11-19 更新 实时
首页/ 技术栈/ 正文

在亚马逊云科技中国区构建基于 AgentCore 和 Chronos-2 的智能补货预测方案

技术栈 来源:AWS 中国博客 2026-11-19 16:55 0 阅读 自动采集
在亚马逊云科技中国区构建基于 AgentCore 和 Chronos-2 的智能补货预测方案

摘要:本文以门店补货为例,介绍如何在亚马逊云科技中国区域结合 Amazon Bedrock AgentCore 和 Chronos-2,构建销量预测与补货方案。文章说明如何利用历史销量、促销和天气等因素预测需求,并结合库存、在途商品和箱规计算补货建议,同时通过合成数据展示预测和计算过程。


一、门店补货需要考虑哪些变化

门店订货时,运营人员通常会先估计商品在未来一段时间的销量,再结合库存、到货周期和箱规确定订货量。历史销量可以作为参考,但遇到节假日、促销或天气变化时,需求往往与平时不同。

例如,未来一周有节假日或促销活动,单纯使用历史平均销量可能难以反映需求变化。如果在预测中加入日历、促销计划、价格和天气等信息,再结合库存和订货规则,就能为门店人员提供更有针对性的参考。

本文以门店补货为例,介绍如何使用 Amazon Bedrock AgentCore 托管 Chronos-2 预测服务和补货助手,完成销量预测与补货计算。AgentCore 已在亚马逊云科技中国(北京)和中国(宁夏)区域上线,提供 Runtime、Identity、Gateway、Browser、Code Interpreter 和 Observability 等组件。

二、预测服务与补货助手如何协作

假设运营人员提出问题:“某门店某商品未来一周预计卖多少,需要订几箱?”补货助手识别出门店、商品和预测周期后,获取历史销量及可用的业务因素,调用 Chronos-2 预测销量;再结合库存、在途商品、到货周期和箱规,计算建议订货量。

[图 1:销量预测与补货建议流程示意]

下面通过一个简化算例说明补货计算。假设某覆盖期的预测需求为 42 件,可用库存为 10 件,另有 8 件在途商品可在覆盖期内到货,箱规为每箱 6 件,且不考虑其他约束。扣除可用库存和在途商品后,需求缺口为 42 − 10 − 8 = 24 件,按箱规计算为 24 ÷ 6 = 4 箱。如果缺口不能被箱规整除,需要向上取整;如果库存和在途商品已覆盖需求,则无需补货。

这个算例省略了部分业务约束。实际订货时,还需要考虑到货时间、起订量和临期库存,避免重复计算库存与在途商品。

图 2 展示了预测服务和补货助手的部署及调用关系:

[图 2:方案核心调用路径示意]

历史销售数据存放在 Amazon Simple Storage Service(Amazon S3)中,补货助手读取数据后,按门店和商品构造预测输入。预测服务接收历史销量和协变量,返回未来每日预测;助手则负责理解问题、组织输入、调用工具并解释结果。第三方模型和天气服务由外部提供。

除了由补货助手调用,预测服务也可供具备相应接入能力和调用权限的 MCP 客户端使用。

三、Chronos-2 如何使用业务因素预测销量

3.1 为什么选择 Chronos-2

Chronos-2 是 Amazon 开源的时间序列基础模型,可以在不针对单条商品销量序列训练模型的情况下进行零样本预测。除了历史销量,模型还支持输入数值型和类别型协变量。

因此,同一个预测服务可以处理不同门店、商品的历史销量,并根据可用数据加入星期、节假日、价格、促销和天气等因素。

3.2 历史数据与未来协变量如何对齐

在销量预测中,历史销量是模型的目标序列。对于预测时段,只能提供当时已经掌握的信息,例如日历、已批准的促销计划和天气预报。下表列出了这些数据在历史窗口和预测窗口中的对应关系:

输入 历史窗口 预测窗口 需要注意
销量 门店与商品的历史销量 未知,作为预测目标 缺货、退货和异常值会影响观察到的销量
节假日、星期 实际日历 已知日历 与销售日期对齐
促销、价格 已发生的记录 已批准的计划或明确假设 计划变更时重新预测
天气 历史观测或记录 预测时可取得的天气预报 预报本身存在误差
商品有效期 商品主数据 不作为本示例预测输入 本示例用于补货约束

补货助手将历史销量及对应时段的业务因素、预测时已知的未来因素提交给预测服务,由 Chronos-2 生成未来各天的销量预测和预测区间。本文使用 Open-Meteo 获取天气预报,促销信息优先采用已确认的活动计划。

四、AgentCore 如何承载预测与补货

4.1 Runtime:分别托管预测服务和 Agent

Amazon Bedrock AgentCore Runtime 为 Agent 和工具提供托管运行环境。预测服务和补货助手分别运行在两个 Amazon Bedrock AgentCore Runtime 中。预测服务将 Chronos-2 和模型权重放入容器,使用 CPU 推理,并通过模型上下文协议(Model Context Protocol,MCP)提供 forecast、batch_forecast 和 forecast_with_covariates 等工具。

补货助手接收自然语言问题,调用取数工具获取数据,再使用 IAM 签名访问预测服务。将预测服务独立部署后,Agent、具备相应权限的 MCP 客户端和批量脚本都可以复用同一套接口。

预测容器从本地加载模型权重,并在服务启动后于后台预读权重、执行预热,以减少首次推理的等待时间。

以下代码展示预测服务的初始化过程。MODEL_DIR 指向容器内的模型目录,模型加载到 CPU 后,服务通过 MCP 的 streamable HTTP 方式运行,供具备权限的调用方使用。

from chronos import Chronos2Pipeline
from mcp.server.fastmcp import FastMCP
import torch
pipeline = Chronos2Pipeline.from_pretrained(
    MODEL_DIR, device_map="cpu", dtype=torch.float32
)
mcp = FastMCP(
    "chronos2-forecast", host="0.0.0.0", port=8000,
    stateless_http=True, json_response=True
)
# 注册预测工具后启动服务
mcp.run(transport="streamable-http")

上述片段展示模型加载和 MCP 服务启动,省略了模型路径配置、工具注册和预热等内容。补货助手通过 HTTP 协议运行在另一个 Runtime 中。

4.2 Identity:管理第三方模型凭证

Amazon Bedrock AgentCore Identity 帮助管理 Agent 访问资源和第三方服务所需的身份与凭证。测试中的补货助手使用兼容 OpenAI 接口的第三方模型服务。运行时,Agent 通过 Amazon Bedrock AgentCore Identity 的 API Key credential provider 获取凭证,再调用模型服务;本地调试时,代码也支持通过环境变量提供凭证。

图 3 展示了业务入口、Agent Runtime 和第三方模型服务之间的调用过程。业务入口使用 IAM 签名调用 Agent Runtime,并传入 runtimeUserId;Agent 通过 Identity 获取模型 API Key 后,访问第三方模型服务。

[图 3:Agent Runtime 入站调用与第三方模型凭证获取流程示意]

在这一过程中,IAM 签名控制调用方对 Runtime 的访问,Identity 帮助 Agent 获取第三方模型凭证。调用方身份和 Runtime 执行角色分别授权:前者决定谁可以调用 Agent,后者决定 Agent 运行时可以访问哪些资源。业务用户是否有权查询某个门店或商品,还需要由业务入口完成认证和授权,不能仅依赖模型 API Key 或 runtimeUserId。

以下代码通过预先创建的 API Key credential provider 获取凭证。其中,API_KEY_PROVIDER 是提供方的配置名称,并非密钥值;代码不会写入或输出密钥。

from bedrock_agentcore.identity.auth import requires_api_key
@requires_api_key(provider_name=API_KEY_PROVIDER)
def _fetch(*, api_key: str) -> str:
    return api_key
key = _fetch()

上述代码省略了本地调试分支和模型客户端初始化。使用前,需要先创建 credential provider,并为 Runtime 执行角色授予获取凭证所需的权限。

4.3 Code Interpreter:按需计算与绘图

Amazon Bedrock AgentCore Code Interpreter 提供隔离的代码执行环境,Agent 可以调用它进行计算或生成图表。以门店补货计算为例,应用结合预测销量、库存和在途商品计算需求缺口,再根据箱规和起订量给出建议。所需的商品和库存信息可以从商品主数据及库存快照中获取,也可以由用户提供。

对于额外的数值计算或历史销量与预测区间图,Agent 可以按需调用 Code Interpreter。生成的图表保存到 S3,图表位置再返回给调用方。

以下代码展示如何启动会话并执行 Python 代码:

from bedrock_agentcore.tools.code_interpreter_client import CodeInterpreter
ci = CodeInterpreter(region=REGION)
ci.start(session_timeout_seconds=900)
response = ci.invoke(
    "executeCode", {"code": code, "language": "python"}
)

示例应用按需启动并复用 Code Interpreter 会话,并处理代码执行结果。

图 4 展示了一次使用合成数据的补货计算。用户提供预测需求、库存、在途数量和箱规后,助手调用应用中定义的 run_python 工具,通过 Code Interpreter 完成计算,得到建议订货量 4 箱,并给出计算依据。这里的需求量由用户提供,并非 Chronos-2 的预测结果。

[图 4:使用合成数据的补货计算示例]

补货规则需要由业务方确认。示例按商品保质期选择预测分位数:短保商品使用每日 P50,长保商品使用每日 P90。这一规则仅用于演示,且每日 P90 之和不能直接视为整个覆盖期需求的 P90。测试中部分库存和商品主数据为模拟数据,因此不能据此判断真实补货效果。

4.4 Observability:查看模型与工具调用

Amazon Bedrock AgentCore Observability 帮助开发者跟踪和分析 Agent 的运行过程,例如模型调用、工具调用及其耗时。一次商品预测或补货查询可能涉及多次模型调用和工具调用。测试时,Agent 镜像配置了 OpenTelemetry 自动采集,并启用 Amazon CloudWatch Transaction Search,从而查看已覆盖的模型与工具调用 span,分析调用过程、排查异常和定位耗时。

示例 Agent 镜像安装了 aws–opentelemetry-distro,并通过以下 Dockerfile 启动命令启用自动采集:

CMD ["opentelemetry-instrument", "python", "/app/agent.py"]

图 5 展示了前述合成数据算例在应用页面中的调用链。页面根据可观测性数据生成瀑布图,其中包括模型生成和 run_python 等 span。

[图 5:合成数据算例的调用链示例]

这次调用总时长约为 9.7 秒,共记录 15 个 span。图中展示了 S3、预测服务和 Agent 处理等调用:在 Agent 处理过程中,第一次模型生成后调用了 run_python,随后进入下一轮模型生成。其中,run_python 的 span 耗时 1,539 毫秒。

五、数据与部署

历史销量以文件形式存放在 S3,由补货助手按门店和商品读取。补货计算还需要库存、在途和商品主数据;示例中部分数据为模拟数据。

预测服务和补货助手分别打包为容器镜像。方案中的预测服务和补货助手分别打包为容器镜像,通过 AWS CodeBuild 构建镜像并推送到 Amazon Elastic Container Registry(Amazon ECR),再由 AgentCore Runtime 运行。Chronos-2 模型权重在镜像构建阶段准备,推理时从镜像中加载。

补货助手读取 S3 数据、调用预测服务和获取模型凭证时,使用相应的身份和权限。第三方模型和天气服务会接收调用所需的信息,接入时应确认数据处理要求。

六、销量预测与补货算例

下面使用虚构商品数据,在中国(宁夏)区域直接调用预测 Runtime 的 forecast_with_covariates 工具。输入包括 56 天合成日销量、星期及历史促销和节假日标记,以及未来 7 天的星期和假设促销计划。示例假设 11 月 20 日和 21 日有促销,其余日期没有促销或节假日。

接口参数中,history 是历史销量数组,past_covariates 是与历史窗口对齐的特征数组,future_covariates 是覆盖未来预测窗口的已知特征数组,prediction_length 指定预测天数。返回结果包含 mean 和以分位水平为键的逐日预测数组,例如 "0.5" 对应每日 P50;每个数组的长度与预测天数一致。

将本次预测返回的分位数与合成历史销量传入独立的 Code Interpreter 会话,可以生成图 6 并计算补货量。图中灰线表示最近 28 天的合成历史销量,橙线和浅色区域分别表示未来每日 P50 及 P10—P90 分位区间,绿色背景表示假设的促销日期。

[图 6:合成数据的 Chronos-2 预测结果及分位区间]

本次预测中,每日 P50 的合计值约为 97.9 件。假设可用库存为 30 件,在途商品为 12 件且可在覆盖期内使用,箱规为每箱 6 件,并且不考虑其他约束,需求缺口约为 97.9 − 30 − 12 = 55.9 件。按箱规向上取整后,建议订货 10 箱。这里使用每日 P50 之和演示需求量计算,不能将其直接解释为整个覆盖期需求的 P50。

图 6 的预测结果由预测服务生成,再通过独立的 Code Interpreter 会话绘图。图 4 和图 5 展示的是另一组补货计算,其中 42 件为预先给定的需求量。以上示例用于说明预测和计算过程,实际预测效果还需结合业务数据评估

七、总结与展望

本文介绍了如何结合 Chronos-2 和 AgentCore 构建智能补货预测方案。Chronos-2 根据历史销量和业务因素生成预测,补货助手通过自然语言交互获取需求,并结合库存、在途商品和箱规计算订货建议。

实际应用中,可以使用门店历史数据回测预测效果,并根据商品特点和补货规则调整计算方式。后续也可以探索将本地活动、旅游热点等信息纳入预测,结合具体数据评估这些因素的作用。

➡下一步行动

相关产品与资源:

相关文章:

*前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营,具体信息以中国区域官网为准。

本篇作者

李文靖

亚马逊云科技解决方案架构师,专注于架构咨询及基于亚马逊云科技的云架构设计,持续关注云技术的发展,并将创新理念融入实际项目。她还致力于运用人工智能解决企业实际问题,在 AI 安全与智能运维领域持续探索,为客户提供兼具前瞻性与落地性的解决方案。


AWS 架构师中心:云端创新的引领者

探索 AWS 架构师中心,获取经实战验证的最佳实践与架构指南,助您高效构建安全、可靠的云上应用

本文由采集器自动同步

原文发布于 AWS 中国博客,正文由采集器自动抓取,版权归来源站点所有。

阅读原文 ↗