从捡漏到 AI 捡货：闪仓开发日志里的技术演进
去年夏天，一个老客户的错发率飙到 8%，我连夜翻代码，发现是拣货算法太死板。后来我花了三个月重构，把 AI 模块从规则引擎升级到深度学习。今天聊聊这段技术演进——不是炫技，全是踩坑后的真心话。
去年七月，一个合作了三年的老客户突然打电话来，语气里带着火气：“老王，你们系统最近怎么了？上周发错三单，昨天又错一单，客户直接投诉到工商了！”我打开后台一看，错发率从平时的 1% 飙到了 8%。当时我整个人都麻了——闪仓的 AI 拣货模块是我亲手写的，怎么会出这种问题？
TL;DR 去年夏天，我因为一个客户的错发率飙到 8% 而彻夜翻代码，发现原有的规则引擎根本扛不住 SKU 暴增和退货混放。我花了三个月，把拣货 AI 从规则引擎升级到深度学习，又加了退货预测模型。今天用这段技术演进故事，聊聊 AI 模块从“能用”到“好用”的坑和思考。
第一次翻车：规则引擎的“天花板”
那天晚上，我对着日志一行行查。客户仓库有 8000 个 SKU，旺季时拣货员每天要走两万步。我们的拣货算法用的是“最近优先”规则——按库位距离排序。听起来合理对吧？但现实是，A 类高频商品被分散在不同货架，拣货员经常来回跑，效率反而低了。更坑的是，有些商品长得像（比如不同批次的耳机），规则引擎根本分不清，导致错发。
加粗回答：规则引擎在 SKU 少、场景稳定时够用，但一旦商品种类翻倍、退货混入，它就变成“死脑筋”。
规则引擎的局限
我统计了一下，闪仓早期版本用了 12 条硬规则，比如“同品类放一区”“按重量排序”。但实际场景中，这些规则互相打架。比如一个订单里有易碎品和重物，按重量排序会把易碎品压在下面。后来我看了 Gartner 的供应链研究[1]，发现超过 60% 的 WMS 项目在 SKU 超过 5000 时都会遇到类似问题。
第一次尝试：加规则，结果更糟
我的第一反应是加规则——加了一条“易碎品优先”，又加了一条“按订单紧急度重排”。结果系统变慢了，拣货员抱怨“提示变来变去”。更惨的是，两周后错发率降到了 6%，但拣货效率下降了 15%。我意识到，规则越多，系统越僵化。
对比表格：规则引擎 vs. 机器学习（初次尝试）
| 维度 | 规则引擎（旧） | 机器学习（新） |
|---|---|---|
| 维护成本 | 每加一条规则需手动测试，耗时 2-3 天 | 模型自动学习，每周迭代一次 |
| 适应新 SKU | 需手动配置库位策略，平均 1 天 | 自动聚类分析，15 分钟完成 |
| 错发率 | 8%（旺季） | 1.2%（上线一个月后） |
| 拣货效率 | 120 件/小时 | 155 件/小时 |
第二幕：从“死脑筋”到“会学习”
痛定思痛，我决定用机器学习重写拣货模块。但问题来了：小仓库哪来的数据？闪仓当时只有 200 多个客户，每天几万条订单，不够训练一个像样的模型。我翻遍了 Mordor Intelligence 的仓储市场报告[2]，发现 70% 的中小企业 WMS 项目都卡在数据量上。
加粗回答：数据量不够，就用迁移学习+数据增强。我们从公开数据集补了 10 万条模拟订单，再用真实数据微调。
数据困境与破局
我花了两个周末，从 Kaggle 和国内物流平台扒了 8 万条公开订单数据，又用闪仓的历史数据（脱敏后）做了 2 万条增强样本。然后选了一个轻量级的 XGBoost 模型——训练快，部署简单。第一次跑通时，我盯着屏幕上的准确率 89% 发呆，心想：终于有救了。
上线后的“惊喜”
上线第一周，错发率降到 3%，效率提升 10%。但第三天，一个客户投诉说系统把“红色 M 码 T 恤”推荐成了“蓝色 L 码”——因为模型把颜色和尺寸的权重搞混了。我连夜加了特征工程，把颜色、尺寸、材质拆成独立特征。那次之后，准确率提到了 94%。
对比表格：旧模型 vs. 新模型（特征工程后）
| 维度 | 旧 XGBoost | 新 XGBoost（含特征工程） |
|---|---|---|
| 颜色识别准确率 | 82% | 97% |
| 尺寸匹配准确率 | 88% | 96% |
| 总错发率 | 3% | 1.2% |
| 推理时间 | 15ms/单 | 18ms/单 |
第三回合：退货预测，AI 的“第二只眼”
拣货问题刚稳住，退货又来了。一个做服装的客户，退货率高达 25%，每次退货都要人工重新质检、上架，成本高得吓人。我翻了 McKinsey 的运营洞察[3]，发现退货处理成本占订单成本的 15%-20%。于是我开始琢磨：能不能用 AI 预测哪些订单容易退货？
加粗回答：退货预测模型帮客户把退货率从 25% 降到 18%，每年节省 12 万人工成本。
模型是怎么练成的
我用了 6 个月的历史退货数据，特征包括：客户历史退货率、商品品类、季节、价格区间、促销活动。模型是 LightGBM，训练用了 2 天。上线后，系统会在拣货时给“高退货风险”订单加一个标签，提醒拣货员多检查一遍包装。结果退货率降了 7 个百分点。
小插曲：过拟合差点翻车
第一次训练完，模型在测试集上准确率 92%，我高兴坏了。结果上线一周，准确率掉到 60%。一查，原来模型把“促销活动”特征学死了——它认为“618 大促”的订单退货率一定高，但忽略了促销商品本身的质量。我赶紧加了时间衰减权重，才算稳住。
第四回合：多模态 AI 能做什么？
去年年底，我开始尝试多模态——让 AI 不光看文本数据，还看图片和语音。比如，拣货员用语音说“帮我找一下货架 A3 的蓝色杯子”，系统就能自动规划路径。再比如，退货质检时，AI 用摄像头拍一张照片，就能判断商品是否完好。
加粗回答：多模态让拣货效率再提 20%，退货质检时间缩短 60%。
语音拣货的坑
语音识别不难，难的是噪音。仓库里叉车声、对讲机声混在一起，准确率一度只有 70%。我试了三种降噪算法，最后用了百度 PaddleSpeech 的模型，配合定向麦克风，才提到 92%。
视觉质检的实战
视觉质检更复杂。我用了 YOLOv5 做商品检测，但不同批次的外包装颜色有差异，模型经常误判。后来加了数据增强（随机调色、旋转），才把误报率从 15% 降到 3%。现在一个退货包裹从入库到上架，只要 2 分钟。
总结
从规则引擎到多模态 AI，这段技术演进让我明白：AI 不是万能药，但用对了能救命。关键是别贪大求全，从小处入手——先解决一个具体痛点（比如错发），再逐步扩展。踩过的坑越多，系统越皮实。
要点回顾：
- 规则引擎适合小规模，SKU 超 5000 就得考虑升级
- 数据不够就迁移学习+数据增强，别硬上深度学习
- 退货预测能省成本，但要注意过拟合
- 多模态是未来，但先搞定噪音和光线问题
- 每个迭代都要 A/B 测试，别拿客户当小白鼠
参考来源
- Gartner 供应链研究 — 引用 Gartner 关于 WMS 项目在 SKU 超过 5000 时遇到问题的数据
- Mordor Intelligence 仓储管理系统市场报告 — 引用中小企业 WMS 项目数据量不足的统计
- McKinsey 运营洞察 — 引用退货处理成本占订单成本比例的数据