Agent规格说明书 · 第①张 · 共3张
A值校准 Agent
a-Value Calibration Agent
这个Agent存在的理由：心跳系统的所有计算——水位、推单、预警、薪酬——都以a值和r值为地基。地基不准，所有楼层全部失真。 这个Agent的职责是每周把这些噪音剔除，让r值永远反映真实动销速率。
⚠️ 如果这个Agent不存在： 无菜单推单会基于失真的r值推出错误的补货量。蝴蝶效应会把促销扰动误判为真实需求增长。一本账的薪酬计算会奖励了虚假动销。整个系统会在错误的地基上越建越高。
1 业务合约
这个Agent的输入承诺
SAP/汉询提供的原始销售数据（含促销标记、断货标记、竞品动态）
这个Agent的输出承诺
每个SKU×节点（经销商/门店）的经过验证的a值和r_target值 ，写入inf_node_targets，作为全系统的校准基准
这个Agent对谁负责
对蝴蝶效应Agent 负责（提供干净的基准值）· 对Omakase推单Agent 负责（提供准确的补货计算基础）· 对一本账 负责（确保薪酬计算不基于失真数据）
成功标准
校准后的r值与实际动销误差 <10% 。促销期结束后72小时内完成r值恢复。断货期间r值不被低估。
失败标准
连续两周校准误差 >20%，或未能识别断货假信号，触发人工审查并暂停自动校准
2 触发条件
定时
每周一 06:00 · 常规全量校准
对所有SKU×节点组合执行一次完整的三重验证校准。使用过去28天数据，剔除异常周。这是主校准窗口。
CRON: 0 6 * * MON · 覆盖范围: ALL SKU × ALL NODES
自动
促销结束后 T+1 · 扰动恢复校准
当蝴蝶效应Agent标记B类促销扰动结束后，自动触发受影响SKU×节点的r值恢复校准，防止促销虚高r值继续影响推单。
TRIGGER: inf_events.event_type = 'PROMO_END' → 72小时内完成
自动
断货恢复后 T+1 · 假信号清除
当库存从0恢复补货后，断货期间积累的低r值记录被标记为假信号，重新基于断货前数据推算真实r值。
TRIGGER: inf_heartbeat.inventory_units = 0 → 恢复补货后自动触发
手动
管理层发起 · 战略性重置
大促前后、新品上市、年级迁徙、重大市场变化时，管理层可发起全量或指定SKU的基准重置。需要填写重置原因，写入学习日志。
MANUAL: 需管理层 Level≥DOM 确认 · 原因必填
3 数据读取
数据源
表名
关键字段
用途
重要性
汉询/SFA
inf_heartbeat
r_actual, date, node_id, sku_id
过去28天每日实际动销率，计算基准r值
核心
SAP/SFA
inf_events
event_type, start_date, end_date, sku_id, node_id
识别促销期(PROMO)、断货期(STOCKOUT)、大促(CAMPAIGN)，剔除扰动数据
核心
SAP
inf_heartbeat
inventory_units, water_level
识别断货假信号。inventory=0的天不参与r值计算
核心
业务团队填报
inf_node_targets
r_target_manual, grade, last_calibrated
人工确认的目标r值，作为校准结果的对比基准
参考
Dcloud
inf_heartbeat
inflow_units, outflow_units
进出货量用于交叉验证r值，识别渠道压货（A类失真）
参考
目标规则引擎
inf_target_rules
rule_id, trigger_condition
判断是否有C类战略扰动（价格上调前压货等）影响r值
上下文
年级系统
inf_node_targets
grade, coeff
年级决定正常r值范围的预期区间，超出区间触发异常标记
上下文
4 决策逻辑 · 三重验证
1
收集原始数据 · 28天滚动窗口
从inf_heartbeat取过去28天的r_actual序列。这是28个数据点，每天一个r值。
raw_r_series = [r_day1, r_day2, ... r_day28]
覆盖范围: 每个 SKU × NODE 组合独立计算
2
剔除噪音数据点
从28天数据中，剔除以下三类不代表真实需求的天：
剔除①
断货天（inventory=0）→ 这天的低r值是假信号，不代表需求下降
剔除②
促销期（event_type=PROMO）→ 这天的高r值包含促销拉动，会高估真实r
剔除③
战略扰动期（event_type=STRATEGIC）→ 涨价前压货、年级迁徙过渡期
clean_r_series = raw_r_series
.filter(day => inventory[day] > 0) // 剔除断货
.filter(day => !isPromo[day]) // 剔除促销
.filter(day => !isStrategic[day]) // 剔除战略扰动
最少需要 14 个有效数据点，否则标记「数据不足」
3
三重验证计算新r值
三种方法独立计算，结果接近则采用，结果分歧则标记人工审查：
方法A（主）：clean_r_series 去除最高10%和最低10%后取均值
方法B（交叉）：outflow_units / T （出货量反推）
方法C（对比）：同品牌同年级其他节点的r值均值
一致性判断：
三者误差 < 15% → 取方法A结果，置信度 HIGH
最大误差 15-25% → 取三者中位数，置信度 MED，标记复核
最大误差 > 25% → 暂停校准，触发人工审查，置信度 LOW
4
季节性调整
对比去年同期数据，识别季节性系数。如果当前月份历史上比年均高20%，则r_base相应调整。
seasonal_coeff = avg_r_same_month_last_year / avg_r_annual_last_year
r_calibrated = r_base × seasonal_coeff
当前限制：首年无历史数据，seasonal_coeff = 1.0（不调整）
第二年起自动启用
5
输出决策
将校准结果与现有r_target对比，决定是否更新：
自动更新
置信度 HIGH + 新r值与旧r_target差异 <20% → 直接写入inf_node_targets，发送通知
建议更新
置信度 MED 或差异 20-50% → 生成调整建议卡，推送给DOM，等待确认
暂停+预警
置信度 LOW 或差异 >50% → 暂停本轮校准，触发数据质量预警，推送给系统管理员
5 输出规格
🗄️
写入数据库
inf_node_targets
将校准后的r_calibrated值写入inf_node_targets.r_target字段，同时记录校准时间、置信度、使用的数据点数量。
UPDATE inf_node_targets SET
r_target = 4.82,
confidence = 'HIGH',
calibrated_at = '2026-04-14 06:12:33',
data_points_used = 19,
clean_days = 19,
excluded_days = 9, -- 4断货+5促销
calibration_note = '剔除618促销5天+断货4天，基于19个有效数据点'
WHERE node_id = 'STORE-BC-DL' AND sku_id = 'ZR5'
📱
企微推送 · DOM确认
企业微信
置信度MED或差异较大时，推送调整建议给DOM，24小时内确认，超时视为同意。
【A值校准建议】浦东区 · 遵循自然500ml
──────────────────────
旧r值：5.5件/天（上次校准：3月10日）
新r值：4.8件/天（↓12.7%）
原因：剔除促销扰动后，真实动销低于目标
置信度：MED（建议复核）
影响：补货量将减少约14%
[确认调整] [暂不调整] [我有其他信息]
──────────────────────
24小时内未回复 = 默认确认
📋
校准报告 · 每周一
INFINITY OS界面
每周生成全量校准报告，显示哪些节点r值有显著变化、哪些数据质量不足、哪些需要人工关注。
本周校准摘要 2026-W15
──────────────────────
自动完成：48个节点 · 平均置信度 HIGH
待人工确认：6个节点（差异>20%）
数据质量问题：2个节点（有效数据点<14天）
最大变化：宝山·遵循自然500ml r值↓18%
→ 建议检查竞品动态
🔗
触发下游Agent
内部事件总线
校准完成后，向inf_events写入CALIBRATION_COMPLETE事件，触发蝴蝶效应Agent重新计算水位，触发Omakase Agent更新推单队列。
INSERT INTO inf_events VALUES (
'CALIBRATION_COMPLETE',
affected_nodes: ['STORE-BC-DL', 'STORE-HP-1', ...],
timestamp: NOW(),
trigger_downstream: ['BUTTERFLY_AGENT', 'OMAKASE_AGENT']
)
6 自主边界 · 什么可以自动，什么必须人工
+ 依赖关系
这个Agent需要什么、给什么：
⚠️ 需要：汉询r_actual数据管道上线
⚠️ 需要：inf_events事件表建立
⚠️ 需要：业务团队填写inf_node_targets初始r_target
✅ 输出给：蝴蝶效应Agent
✅ 输出给：Omakase推单Agent
✅ 输出给：一本账薪酬计算
📊 使用：目标规则引擎（战略扰动识别）
+ 核心SQL · Java团队实现参考
-- ① 取某节点某SKU过去28天干净数据
SELECT
h.date,
h.r_actual,
h.inventory_units,
e.event_type
FROM inf_heartbeat h
LEFT JOIN inf_events e
ON h.node_id = e.node_id
AND h.sku_id = e.sku_id
AND h.date BETWEEN e.start_date AND e.end_date
WHERE h.node_id = ?
AND h.sku_id = ?
AND h.date >= DATE_SUB(NOW(), INTERVAL 28 DAY)
ORDER BY h.date;
-- ② 过滤干净数据点（Java层处理）
-- 剔除条件：inventory=0 OR event_type IN ('PROMO','STRATEGIC','STOCKOUT')
-- ③ 计算校准r值并写回
UPDATE inf_node_targets SET
r_target = ?, -- 校准结果
confidence = ?, -- HIGH/MED/LOW
calibrated_at = NOW(),
data_points_used = ?,
calibration_note = ?
WHERE node_id = ? AND sku_id = ?;
-- ④ 写入学习日志
INSERT INTO inf_learning_log (
adjustment_id, decision_type, context_snapshot,
override_reason, created_at
) VALUES (?, 'approved', ?, NULL, NOW());
🎯 A值校准 Agent · 问答
数据断了怎么办
促销后r值恢复
持续下降怎么判断
和蝴蝶效应的边界
你好，我是A值校准 Agent 规格说明书。问我任何关于这个Agent的设计逻辑、边界、实现细节。
↑
第①张规格说明书完成
下一张：🦋 蝴蝶效应 Agent
依赖A值校准的干净基准值 · 全链失真检测 · A/B/C/D四类模式