ScoAI：面向供应链的运筹原生决策智能
内容提要
论文主张供应链AI应以决策为中心，提出“运筹原生”框架ScoAI：由业务界定决策情境，运筹学显式表达目标与约束，AI提供可复用的估计与判断。库存守恒、仓容箱规等须显式计算，需求交期等由数据学习。决策误差分为候选缺失、价值误判和搜索不足三类。系统应保存规则版本、候选方案与实际执行记录，以支持校验与归因。
延伸解读
运筹原生不是加个求解器
论文强调，OR-native 要求业务目标、可选行动、不确定因素、决策时可获得的信息和执行反馈都以明确形式进入模型或智能体接口，而非仅在系统里接入一个求解器。这样模型输出才能直接服务于后续计算，业务规则变化时也能定位应调整的环节。对库存系统而言，库存守恒无需学习，仓容、箱规和服务水平需显式表达并版本管理，需求、交期等才交给数据估计。
决策误差要分三类诊断
论文将决策误差分解为候选缺失、价值误判和搜索不足三类。提高求解能力只能改善搜索质量，无法补充缺失的候选方案，也不能修正错误的价值评估。这为策略表现下降提供了更细的排查路径：先看候选集合是否包含优质方案，再查候选价值排序是否准确，最后检查搜索是否充分。许多被笼统归因于“模型漂移”的问题，实际可能发生在决策链路的不同环节。
规则变化应更新约束而非重训模型
论文用门店发货上限从4调整为2的算例说明，旧方案即使模型评分仍高，也已不在新可行域内。此时需求估计与库存守恒关系未变，变化的是允许行动的范围，正确做法是更新约束并重新求解，而非优先重新训练预测模型。整箱约束同理，直接对单件方案取整可能违反需求或库存约束，更可靠的是将箱规写入联合决策模型重新计算。
执行记录决定能否准确归因
论文主张系统应分别保存模型或规划器提出的方案、审批结果与实际执行动作，并以实际动作而非原始计划更新业务状态。仅保存输入和最终结果不足以支持归因，还需关联决策时采用的规则版本、候选方案、系统建议、审批结果、实际执行及后续观测，才能区分模型、求解器、人工干预与执行偏差各自的影响。评价也不应只看预测精度和调用成本，而应考察决策质量、硬约束满足、任务覆盖与端到端总成本。
Q&A
ScoAI框架中的“运筹原生”具体指什么？
运筹原生（OR-native）要求业务目标、可选行动、不确定因素、决策时可获得的信息和执行反馈均以明确形式进入模型或智能体接口，而不仅仅是接入一个求解器。这样模型输出能直接服务于后续计算，业务规则变化时也能识别应调整的环节。
在供应链决策中，哪些内容应该显式计算，哪些适合用数据学习？
库存守恒、仓容、箱规、服务水平要求等确定性业务关系和运营规则必须显式表达和版本管理；需求、交期、替代关系和供应商响应等具有不确定性的内容适合依据数据估计。论文将这种结合称为数据—机制融合。
ScoAI将决策误差分为哪几类？各自对应什么改进方向？
分为三类：优质方案未进入候选集合、模型未能正确比较候选方案的业务价值、有限计算预算下搜索不充分。提高求解能力只能改善搜索质量，无法补充缺失候选或修正错误价值评估，因此不同误差需对应不同改进路径。
ScoAI提出的智能体架构中，基础模型、求解器和业务系统各自负责什么？
基础模型适合理解文本、估计需求与交期、提出候选方案；确定性的日期计算、库存守恒、整箱约束、仓容限制和共享资源协调由程序与求解器负责；权限校验、资源预占和业务提交由业务系统管理。模型置信度本身不能构成执行许可。
为什么系统需要保存规则版本、候选方案和实际执行记录？
仅保存输入和最终结果不足以准确归因。需关联决策时采用的规则版本、候选方案、系统建议、审批结果、实际执行及后续观测，才能区分模型、求解器、人工干预与执行偏差各自的影响，并支持校验与归因。
当门店发货上限从4调整为2时，ScoAI建议如何处理？
应更新约束并重新求解，而非优先重新训练预测模型。因为需求估计与库存守恒关系未变，变化的是允许采取的行动范围，旧方案即使模型评分高也已不在新可行域内。
ScoAI对通用模型在供应链任务中的适用性有什么看法？
通用模型并非适用于所有供应链任务。对于规则稳定、边界清晰的补货场景，成熟专用运筹流程通常更可靠经济；当同一组理解、估计或建模能力可服务多类相关决策时，可复用模型才更可能体现优势，其价值应以决策有效性、任务覆盖率和整体成本评价。
