正需要做的决定：清哪些品牌？春季款和夏季款策略一样吗？折扣给到几折？释放多少资金？裤子断货了该补多少件？按什么优先级补？
从「这里有风险」到「该清这个 SKU，5 折，预计释放 15~20 万；该补那个品牌，日均 3,882 件，补 30 天约 11.6 万件」——中间隔着一整层东西。
这层东西不是更深的统计方法。异常检测用 3σ 还是 Z-score，跟该不该清这批货没有直接关系。真正隔着的是领域知识和业务规则——四象限怎么分、生命周期怎么判、过季品和当季品策略为什么不同、折扣力度由什么决定、补货量怎么算。
这些知识一直住在运营经理的脑子里，Excel 模板里，周会纪要里。
这一期，我们尝试把它们交给 Agent。
装了新 Skill：inventory-strategy，库存策略
一个新 Skill：inventory-strategy，库存策略。
跟前面的分析 Skill 画风完全不同。打个比方：分析 Skill 是体检报告的模板，策略 Skill 是医生的处方逻辑。 体检报告告诉你哪些指标超标，但该吃什么药、吃多少、吃多久，需要另一套知识——医学训练，不是统计学训练。体检模板是通用的，处方因人而异。分析 Skill 跨行业复用，策略 Skill 按场景定制。
拆开 inventory-strategy 的文档，有三层规则：
第一层：四象限诊断模型。 用售罄率和库销比交叉，把商品分成畅销、滞销、过季、断货四个象限。做过供应链的人大多用过类似的矩阵，但以前它住在 Excel 模板里或运营经理的直觉里，现在被编码成了 Agent 能执行的规则。
第二层：生命周期和季节匹配。 同样是售罄率 20%，当季新品可能只是还没起量，过季旧品就是滞销。Skill 会叠加到店天数和季节标签做二次修正，避免一刀切。
第三层：行动规则。 滞销品几折清仓（P0 建议 ≤5 折）、断货品补多少件（按日均销量 × 补货周期计算）、哪个渠道优先保供、什么时间复查——全写在 Skill 里。
三层加在一起不超过两千字。一个有经验的运营经理花一下午就能写完，也可以让 AI 帮忙起草、自己改。写完之后，Agent 就在这套规则下运作——业务判断力变成了可执行的工作准则。
架构上还有一点：inventory-strategy 没有重造轮子。它复用了 metric-query 的取数能力、anomaly-detection 的检测方法和 forecast-simulation 的预测能力，自己只加了一层——业务判断。底下的数据查询和分析计算全部由已有 Skill 完成，新 Skill 站在旧 Skill 肩膀上，只负责根据业务规则做决策。
一句话跑出来的东西
输入：「帮我看看库存有没有问题」
没有指定分析框架，没有说要四象限，没有说要行动方案。就这一句。
全盘扫描
Agent 触发了 inventory-strategy Skill，转手调 metric-query 去语义层搜指标名——售罄率、库销比、库存市值、到店天数。底层查数的活还是 metric-query 在干，上层的决策编排由 inventory-strategy 来做。
跑完全盘扫描，结果出来了：总库存 85.6 万，售罄率 6.4%。行业基准通常在 40% 左右，这个大盘只有六个点。库销比 1.68，警戒线 0.5，超了三倍多。问题高度集中——连衣裙一个品类就占了全盘库存的 65%，55 万资金压在那里。
四象限分类
5 个品类放进售罄率 × 库销比的四象限：
有一个细节：连衣裙按库销比原本会落在另一个象限，但 Skill 做了一次生命周期修正——到店超过 1000 天、售罄率低于基准，直接拉回滞销区。不是死套公式，有二次校正。这种「规则之上的判断」正是业务经验的体现：老手看一眼就知道这批货不对，但纯公式算出来可能会漏掉。
然后 Agent 停下来了。没有自作主张继续跑，而是问我们：下钻哪个品类？还是直接生成完整报告？这是 Skill 里设计的交互暂停点——关键决策节点，等人确认。
下钻：连衣裙怎么了
让它按品牌和季节拆连衣裙。6 个组合出来，4 个标了 P0 紧急清仓，2 个标了 P1 清尾：
最严重的：影儿时尚集团春季款，558 件，46.9 万，到店 1002 天——快三年了，零销售。光这一个组合就占了全盘库存的一半多。
这些判断怎么来的？Skill 里写了规则：到店超过 180 天且售罄率低于 5%，标紧急清仓。到店超过 1000 天零售罄，直接给最高优先级。领域知识变成了自动化判断。
行动方案
让它把所有品类分析完，出完整报告。打开 HTML 报告，最上面一排 KPI 卡片，五个里三个红色。一条红色预警横幅：连衣裙是最严重滞销品类；裤子上衣库存极低，需紧急补货。然后是四张行动摘要卡片——P0 紧急 12 项、P1 加速 6 项、健康 1 项。最后一张卡片：补货后预计可增加销售额 1500 到 2000 万。还没往下翻，光这一屏就把全局给你了。
再往下是行动计划表。19 个行动项：清什么、补什么、先干哪个、折扣多少、补多少件、什么时间复查。
注意补货表里的一个判断——裤子和上衣全是春季当季款，季节匹配绿色，优先补。如果断货的是反季品，优先级就会降低。该不该补、补多少、什么时候补，Skill 里的规则替你做了判断。
运营经理周一早上拿到这个，不需要再翻数据、做判断。从数据到决策，Agent 一步到位。
语义层、分析 Skill、策略 Skill 三层叠加，保障 Agent 从分析走到决策
四期下来，Agent 的角色变了三次：
第一期，初级分析师。装了 metric-query，它学会了查数；装了 metric-attribution，它学会了归因。
第二期，有语义层和没有语义层的对比实验。结论是：没有确定性的数据底座，后面的分析和决策都立不住。这一期没有升级角色，但回答了一个前置问题。
第三期，高阶分析师。装了 anomaly-detection、forecast-simulation、analysis-report，它学会了检测异常、预测趋势、量化风险、出完整报告。从「这是多少」到「这正不正常、会往哪走、风险多大」。
第四期，策略师。装了 inventory-strategy，它学会了分类、下判断、出行动方案。从「这里有风险」到「清这个、补那个、先干这件」。
抽象出来是三层结构：
语义层——确定性的数据底座。保证数据可信和可获得。
分析 Skill（能力层）——通用的分析方法论。放到库存能用，放到销售也能用。
策略 Skill（业务层）——领域专属的决策框架。除了库存，还可以被换成营销 ROI 的决策框架、门店绩效的评估模型、供应链的调拨逻辑。
三层叠加，Agent 从查数走到分析，从分析走到决策。
这个 Skill 很粗糙
说在前面：inventory-strategy 是我们模拟出来的。里面的售罄率基准 40%、库销比警戒线 0.5、P0 折扣 ≤5 折——这些阈值不是来自真实企业的运营数据，是我们根据行业通识设的。我们团队不是库存管理专家，这个 Skill 的决策质量也就是个入门水平。
但这恰恰是想说明的事：一个入门水平的策略 Skill，已经能跑出 19 个具体行动项、精确到 SKU 和折扣力度的方案。 如果是一个真正干了十年供应链的运营经理来写这个 Skill，把他公司真实的库销比警戒线、季节周期、渠道策略、踩过的坑全编码进去——跑出来的东西会是什么样？
Skill 能把决策天花板抬高，但抬多高，取决于写 Skill 的人有多深的业务功底。跟上期说的分析 Skill 一样——Agent 的上限，由你的专业知识决定。
从实验到产品
四期视频都是在小龙虾（OpenClaw）上做的实验。选小龙虾是因为它开源、门槛低，任何人都能复现我们的全部操作。
四期下来验证了三件事：语义层消除了口径歧义（第二期），Skill 让分析能力可积累（第三期），业务知识可以编码为决策框架（第四期）。底层数据确定性 + 中层分析方法论 + 上层业务判断力，这套三层架构跑通了。
验证完了，接下来是工程化。
Aloudata 自己的 Agent 产品也在大幅迭代中。方向是把这四期验证过的架构做到企业级——权限管控、多租户隔离、审计追溯、Skill 市场化管理、弱模型适配（不依赖最强模型也能稳定运行）。产品还在快速迭代中，细节后续会专门介绍。
可以先分享一点：我们在自己的产品上跑同样的场景，效果比小龙虾上的 Demo 好不少。小龙虾证明了这条路走得通，接下来我们要让它走得稳、走得远。
Agentic Analysis → Agentic Strategy → Agentic Action
最后说个还没实现的事。
今天 Agent 出的还是一张行动计划表。19 个行动项写得再具体，最后还是人去 ERP 里调价、下补货单、做调拨。
但如果 Agent 能通过 MCP/API 接口直接调下游系统呢？清仓折扣直接写入促销引擎，补货单直接推送到采购系统，调拨指令直接下发到仓储——人只需要做两件事：校准方向，确认执行。
四期实验验证了 Agentic Analysis 和 Agentic Strategy 的落地。Agentic Action 是下一步。
这不是科幻。这个系列里，语义层、Skill、Gateway API 都已经在跑了。差的只是最后一段——从决策到执行的接口打通。
语义层不只是数据分析的基础设施。它是 Agentic Analysis、Agentic Strategy、Agentic Action 整个闭环的基础设施。没有确定性的数据底座，分析是猜测，策略是赌博，执行是事故。
资源获取
inventory-strategy Skill：https://clawhub.ai/jackyujun/inventory-strategy
申请 Aloudata CAN Demo 环境 API Key：https://aloudata.com/consult?channel=195
Aloudata Agent 预约预览：https://aloudata.com/consult?channel=198
Topic Hub
AI 数据智能
