千匠智元AI智能体，把工业品流通漏掉的毛利捡回来

中国工业用品MRO采购市场规模约3.60万亿元，其中数智化采购约0.44万亿元，渗透率12.3%（36氪研究院）。盘子很大，走到线上的部分还很小。

 看头部平台的账，反差更直接。京东工业2025年收入239.52亿元，同比增长17.4%，毛利率17.4%，经营利润8.11亿元，同比下降5.2%。震坤行营收89.88亿元，同比增长2.59%，毛利率16.42%，全年仍处亏损。同一门生意在大洋另一侧，固安捷2024年毛利率39.4%，快扣45.1%。

 收入在涨，毛利没有跟着涨。17.4%和39%之间的二十多个百分点，不在商品差价里，在商品之外：找一个货、匹配一个型号、维护一份资料、处理一次退换。这些环节的成本，比商品本身更决定一家工业品流通企业能赚多少。

 行业极度分散让这件事更难。中国MRO行业CR10约1.5%，美国在30%到45%之间。几万家供应商、几十万个SKU分头供给，客户要的往往是长尾里的那一件。

工业企业采购的特点是少量多次：备品备件、劳保用品、工具耗材，一个工厂一年要采几千个品类，每笔金额都不大，缺了哪一样却可能停线。这类需求里，一次找对的能力比价格更留得住客户。找不对，客户不会投诉，换个供应商再问一次。

 

客户说的是「那个轴承」

MRO报货的语言是模糊的，商品池是海量的。客户说"4分的阀门来20个"，或者说"上次那种轴承，再来一批"，下单员要在几十万个SKU里找到一个具体型号。新人听不懂，老师傅忙不过来。

匹配错一次，成本是全套的：退换货的运费、二次发货的履约成本、客户那边停机待料的时间，还有下一次先问别人家的习惯。这些成本不落在商品价格里，落在毛利里。

难还不止于口语。同一样东西在行业里有好几套名字：厂商给的型号、行业里的俗称、客户厂内的叫法、上一家供应商的货号，彼此对不上。规格里还夹着材质、压力等级、连接方式这些客户不会说出口的参数，不同厂商的编码规则又各不相同。

过去这件事靠人。老师傅脑子里存着一张别名表，哪家客户说的"那种"对应哪一款，记得清清楚楚。这张表不落纸，人一调岗、一休长假，能力就断了。客户越多、SKU越杂，靠记忆越不成立。

现在的做法是把匹配拆成三层：先用向量检索在商品池里召回一批候选，再结合这家客户的历史采购记录排序，置信度不够高的，生成一道带图的选择题交给客户点选。客户点一次，别名映射自动入库，同类报货下次直接命中。匹配能力不再挂在某个人身上，而是沉在系统里，用得越久越准。

这套办法有个前提，别名库要冷启动。上线头两周，能一次命中的报货不多，需要客户动手点选的比例偏高；点选数据攒起来之后，命中率才逐周抬升。好处是企业不必先整理出一张标准别名表再上线，拿真实报货数据回放验证，一个客户群跑通，再复制到下一个。

 

卖得动的只有两成

长尾SKU占SKU总数的80%，只贡献20%的营收，但它们消耗的人力和标品一样多。这是工业品行业被反复提到的一个结构。

长尾品卖不动，原因往往不是没有需求。翻它的详情页：只有一行型号，没有参数，没有图，没有可替换关系。客户搜不到，采购没法比价，销售也不敢推。资料不全的SKU在系统里约等于不存在，货却一直躺在仓里。 

工业品资料难做，难在来源散：厂商图纸、说明书、历史订单里的参数、老师傅的手写记录。人工整理一份要大半天，几十万个SKU排下来是天文数字，长尾于是长期停在待补状态。换个做法是把参数抽取交给模型，从型号库、图纸和往来单据里读出规格、材质、执行标准和适配关系，人只做抽检和发布，违禁词校验由系统把关。

资料补齐连带解决的也不止搜索。有了统一参数，长尾品才能被比价、被放进选型清单、被打上替代关系；上架时也不必一家家平台重复录一遍，参数齐的SKU能一次铺到多个渠道。工业品买家找一件东西，常常先看有没有替代方案，资料不齐的货连被看见的机会都没有。压在仓里的库存，也正是从这一步开始动起来。

 

账上有货，架上没有

工业品仓库的特点是多仓多店、动销分化极端：高频品天天动，长尾品一年动两次。传统办法是月底全盘，全员停下手上的活去数货，数出来的差异还说不清原因，串位、破损、批次混放、退货没入库，最后往往以调账了结。

多仓让难度再上一层。总仓、区域仓、客户寄售仓、前置仓同时有货，调拨在途的算谁的、寄售未耗用的算不算库存，各家算法不一样。盘点不准，缺货和积压会同时发生：系统显示有货，销售敢接单，仓库发不出去；系统显示没货，采购去补，货就在隔壁库位。

盘点的价值不在数对，在知道为什么错。按动销分级之后，高频品日盘、长尾品月盘，扫码数据实时回传，账实自动比对，差异归因到具体原因并附库位证据。核销动作仍由仓管确认留痕，月底的一次突击被摊平成日常。

行业里已经有人往前走。京东工业发布以供应链为核心的工业大模型，采用多智能体协同，落在商品管理和供需匹配；震坤行的MRO垂直大模型完成备案，其AI推品能力服务的客户超过3万家。方向被验证过，差别落在哪一步：模型给完建议之后，谁执行，执行结果写回哪里。

两家都做出了模型，行业的毛利率却没有立刻动。模型解决的是识别和生成，剩下的动作还在流程里：识别出来的型号谁确认，生成出来的资料谁发布，算出来的价格谁拍板。这些位置没有对应的人和岗位，模型的能力就停在演示里。把模型接进流程、配上一个岗位、一套权限和一条考核口径，这是智能体开发要解决的问题。

 

千匠智元：把长尾订单的成本压下来

千匠智元是千匠网络的企业级智能体开发与运营平台。在工业品分销这条线上，第一批上岗的是四个岗位：智能下单Agent接口语报货，把"那个轴承"落到具体型号；商品资料Agent接长尾SKU的资料补全；智能报价Agent接询价，把成本、库存和历史成交价一次算清，毛利红线硬校验；库存盘点Agent接分级盘点与差异归因。

智能报价Agent最能说明问题。询价单进来，它先识别SKU与数量，调货盘底价和阶梯价规则，再结合客户等级与历史成交给出一段建议价区间，超出毛利红线的直接预警。过去一次询价要查成本、查库存、查历史价，半小时过去，客户已经问过三家。成交结果会回到模型里，下一次的建议价更贴近能成交的位置，同一型号在不同客户、不同批量下的价格也有了留痕，不再散在业务员的聊天记录里。

四个岗位的共性是规则明确、判断空间小、量又大，正好是智能体最适合接手的一类工作。岗位对应到具体动作和考核口径，做得好不好，用同一套指标衡量。上线初期，同一批业务由AI和人工各跑一遍，结果并排看，人工仍然是执行主体；跑稳之后再逐步交接，节奏由企业自己掌握。

岗位也不是一次铺开。同一业务条线内共用已经打通的数据和接口，一个智能体跑通，下一个的接入成本低得多。交易环节跑稳之后，寻源、供应商协同这些环节再按需接进去。

能力之外还有几道锁。型号消歧必须由客户点选确认，AI不替客户猜型号；商品资料由AI生成、人抽检后发布；报价不得低于货盘底价，这是系统硬约束，不是模型参数；盘点差异的归因只是建议，核销必须由仓管确认。几条线说的是同一件事：AI把候选、证据和差异摆到桌面上，确认、发布、定价和核销的动作，仍然留在人手里。

工业品流通过去比的是谁能拿到更低的进货价。当毛利率被压在十几个点，价格上已经没有多少空间，能拉开差距的是商品之外的环节：找一个型号要几分钟，补齐一份资料要多久，一次盘点停工几天。

这几件事的账算平了，长尾订单的处理成本才有机会接近标品。3.60万亿元的盘子里，下一步的增量，大概不在多卖几件标品，而在那些一年只动两次的货身上。