🚀 概述

现代零售商因缺货、库存过剩、需求预测不准确以及库存决策缓慢而损失大量收入。传统的库存管理系统通常依赖静态规则和人工分析，难以快速响应不断变化的业务环境。

StockPilot AI 是一个企业级多智能体库存智能平台，利用协作式 AI 智能体集群将原始库存数据转化为可操作的业务洞察。该平台基于 Google Agent Development Kit (ADK)、Gemini 2.5 Flash 和模型上下文协议 (MCP) 构建，使专门的 AI 智能体能够协同工作，分析库存、检测运营风险、预测需求、优化采购决策并生成面向高管的业务报告。

通过将模块化 AI 编排与可复用的商业智能技能相结合，StockPilot AI 展示了企业组织如何利用协作式 AI 系统构建可扩展、可解释且可用于生产的决策支持应用。

📚 目录

• 🚀 概述

• ✨ 主要特性

• 🏗️ 系统架构

• 🤖 AI 智能体职责

• 🔄 多智能体工作流

• 🛠️ 技术栈

• 📈 业务影响

• 🚀 快速开始

• 📂 仓库结构

• 🗺️ 未来路线图

• 🤝 贡献

• 📄 许可证

✨ 主要特性

• 🤖 基于 Google ADK 的多智能体集群智能

• 🧠 根协调器与专用 AI 智能体

• 🔌 模型上下文协议 (MCP) 集成

• 📊 基于 AI 的库存健康分析

• 📈 需求预测与销售速度分析

• ⚠️ 缺货与库存过剩风险检测

• 💰 营运资金优化

• 📦 智能采购建议

• 📄 高管业务报告生成

• 🔒 企业级安全与输入验证

• 🎨 基于 Streamlit 的现代交互式仪表盘

🌟 项目亮点

✔ 企业级多智能体 AI 架构

✔ 使用 Google Agent Development Kit (ADK) 构建

✔ 由 Gemini 2.5 Flash 驱动

✔ 基于 MCP 的工具通信

✔ FastMCP 集成

✔ 库存健康智能分析

✔ AI 采购建议

✔ 高管业务报告

✔ 交互式 Streamlit 仪表盘

✔ 模块化与可扩展设计

🏗️ 系统架构

StockPilot AI 采用模块化的企业级多智能体架构，其中 AI 推理、业务逻辑和工具执行被清晰分离。该平台利用 Google Agent Development Kit (ADK) 编排专门的 AI 智能体，同时通过 FastMCP 经由模型上下文协议 (MCP) 暴露可复用的商业智能技能。

根协调器智能体将任务委派给负责库存分析、需求预测、库存风险检测、采购建议生成以及高管报告生成的领域专用 AI 智能体。每个智能体在协作生成统一业务决策之前，先执行专门的职责。

这种模块化架构提高了可扩展性、可维护性、可解释性，并允许以最小的系统变更集成新的 AI 能力。

🤖 AI 智能体职责

🔄 多智能体工作流

工作流从上传的库存数据集开始。根协调器将分析任务分发给专门的 AI 智能体，每个智能体通过模型上下文协议 (MCP) 调用可复用的库存智能技能。所有分析完成后，协调器将结果汇总成一份包含库存洞察、需求预测、采购建议和商业智能的高管报告。

🛠️ 技术栈

📈 业务影响

StockPilot AI 旨在通过将 AI 推理与商业智能相结合，支持数据驱动的库存决策。该平台不仅仅分析库存记录，还通过协作式 AI 智能体帮助组织识别运营风险、优化采购策略并改善库存绩效。

关键业务收益

• 📉 通过主动需求分析减少库存缺货

• 📦 最小化过剩库存及持有成本

• 💰 改善营运资金利用率

• 📈 利用 AI 洞察预测未来库存需求

• ⚠️ 在风险影响运营之前检测库存风险

• 🤖 自动化采购建议

• 📊 生成可供高管使用的业务报告

• 🚀 加速战略性库存决策

🌟 为什么选择 StockPilot AI？

与依赖静态业务规则的传统库存管理系统不同，StockPilot AI 结合了多个专门的 AI 智能体，协作解决复杂的库存挑战。

传统库存系统

• 人工库存分析

• 静态业务规则

• 有限的预测能力

• 被动决策

• 碎片化报告

StockPilot AI

• 多智能体 AI 协作

• 智能需求预测

• 基于 AI 的风险检测

• 自动化采购建议

• 高管商业智能

• 模块化与可扩展架构

• 可解释的 AI 决策支持

✨ 企业级特性

🚀 快速开始

按照以下步骤在本地运行 StockPilot AI。

Related MCP server: storelink-mcp

📦 克隆仓库

git clone https://github.com/ankitachotaliya2310/StockPilot-AI.git
cd StockPilot-AI

📥 安装依赖

安装所有必需的 Python 包。

pip install -r requirements.txt

🔑 配置环境

使用 .env.example 创建 .env 文件。

GEMINI_API_KEY=YOUR_GEMINI_API_KEY
GEMINI_MODEL=gemini-2.5-flash

✅ 验证安装

运行验证套件来检查 MCP 工具、AI 智能体和可复用技能。

python -X utf8 verify_system.py

▶️ 启动 StockPilot AI

启动 Streamlit 应用。

streamlit run app.py

打开浏览器并导航至：

http://localhost:8501

📂 仓库结构

StockPilot-AI
│
├── Assets/
│   ├── Cover.png
│   ├── Logo.png
│   ├── Architecture.png
│   ├── Architecture Overview.png
│   ├── Workflow.png
│   └── business-impact.png
│
├── Datasets/
│   ├── sample_inventory.csv
│   ├── test_dataset_balanced.csv
│   ├── test_dataset_overstocks.csv
│   └── test_dataset_shortages.csv
│
├── doc/
│   └── architecture.md
│
├── agents.py
├── app.py
├── data_generator.py
├── mcp_server.py
├── skills.py
├── tools.py
├── style.css
├── verify_system.py
├── requirements.txt
├── walkthrough.md
├── README.md
├── LICENSE
└── .gitignore

🔗 探索 StockPilot AI

🗺️ 未来路线图

StockPilot AI 被设计为可扩展的企业级库存智能平台。未来的增强可能包括：

• 🌐 多仓库库存管理

• 📡 实时 ERP 与 SAP 集成

• 🤖 AI 供应商推荐引擎

• 📈 高级预测性需求预测

• 📦 自动采购订单生成

• 🔐 基于角色的用户认证

• ☁️ 云原生部署

• 📊 实时商业智能仪表盘

• 🔔 智能库存告警与通知

• 🌍 多语言企业支持

🤝 贡献

欢迎贡献！

如果您想改进 StockPilot AI，请随时：

• Fork 该仓库

• 创建功能分支

• 提交 Pull Request

• 通过 GitHub Issues 报告错误或提出改进建议

🙏 致谢

本项目使用了现代 AI 与数据工程技术构建，包括：

• Google Agent Development Kit (ADK)

• Gemini 2.5 Flash

• 模型上下文协议 (MCP)

• FastMCP

• Streamlit

• Pandas

• Plotly

• Python

特别感谢 Google × Kaggle AI Agents Capstone 项目对本项目开发的启发。

📄 许可证

本项目采用 MIT 许可证。

详情请参阅 LICENSE 文件。

⭐ 如果您觉得这个项目有用，请考虑在 GitHub 上给它点个星。

使用 Google Agent Development Kit (ADK)、Gemini 和 Streamlit ❤️ 构建