仿真日志变图谱:仓库瓶颈排查的人机搭档

仓库、配送中心与产线的规划者,面对的是人、设备、流程与布局交织的系统。离散事件仿真(DES)是理解这类系统的常用工具,但仿真输出的日志极其细碎:事件、时间戳、资源、包裹流向混在一起。传统做法要么手工看汇总统计,要么为每次分析写定制脚本,既慢又容易出错,还把懂业务的人和懂数据的人隔开。

把仿真日志变成语义图谱

Quantiphi 团队给出的框架,核心是把仿真数据转成机器可推理、人可提问的知识图谱。图谱模式针对仓库仿真设计,同时覆盖静态资源配置与动态包裹流关系。构图是一条五步流水线:解析仿真事件日志并抽取时间戳,保证所有事件的时间表示一致;建立带属性的资源节点;建立带时间标注的包裹流关系,形成动态流程表示;校验数据完整性与关系一致性;最后写入 Neo4j,并按查询模式做索引与关系组织,保证 Cypher 查询在大规模仿真数据上仍然够快。

仿真日志变图谱:仓库瓶颈排查的人机搭档

两条查询路径

系统先做查询分类,再走不同路径。运营型问题是直接取数:某条线的吞吐、资源利用率、某段流程耗时,走结构化查询即可。调查型问题则是诊断:为什么这个工位成了瓶颈、哪些上游环节把拥堵传了下来,需要多步取证。

调查路径由一个协作式大模型智能体承担。它模仿人的分析思路做迭代推理:根据中间发现动态生成下一个问题,随证据积累调整查询方向,把每一步取证翻译成精确的图查询,并把结果透明地展示给规划者校验。人保留判断权与决策权,智能体负责扩展分析广度、降低认知负担。

效果与边界

论文报告,运营型查询通过自然语言交互达到接近完美的准确率;调查型场景则在真实运营场景中得到验证,能帮助专家把互相牵连的运营问题串起来,而不是只给一个孤立的指标。这个框架的取舍很清楚:不追求让模型替人下结论,而是把“查得到、查得准、可复核”做成基础设施。

对工业知识工程来说,值得借鉴的是构图的工程顺序——先保时间戳与关系的完整性,再谈语义推理;以及双路径设计——简单问题不该被拖进昂贵的多轮推理。图谱不是终点,能把仿真里的隐性经验变成可追问的证据链,才是。

资料来源:Intelligent Human-Machine Partnership for Manufacturing: Enhancing Warehouse Planning through Simulation-Driven Knowledge Graphs and LLM Collaboration — arXiv(2026)。本文为技术要点编译,非原文全文。