בניית מערכת ניהול מחסן מבוססת סוכני AI
אמ;לק
מדריך טכני על בניית סוכני AI (תוכנות עצמאיות המקבלות החלטות) לניהול לוגיסטיקה, כולל שימוש ב-Java ו-Spring AI.
סיכום בעברית: מערכת VibeSec · מדיניות המקורות
נוסף ל-VibeSec:
כותרת מקורית: Building an Agentic Warehouse Management System—Part 3: Tools, Decisions, and Actions

התוכן המלא בעברית
תרגום אוטומטי מהמקור; מונחים טכניים נשארו באנגלית. לנוסח המחייב — הכתבה המקורית.
אם עדיין לא קראת את שני החלקים הראשונים, אני ממליץ להתחיל עם Part 1: Where AI Agents Add Value ו-Part 2: Designing and Planning the Agent. שם הצגנו את תרחיש ה-WMS, דנו היכן סוכן AI יכול להוסיף ערך, ובנינו את השלבים הראשונים של היישום באמצעות Java ו-Spring AI.
בחלק השלישי והאחרון הזה, נבנה על תוכנית הביצוע שנוצרה ב-Part 2 ונתמקד בשלבים הנותרים של זרימת העבודה של הסוכן. נראה כיצד כל משימה מבוצעת באמצעות כלים מבוקרים, כיצד נאסף ההקשר התפעולי והעסקי, כיצד מתקבלת החלטת החידוש וכיצד הסוכן פועל לפי החלטה זו בעת הצורך.
מתוכנית לביצוע
בואו נחזור על זרימת הסוכן המלאה. השלבים הראשונים: הגדרת ה-Agent, הפעלת ה-Agent (Trigger) והתכנון (Plan) כוסו במאמר הקודם. כעת נתמקד בביצוע המשימות, בשימוש בכלים הזמינים, באיסוף ההקשר ובקבלת החלטת החידוש.
איור 1. מחזור חיי הסוכן (Agent Lifecycle): ביצוע, החלטה והשלמה.
ביצוע משימות עם כלים מבוקרים
עם תוכנית הביצוע שנוצרה ב-Part 2, ה-AgentRunner מתחיל לעבד את המשימות אחת-אחת. עבור כל משימה, הרץ קורא את התיאור ואת היכולת הנדרשת, מבצע אותה, שומר את התוצאה וממשיך למשימה הבאה:
לפני ביצוע משימה, הרץ בוחר רק את הכלים הקשורים ליכולתו:
כאשר המשימה מבוצעת, המבצע מקבל את המטרה הנוכחית, את התוצאות שהופקו ממשימות קודמות, את המשימה הנוכחית ורק את הכלים הזמינים עבור היכולת הספציפית שלה:
התוצאה של כל משימה שהושלמה הופכת לחלק מההקשר הזמין למשימות הבאות. זה מאפשר לסוכן לאסוף בהדרגה את המידע הדרוש לו לפני קבלת החלטת החידוש.
יחד עם זאת, היכולת שהוקצתה לכל משימה מגדירה אילו כלים זמינים במהלך ביצועה. זה משמר את הגבולות שקבענו קודם: משימה ANALYSIS, למשל, יכולה לבדוק מידע מה-WMS, אבל אין לה גישה לכלים שיוצרים בקשת מילוי.
גישה לנתונים תפעוליים
במהלך משימות ANALYSIS, הסוכן יכול להשתמש בכלים מבוקרים כדי לאחזר נתונים תפעוליים מה-WMS, כגון מלאי, תנועות חשבוניות, תנועות מלאי ובקשות חידוש ממתינות.
לדוגמה, אחד הכלים הזמינים מאחזר את תנועות המלאי שנוצרות על ידי חשבונית יוצאת:
באמצעות Spring AI, ניתן לחשוף למודל שיטות מסוג זה בעזרת אנוטציות כמו @Tool ו-@ToolParam. לאחר מכן, המבצע יכול לקרוא להן כאשר המשימה הנוכחית דורשת מידע זה.
האפליקציה המלאה חושפת כלים נוספים לאחזור מלאי, תנועות חשבוניות, חידושים ממתינים ונתונים תפעוליים אחרים. לא נסקור כל אחד כאן, אבל הם פועלים לפי אותו רעיון.
אחזור מדיניות מפקידים
ניתן לגשת למדיניות המפקידים גם באמצעות כלי ייעודי שנחשף על ידי היכולת POLICY. באפליקציה שלנו, כל מפקיד יכול לרשום חוקים עסקיים דרך עמוד Depositor Policies . לדוגמה, מדיניות עשויה להגדיר זמן אספקה של שבעה ימים או לדרוש לפחות 500 יחידות לכל בקשת מילוי:
מדיניות זו מאוחסנת כמסמכים בשפה טבעית, מה שמאפשר לנו לאחזר אותם באמצעות חיפוש סמנטי במקום להסתמך רק על מילות מפתח מדויקות. לְדוּגמָה:
כאשר מדיניות מאוחסנת, הטקסט שלה מומר להטמעה באמצעות מודל ההטמעה המוגדר Voyage AI ומתווסף למאגר הוקטורים. במהלך משימה POLICY, הסוכן יכול לשאול שאלה על סמך ההקשר שנאסף עד כה:
זה נותן לנו זרימה פשוטה של Retrieval-Augmented Generation (RAG ): השאלה משמשת לאחזור המדיניות הרלוונטית ביותר, אשר מתווספות לאחר מכן לביצוע:
איור 4. תהליך (Pipeline) של אחזור מבוסס יצירה (RAG) עבור חיפוש מדיניות.
והוא מסונן לפי מפקיד וסוג ידע:
יחד עם התוצאות מהמשימות ANALYSIS, מדיניות זו מעניקה לסוכן את ההקשר התפעולי והעסקי הנדרש כדי להחליט אם יש צורך בחידוש.
החלטה
לאחר השלמת המשימות ANALYSIS ו-POLICY, המשימה DECISION משתמשת בהקשר שנאסף כדי לקבוע אם יש צורך בחידוש. התוצאה מסתיימת באחד משני אסימונים:
זה נותן ל-AgentRunner דרך פשוטה לקבוע אם המשימות הנותרות צריכות להמשיך:
אם לא נדרש מילוי מחדש, המשימות הנותרות REPLENISHMENT ו-NOTIFICATION מסומנות כ-SKIPPED, והביצוע הושלם:
הרץ מסמן את המשימות האלה כ-SKIPPED ומשלים את הביצוע:
במידה ונדרש חידוש, הביצוע ממשיך עם המשימות הבאות בתכנית.
ביצוע פעולה
ברגע שנדרש מילוי מחדש, הסוכן יכול להשתמש בכלי הפעולה שנחשפו על ידי האפליקציה.
המשימה REPLENISHMENT יכולה ליצור בקשת מילוי:
שוב: הכלי אינו מחליף את הלוגיקה הקיימת של ה-WMS. הוא מעניק לסוכן דרך מבוקרת לבקש את הפעולה, בעוד שהאימות והשמירה נשארים בתוך שירותי האפליקציה.
לאחר היצירה, ניתן להשתמש ב-Replenishment ID עבור משימת ה-NOTIFICATION כדי להכין את טיוטת המייל עבור המפקיד:
בשלב זה הסוכן קיבל את ההחלטה וביצע את הפעולות הנדרשות על ידו.
השלמה
כאשר אין עוד משימות לביצוע, הפעלת הסוכן הושלמה, ונוצר סיכום:
אם נוצרה בקשת מילוי, היא זמינה כעת לבדיקה בדף Replenishments:
איור 7. לוח המחוונים של סקירת חידושים.
זה משלים את הזרימה: הסוכן אוסף הקשר באמצעות כלים מבוקרים, מחליט אם יש צורך בחידוש ופועל רק כאשר נדרש.
השלבים הבאים
במהלך ביצוע בודד, הסוכן משתמש בתוצאות של משימות קודמות כהקשר למשימות הבאות. צעד טבעי הבא יהיה להעניק לסוכן זיכרון לאורך הרצות שונות.
לדוגמה, לפני יצירת בקשת מילוי חדשה, הסוכן יכול להסתכל על רשומות AgentRun קודמות ולהשתמש בתוצאות רלוונטיות ממצבים דומים:
שלוש הבקשות האחרונות ל-500 יחידות של מוצר זה נדחו. בקשות שאושרו היו בדרך כלל בין 200 ל-300 יחידות. בהתבסס על הצריכה הנוכחית, אבקש 250 יחידות.
זה יאפשר לסוכן להשתמש לא רק בהקשר של הביצוע הנוכחי, אלא גם במידע רלוונטי מהרצות קודמות. התפתחות אפשרית אחת תהיה אחזור הרצות עבר דומות והוספתן להקשר של הסוכן לפני קבלת החלטה חדשה.
ישנם כיוונים רבים אחרים שבהם הסוכן הזה יכול להתפתח, אבל זו דוגמה טובה לאופן שבו אותו עיצוב יכול להפוך בהדרגה למודע יותר להקשר עם הזמן.
מַסְקָנָה
המטרה העיקרית של סדרה זו הייתה להראות כיצד סוכן AI יכול להוסיף ערך בתרחישים שבהם החלטות עסקיות תלויות במקורות הקשר מרובים ובכללים מורכבים יותר ויותר. דוגמת החידוש שלנו היא רק הצצה קטנה למה שגישה זו יכולה לתמוך בו ב-Warehouse Management System אמיתי.
ב-Part 1, בדקנו היכן סוכן AI יכול להוסיף ערך ב-WMS. ב-Part 2, תרגמנו את התכנון הזה ל-Java and Spring AI על ידי הגדרת הסוכן, היכולות שלו ותוכנית הביצוע שלו.
בחלק השלישי והאחרון הזה, השלמנו את הזרימה: משימות בוצעו באמצעות כלים מבוקרים, נתונים תפעוליים ומדיניות מפקידים נוספו להקשר, והסוכן השתמש במידע זה כדי להחליט אם נדרש חידוש ולפעול בעת הצורך.
הרעיון המרכזי נשאר זהה: האפליקציה מגדירה מה מותר לסוכן לעשות, בעוד שהסוכן מחליט מה לעשות בגבולות אלו.
חקרו את מאגר ה-MongoDB JVM Showcase שלנו לקבלת דוגמאות Java נוספות ומקרי שימוש. אם מצאתם זאת שימושי, שקלו לתת לו ⭐.
עדיין לא נרשמת ל-Atlas? התחל בחינם והתחל לבנות עוד היום.
קריאה וכלים קשורים
אבטחת Java / Spring- Bearer — SAST עם התמקדות בפרטיות ו-PII
- CodeQL — מנוע ניתוח סטטי של GitHub
- Dependabot — עדכונים אוטומטיים לתלויות פגיעות
- חולשת Java4Shell: סכנת השתלטות מרחוק על שרתים
- פרצת אבטחה קריטית ב-Apache Roller תחת מתקפה
- חולשת אבטחה קריטית ב-Java: הנחיה לעדכון מיידי