多智能体仓库 AI 命令层实现卓越运营和供应链智能

仓库的自动化程度从未如此之高，数据也从未如此丰富，运营要求同样日益提升，但许多仓库仍依赖于无法跟上需求的系统。吞吐量持续攀升，服务水平协议不断缩短，AMR、传送带和传感器的数量逐年增加。然而，在这一技术表象之下，大多数站点依然依赖于三个熟悉的系统：仓库管理系统（WMS）、若干控制面板以及现有的机构知识。

主管需要管理超过 12 类设备、数千个轮班任务，以及持续不断的遥测数据，却缺乏统一的智能系统来解读这些信息或指导下一步行动。

本文将介绍适用于缺失层的 NVIDIA 多智能体智能仓库 (MAIW) blueprint。这一与 NVIDIA 保持一致的开源 AI 命令层位于 WMS、企业资源规划 (ERP) 和物联网基础设施之上，能够将分散的数据转化为实时且可操作的运营智能。

问题：仓库没有“大脑”

尽管在 WMS 和 ERP 系统、自动化车队、安全硬件、RFID、扫描仪、摄像头、仪表板和 BI 工具方面进行了多年投资，许多仓库依然缺少一项关键功能：一个能够在所有仓库环境中进行推理的系统。

运营知识仍然分散。SOP、SDS 表、LOTO 程序和 OEM 手册存放在密集的 PDF 文件中。WMS、ERP、LMS、维护和事件系统各自包含不同的部分。来自 PLC、AMR、IoT 传感器和充电站的遥测数据持续串流，但彼此之间缺乏连接。此外，个人往往保留着极具价值的见解，例如笔记、上下文信息及其他机构知识。

在日常工作中，这种碎片化会引发摩擦；而在达到峰值负荷、设备故障或发生安全事件时，问题则会演变为严重的责任风险。维护团队在遥测数据不完整的情况下艰难排查故障，主管在分配任务时缺乏对人员配置、设备状态和工作负载的统一掌握。安全警报被忽视，事故报告不充分，操作规程深埋于PDF文件中，无人有时间仔细查阅。

其结果是可以预测的：停机时间延长、任务分配效率低下、问题解决迟缓、存在安全漏洞，以及自动化系统作为孤立的孤岛运行，而非协调的整体，导致成本高昂。

仓库不需要更多的仪表板，而是需要一个实时决策层，能够理解自然语言问题，从数据和文档中提取证据，协调专业代理，提出合理的行动建议，并在严格的安全与合规框架下运行。这正是 AI 命令层的作用。

解决方案：AI 命令层

多智能体智能仓库为现代仓库运营提供统一的 AI 指挥层，将分散的系统、文档和遥测数据转化为实时且可操作的智能信息。通过在设备运维、人员协同、安全保障、预测分析和文档智能等环节协调专用的 AI 智能体，该平台助力仓库实现从被动管理向主动化、自适应决策的转变。

• 统一的仓库智能：将 WMS、ERP、物联网、文档和遥测数据整合至单一 AI 驱动的操作视图中。
• 更快、可解释的决策：多智能体 AI 提供基于证据的实时建议，助力运营人员建立信任。
• 提升吞吐量，降低停机时间：主动优化人力、设备与维护策略，减少运营中断。
• 更安全、更合规的操作：持续监控事件、标准作业程序及环境信号，强化安全响应能力。
• 物理 AI 的基础：推动仓库运营从被动响应向感知驱动的自主化模式演进。

设计目标：为整个仓库提供人工智能助手

MAIW 背后的目标是构建具备以下特性的生产级参考系统：

• 演示 NVIDIA AI 堆栈（包括 NVIDIA NIM、NVIDIA NeMo、NVIDIA cuML、和 NVIDIA cuVS）如何为运营助理提供支持。
• 构建适配仓库角色的多智能体架构：设备、运营、安全、预测与文档处理。
• 将检索增强生成（RAG）、预测能力与文档 AI 融合至统一工作流中。
• 集成完善的安全机制、实时监控与防护措施，超越原型级聊天机器人。
• 采用开源设计并具备良好扩展性，便于客户与合作伙伴根据实际环境灵活调整。

MAIW 是一个集 API、UI、智能体、连接器、可观察性及部署资产于一体的完整系统。

MAIW 核心技术堆栈

MAIW 在 NVIDIA AI Enterprise 平台上构建端到端系统。该系统由 NVIDIA AI Enterprise 应用提供全面支持，将高级语言模型、快速检索、文档智能与 GPU 加速分析整合到一个高度集成的架构中。

在推理层，LLM NIM 驱动助手的智能：Llama 3.3 Nemotron Super 49B 负责处理复杂的操作决策，NVIDIA Nemotron Nano 12B v2 VL 则增强了对文档和图像的视觉语言理解能力。输出结果依托于基于 Llama Nemotron Embed QA 1B 构建的高性能检索层，并结合 Milvus 与 cuVS 实现快速的 GPU 加速向量搜索。

对于文档，精简的 NeMo Retriever 工作流通过执行 OCR、归一化、提取、验证和索引，将 PDF、图像以及多页的 BOL 或发票转换为系统可推理的结构化数据。

所有数据均通过混合式 RAG 架构流动。结构化遥测数据存储在 PostgreSQL/TimescaleDB 中，非结构化内容则通过向量搜索进行处理，混合路由器为每次查询选择最优策略。Redis 缓存可实现每秒持续响应。

预测由 NVIDIA cuML-加速的六个模型集成提供支持，通过 Optuna 进行调优，实现了较强的性能（准确率约为 82%，MAPE 为 15.8%）。

全部封装于生产级应用堆栈中：

• FastAPI 后端
• React 前端
• 完整的 Prometheus 与 Grafana 可观察性体系
• NVIDIA NeMo Guardrails 确保所有交互安全合规

多智能体智能层的思考与运作方式

MAIW 并非单一助手，而是一个由专业 AI 智能体组成的协同团队，每个智能体均经过训练，可负责仓库运营的不同环节。LangGraph 用于编排它们的协作方式，而模型上下文协议 (MCP) 则為其提供共享层，支持工具调用、访问外部系统以及实时数据获取。

用户的查询会依次经过护栏、意图路由、内存查找、检索以及工具执行，最终返回安全且有依据的答案。图 2 所示的完整工作流程展示了这些组件如何协同工作。

MAIW 核心 AI 服务

MAIW 核心 AI 服务涵盖智能文档处理、安全性、可靠性及可观察性。

智能文档处理

智能文档处理流程结合 NVIDIA NIM、多模态基础模型以及基于质量的编排机制，实现大规模的企业级高精度处理。首先利用 NeMo Retriever 进行文档提取与预处理，随后通过 NeMoRetriever-OCR 与 Nemotron Parse，结合智能 OCR 与布局分析技术，生成结构化的高保真表示。小型视觉语言模型（Nemotron Nano 12B VL）进一步执行基于视觉的字段提取与文档分类任务，并将结果后处理为符合预定义模式的 JSON 格式。

使用 NeMo Retriever 嵌入模型生成的嵌入在 Milvus 中进行索引，以支持语义搜索及后续的 RAG 应用。针对高价值或低置信度的案例，大语言模型（LLM）评审模块将评估其一致性、准确性和完整性，并对信息提取质量进行评分。随后，智能路由层会自动判断文档应被直接接受、标记为快速审核、转交专家审查或拒绝并进入后处理流程，从而在保障准确性和响应速度的同时优化成本，并通过持续的反馈机制推动系统不断改进。

此反馈回路基于 LLM 评委和智能路由阶段构建。在小型视觉语言模型完成初步提取后，LLM 评委会对每份文档的一致性、完整性和置信度进行评估，生成评分结果及高质量的解释。这些评分将驱动路由引擎，决定文档是被自动接受、送至轻量级人工审核、升级至专家审核，还是被拒绝并进入后处理流程。

当文档通过自动更正或人工审阅进行修正时，经过验证的输出会作为标准化和评分的元数据反馈至系统，进而更新文档存储、嵌入索引和质量信号。对于低置信度或被拒绝的文档，则会重新路由至早期阶段（如 OCR、布局提取或小型 LLM 处理），实现有针对性的后处理，而非重新执行完整的工作流。随着时间推移，这一闭环流程持续提升提取准确性、路由决策、提示策略及模型选择策略，使系统能够动态适应变化，同时在大规模场景下降低整体成本与延迟。

安全性和可观察性

AI 命令层只有在操作员信任的前提下才能运作。MAIW 正是基于这一原则构建的。

使用 NeMo Guardrails 保障每次交互的安全

NeMo Guardrails 的实现采用两种方法：基于模式的后备用于提升可靠性，以及用于可编程护栏的 NeMo Guardrails 库（v0.19.0）。

GuardrailsService (src/api/services/guardrails/guardrails_service.py) 通过 USE_NEMO_GUARDRAILS_SDK 环境变量实现选择，并在库不可用时自动回退。

启用库模式后，NeMoGuardrailsSDKService 包装器会从 Colang 配置 (data/config/guardrails/rails.co) 中初始化 LLMRails，该配置定义了五个类别的 88 种保护模式：越狱检测（17 种模式）、安全违规（13 种模式）、权限滥用（15 种模式）、合规违规（12 种模式）和离题查询（13 种模式）。

该库使用 NVIDIA NIM 端点 (configured in data/config/guardrails/config.yml) 和兼容 OpenAI 的模型，并通过调用 rails.generate_async 并检测拒绝响应来执行输入安全检查：

# SDK Input Safety Check
result = await self.rails.generate_async(
    messages=[{"role": "user", "content": user_input}]
)
is_safe = not self._is_refusal_response(result.content)

安全模型：按设计控制访问

JSON Web Tokens (JWT) 实现 (src/api/services/auth/jwt_handler.py) 通过 HS256 算法提供无状态身份验证，其中包含用户身份与角色信息，并支持密钥强度校验（至少 32 字节），以应对 CVE-2025-45768。该机制结合 CurrentUser 上下文类与 FastAPI 依赖注入，实现基于角色的访问控制 (RBAC)。Token 经验证签名、有效期及类型后被解码，以提取用户角色与权限。

系统将精细权限（INVENTORY_WRITE、OPERATIONS_ASSIGN、SAFETY_APPROVE 等）映射到五个角色级别（ADMIN、MANAGER、SUPERVISOR、OPERATOR、VIEWER），并通过 require_permission 与 require_role 依赖项实现声明式端点保护：

# JWT token with role → RBAC enforcement
user_data = {"sub": str(user.id), "role": user.role.value}
access_token = jwt_handler.create_access_token(user_data)

@router.get("/admin/endpoint")
async def admin_endpoint(user: CurrentUser = Depends(require_admin)):
    # Only SYSTEM_ADMIN permission holders can access

可观察性：MAIW 作为关键的生产基础设施

Prometheus 和 Grafana 可实时洞察系统行为：API 延迟、向量搜索性能、缓存效率、智能体响应时间、预测准确性，乃至设备遥测。通过像分析任何关键仓库服务一样对待 MAIW，SRE 和运营团队能够可靠地监控、调试并持续优化 AI 层。

启动多智能体智能仓库系统

有两种方法可以开始使用 MAIW：

• 创建 Brev 实例
• 访问 GitHub 代码库 NVIDIA-AI-Blueprints/Multi-Agent-Intelligent-Warehouse

GitHub 存储库的结构是一个完整且可运行的参考实现：

• 后端：FastAPI 服务、检索堆栈、内存、适配器、护栏
• 前端：集成聊天、预测与监控视图的 React 控制面板
• 基础架构：Docker Compose、Helm Chart 及配置脚本
• 数据与脚本：SQL 模式、演示数据、预测工作流、文档处理流程
• 文档：架构说明、MCP 集成详情、预测功能文档、部署指南、PRD

以下是典型的本地设置：

git clone https://github.com/T-DevH/Multi-Agent-Intelligent-Warehouse.git
cd Multi-Agent-Intelligent-Warehouse

# Environment and infrastructure
./scripts/setup/check_node_version.sh
./scripts/setup/setup_environment.sh
cp .env.example deploy/compose/.env
./scripts/setup/dev_up.sh

# Initialize database & demo data
source env/bin/activate
python scripts/setup/create_default_users.py
python scripts/data/quick_demo_data.py
python scripts/data/generate_historical_demand.py

# Start services
./scripts/start_server.sh          # API (http://localhost:8001)
cd src/ui/web && npm install && npm start   # Frontend (http://localhost:3001)

将仓库复杂性转化为可控性

供应链变得更加不稳定、自动化程度更高且数据更加丰富，而仓库是供应链的关键组成部分。当前的堆栈（WMS、仪表板和人工干预）无法持续扩展。

AI 命令层提供前行路径，包括：

• 一个支持跨系统推理的可操作“大脑”
• 具备可解释性的推荐，而非不透明的启发式方法
• 实现更快的事件响应速度与更充分的证据支持
• 通过规范化的防护机制保障更安全的操作
• 更高效地利用现有的自动化与数据投资

多智能体智能仓库是该命令层的一种高效开源实现，基于 NVIDIA AI 平台构建，并与更广泛的 NVIDIA blueprint 策略保持一致。

如果仓库已处于复杂程度的临界状态，MAIW 将展示如何将其从被动的管理困境，转变为更为主动、数据驱动且由 AI 辅助的运营模式。

详细了解多智能体智能仓库系统。