Flowr -- Scaling Up Retail Supply Chain Operations Through Agentic AI in Large Scale Supermarket Chains

📄 arXiv: 2604.05987v1 📥 PDF

作者: Eranga Bandara, Ross Gore, Sachin Shetty, Piumi Siyambalapitiya, Sachini Rajapakse, Isurunima Kularathna, Pramoda Karunarathna, Ravi Mukkamala, Peter Foytik, Safdar H. Bouk, Abdul Rahman, Xueping Liang, Amin Hass, Tharaka Hewa, Ng Wee Keong, Kasun De Zoysa, Aruna Withanage, Nilaan Loganathan

分类: cs.AI

发布日期: 2026-04-07

💡 一句话要点

Flowr：通过Agentic AI扩展大规模超市零售供应链运营

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: Agentic AI 零售供应链 大型语言模型 自动化 人机协作 需求预测 库存管理

📋 核心要点

  1. 零售供应链运营依赖大量人工，在需求预测、采购、供应商协调和库存补货等方面面临扩展难题。
  2. Flowr框架将供应链运营分解为专门的AI代理，利用大型语言模型联盟进行协调，实现端到端自动化。
  3. Flowr通过人机协作模式，允许供应链管理人员监督和干预，显著减少人工协调开销，改善供需一致性。

📝 摘要（中文）

本文介绍了一种名为Flowr的新型Agentic AI框架，用于自动化大规模超市运营中的端到端零售供应链工作流程。Flowr将人工供应链运营系统地分解为专门的AI代理，每个代理负责明确定义的认知角色，从而能够自动化以前依赖于持续人工协调的过程。为了确保任务准确性和遵守负责任的AI原则，该框架采用由中央推理LLM协调的、经过微调的领域专用大型语言模型联盟。该框架的核心是人机协作编排模型，其中供应链管理人员通过启用模型上下文协议（MCP）的界面来监督和干预各个工作流程阶段，从而保持责任和组织控制。评估表明，Flowr显著减少了人工协调开销，改善了供需一致性，并实现了通过手动流程无法实现的主动异常处理。该框架已与大型连锁超市合作验证，并且与领域无关，为大规模企业环境中Agentic AI驱动的供应链自动化提供了通用蓝图。

🔬 方法详解

问题定义：零售连锁超市的供应链运营涉及大量重复性、决策密集型的手动工作流程，包括需求预测、采购、供应商协调和库存补货等。这些流程难以扩展，且决策和协调层主要依赖人工，导致反应滞后和信息碎片化。现有方法难以在不增加大量人力的情况下，有效应对大规模零售供应链的复杂性和动态性。

核心思路：Flowr的核心思路是将复杂的供应链运营分解为多个由AI代理执行的、具有明确认知角色的任务。每个代理负责特定的子任务，例如需求预测、库存管理或供应商沟通。通过代理之间的协作和协调，实现端到端的自动化。这种分解方法使得系统更易于管理、扩展和维护。

技术框架：Flowr框架包含以下主要模块：1) 领域专用LLM代理：每个代理负责特定的供应链任务，并使用微调后的LLM进行决策；2) 中央推理LLM：负责协调各个代理之间的工作，解决冲突，并做出全局优化决策；3) 模型上下文协议（MCP）接口：允许人工管理人员监控和干预代理的工作流程，确保符合业务规则和伦理规范。整个流程通过MCP实现人机协作，保证了系统的可控性和可解释性。

关键创新：Flowr的关键创新在于其Agentic AI架构，它将大型语言模型应用于零售供应链的各个环节，并采用人机协作模式进行管理。与传统的自动化方法相比，Flowr能够处理更复杂的决策，适应更动态的环境，并提供更高的灵活性和可扩展性。此外，通过MCP接口，Flowr实现了对AI决策过程的监督和干预，确保了系统的可靠性和安全性。

关键设计：Flowr框架的关键设计包括：1) 针对不同供应链任务微调的领域专用LLM；2) 用于代理间通信和协作的协议；3) 用于人工干预和监督的MCP接口；4) 用于评估代理性能和优化系统参数的指标。具体的参数设置、损失函数和网络结构取决于具体的供应链任务和数据集。框架的设计目标是最大化自动化程度，同时保持人工干预的能力，以应对异常情况和确保业务目标。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Flowr框架在与大型连锁超市的合作验证中，显著减少了人工协调开销，改善了供需一致性，并实现了通过手动流程无法实现的主动异常处理。具体性能数据未知，但结果表明Flowr能够显著提升供应链运营效率和响应能力。

🎯 应用场景

Flowr框架可应用于各种大规模零售供应链场景，例如超市、百货商店和电商平台。它可以提高运营效率，降低人工成本，改善供需匹配，并实现更快速的响应。此外，该框架还可以扩展到其他行业，例如制造业、物流和医疗保健，以实现更智能、更高效的运营。

📄 摘要（原文）

Retail supply chain operations in supermarket chains involve continuous, high-volume manual workflows spanning demand forecasting, procurement, supplier coordination, and inventory replenishment, processes that are repetitive, decision-intensive, and difficult to scale without significant human effort. Despite growing investment in data analytics, the decision-making and coordination layers of these workflows remain predominantly manual, reactive, and fragmented across outlets, distribution centers, and supplier networks. This paper introduces Flowr, a novel agentic AI framework for automating end-to-end retail supply chain workflows in large-scale supermarket operations. Flowr systematically decomposes manual supply chain operations into specialized AI agents, each responsible for a clearly defined cognitive role, enabling automation of processes previously dependent on continuous human coordination. To ensure task accuracy and adherence to responsible AI principles, the framework employs a consortium of fine-tuned, domain-specialized large language models coordinated by a central reasoning LLM. Central to the framework is a human-in-the-loop orchestration model in which supply chain managers supervise and intervene across workflow stages via a Model Context Protocol (MCP)-enabled interface, preserving accountability and organizational control. Evaluation demonstrates that Flowr significantly reduces manual coordination overhead, improves demand-supply alignment, and enables proactive exception handling at a scale unachievable through manual processes. The framework was validated in collaboration with a large-scale supermarket chain and is domain-independent, offering a generalizable blueprint for agentic AI-driven supply chain automation across large-scale enterprise settings.