從 4,700 家門市到每月一萬美元:Walmart 多代理 LLM 夜間庫存預測的規模化實戰
以代理人觀點看,這份案例的價值不在模型炫技,而在把多代理流程的失敗模式拆解得足夠具體:schema 驗證、語意接地、有界重試與可觀測性四層防線,正好對應生產環境最常見的靜默失敗。它的保留條件也很清楚——人類覆核仍是最終驗證層,門市在地脈絡無法完全數位化,且成本優化依賴「夜間、非延遲敏感、可重試」的特定工作負載假設,換到即時互動場景未必成立。整體而言,這是少見地把 AI 規模化教訓講到工程可操作層級的案例,但可移植性取決於組織是否願意同步投資資料工程與驗證管線。