提案编号：______（本人不用填写，提交后由研究院统一编号）

集团公司 2026 年度技术创新
研发项目提案书

项目名称：面向 WCS/WMS 协同的多Agent AI智能体与Prompt自学习关键技术研发

提案完成人：

提案参与人：

一、立项背景与意义

集团公司 2026 年度技术创新研发项目征集明确鼓励围绕人工智能、机器人调度与算法、安全监控、绿色智能仓储物流等方向开展研发，重点支持能够解决现有产品与系统共性问题、支撑业务发展痛点、并具备前瞻性的技术创新项目。本提案与该方向高度一致，聚焦仓储物流场景中 WCS 与 WMS 协同效率、异常处置能力、控制安全性和产品智能化水平提升。

当前公司在 WCS/WMS 项目交付和运维过程中，已积累了大量业务规则、接口经验、异常处理经验和现场调试知识，但这些能力仍主要依赖人工经验、固定规则和分散文档，存在查询分析效率不高、跨系统协同不足、经验难沉淀、AI 控制边界不清晰等共性问题。

本项目拟在现有系统基础上构建可控、可审计、可复用的智能体平台：在业务层实现多智能体协同分析、建议和辅助决策，在执行层以 MCP 为标准化接入协议实现资源读取、工具调用与 Prompt 编排，在治理层引入 PromptOps、数字孪生仿真和全链路审计机制，逐步打通从“只读辅助”到“受控写入”再到“局部自动化”的能力演进路径。

项目的立项意义主要体现在四个方面：一是沉淀形成可复用的 AI 能力底座，提升公司产品竞争力和项目交付能力；二是把专家经验、SOP 和历史日志转化为系统化知识资产，降低人员依赖；三是在安全可控前提下提升计划生成、异常处置、报表生成和运维辅助效率；四是为后续机器人调度、安全监控、绿色智能仓储等场景提供可复制的共性技术资产。

二、项目目标与拟解决的关键问题

本项目拟在 12 个月内完成多Agent AI 智能体平台核心能力研发，并在 WCS/WMS 典型场景完成试点验证，形成“平台底座 + 安全治理 + 场景应用 + 评测体系”的完整能力闭环。

2.1 项目目标

2.2 拟解决的关键问题

三、初步技术思路或实施方案

3.1 总体技术路线

项目总体采用“多Agent协同 + PromptOps 持续优化 + MCP 可控集成 + 仿真审计安全闭环”的技术路线。系统分为交互与编排层、能力与知识层、集成与执行层、安全治理层四个层次。

（1）交互与编排层：由编排器协调场景路由 Agent、知识检索 Agent、计划分解 Agent、执行 Agent、安全审查 Agent 和 PromptOps Agent，统一接收业务请求并输出可解释结果。

（2）能力与知识层：建设 Prompt 模板库、知识库、评测集、日志反馈库和版本库，实现 Prompt 初始化、复盘、优化和灰度发布。

（3）集成与执行层：通过 MCP Server 对 WMS、WCS、日志系统、工单系统、仿真系统等进行标准化接入，统一封装 Resources、Tools 和 Prompts 能力。

（4）安全治理层：建立 OAuth Scope + ABAC 策略控制、数字孪生仿真、人工审批、操作审计、补偿回滚和异常熔断机制，保证 AI 应用范围可控、风险可追溯。

3.2 核心实施内容

（1）多Agent 协同能力研发：围绕 WCS/WMS 典型业务，研发场景路由、知识检索、计划分解、工具执行、安全审查和复盘优化等核心 Agent，使复杂任务从“单次问答”升级为“分工协作、逐步验证、结果可解释”的工作流。

（2）Prompt 模板体系与 PromptOps 建设：建设场景识别、业务策略、设备控制、异常诊断、报表复盘、安全合规等六类 Prompt 模板族；建立日志采集、样本沉淀、离线评测、候选 Prompt 生成、灰度发布和版本回滚机制，实现 Prompt 的持续优化。

（3）MCP 可控集成研发：对公司现有 WCS/WMS 的关键资源和工具进行封装，优先接入只读类数据，再逐步扩展到 dry-run 写入、工单生成、波次建议、异常处置建议等工具，最终形成统一的 AI 调用接口层。

（4）安全控制机制研发：对于涉及系统写入和控制的场景，强制引入最小权限、审批流、仿真先行、结果审计和补偿机制，避免 AI 直接对生产系统进行无约束操作。

（5）模型评测与部署策略研发：选取本地可部署模型与云端模型进行统一测试，形成适配 WCS/WMS 场景的模型选型策略，并根据时延、成本、风险等级实现混合路由。

3.3 阶段实施计划

3.4 首批落地场景

1. 波次/任务生成与下发建议：提升计划效率，先以 dry-run 方式验证。

2. 异常自诊断与应急处置建议：围绕告警、卡箱、停机、拥堵等问题输出处置建议和确认项。

3. 安全联锁与危险操作拦截：对高风险操作增加 AI 二次校验与拦截能力。

4. 工单、日报和复盘报告自动生成：降低人工文书成本，形成经验沉淀。

5. 培训与 SOP 智能问答：服务一线人员和实施人员的快速查询与学习。

3.5 可行性分析

公司现有 WCS/WMS 产品、接口体系和项目经验为本项目提供了良好的落地基础。项目初期以“只读辅助”和“dry-run 建议”为主，不改变现有核心控制逻辑，可在较低风险下快速验证价值；中后期再在审批、仿真和审计机制成熟的前提下推进受控写入和局部自动化。

四、预期成果与价值

4.1 预期成果形式

4.2 技术与业务价值

1. 提升产品智能化水平，通过把多Agent、PromptOps 和 MCP 集成到底层产品能力中，形成公司面向智能仓储项目的差异化竞争力。

2. 降低经验依赖与培训成本，把专家经验、SOP 和历史处置案例沉淀为可复用知识资产，降低新人培养成本和跨项目复制成本。

3. 强化安全可控能力，通过审批、仿真、审计和补偿机制，将 AI 从“不可控黑箱”转变为“边界清晰、过程可追溯”的工程能力。

4. 形成集团共性技术资产，项目成果可向机器人调度、安全监控、园区智能运维和绿色仓储等方向复制推广。

4.3 风险评估与应对

五、资源需求初步估算

5.1 所需工时天数估算

按项目建议周期 12 个月、月均 22 个工作日测算，1.0 FTE 约折算为 264 人天，以下为项目核心角色所需工时估算。

5.2 方案一：本地部署硬件成本明细

方案一仅统计本地模型部署所需的核心硬件成本，不含网络配套、供电保障、备份存储、基础部署、安全加固及预备费等扩展项，便于在提案中单独说明试点环境的最小投入规模。

5.3 方案二：主流云端 API 使用成本测算

方案二为兼顾复杂推理、低时延问答与外部模型能力补充，项目试点期建议预留主流云端大模型 API 预算。以下测算按 1 USD 约合 7.00 CNY 估算，且仅统计标准文本 Token 费用，不含联网搜索、代码执行、向量存储、工具调用等附加费用。

测算口径如下：

- 月请求量：20000 次

- 平均单次输入：8000 Tokens

- 平均单次输出：2000 Tokens

- 月输入总量：160000000 Tokens

- 月输出总量：40000000 Tokens

5.4 方案一与方案二优劣势分析

5.5 初期建议采用方案二的原因

综合项目当前处于 PoC 与试点验证阶段，建议项目初期优先采用方案二（云端 API）作为主方案。核心原因在于方案二无需一次性投入约 30.5 万元的本地硬件采购成本即可快速启动验证；按上表测算，云端 API 月度成本约为 840 元至 7000 元，即使按较高档模型全年测算约 8.4 万元，初期总体投入仍明显低于方案一。

此外，方案二可直接获得更强的通用模型能力和更快的版本迭代速度，减少服务器采购、部署、驱动适配和模型运维等前置工作，使研发资源集中投入到多Agent 编排、Prompt 自学习和 WCS/WMS 场景打磨中。待试点场景稳定、调用规模放大且数据本地化要求进一步明确后，再评估引入方案一或形成“云端 API 先行验证 + 本地部署按需落地”的混合路线。

5.6 周期计划

项目建议周期为 12 个月，按照“PoC 验证 -> Pilot 试点 -> Production 准生产验证”的方式推进。前 3 个月完成基础底座和首批场景验证；第 4 至 8 个月完成安全治理、PromptOps 和中风险场景试点；第 9 至 12 个月完成试点闭环、指标复盘和成果固化，确保项目在 1 年内形成可验收成果。