【得物技术】得物WMS如何助力仓库拣货

引言

熟悉仓库作业的人都知道,常见仓库拣货有两种方式:“摘果式”拣货和“播种式”拣货。

摘果式拣货是针对每一份订单进行拣选,拣货人员或者设备巡回于各个货物储位,将所需的货物取出,形似摘果。特点是:每个人每次只处理一份订单。适用于sku少,订单量大的场景。

播种式拣货是把多份订单集合成一批,先把其中每种商品的数量分表汇总,再逐个对订单进行分拣,形似播种,因此称其为“按商品拣货再分播”更为恰当。特点是每次处理多份订单。适用于一个订单多件,并且仓库sku较多的场景。

很显然,得物不适合摘果式拣货,但得物也不仅仅使用播种式拣货。

得物的拣货模式

到目前为止,得物的交易订单都是一单一件的。在仓储领域,我们称之为single单,或者S单。除了交易订单,还有退货单,取回单,调拨单等各种出库单类型。也就是除了一单一件的,还有不少是一单多件的,在仓储领域,我们称之为multiple单,或者M单。

Single单拣货模式

拣货单拣货

对于S单,在拣货完是可以直接去绑证绑扣发货的,这种显然不适合播种式拣货和摘果式拣货。那我们该使用什么方式来拣货呢?正常的做法是跑波次,生成拣货单,使用拣货单进行拣货,拣货人员拿着拣货单去拣货,一个拣货单拣完后,就将商品送去防伪发货。

上图中,一个波次有200个订单,根据一定的规则,生成了4个拣货单,安排4个拣货员对这4个拣货单分别进行拣货,拣货员按照系统设定的拣货路径,将拣货单中所有的商品拣完,交由防伪发货做后续流程。

这种方式的优点是:实现简单,拣货路径比较确定。但是也存在一些问题:一个拣货单中的商品只能一个人来拣,而且需要等拣货单全部拣货完成,才能进行防伪和发货。这对于订单的时效不利。

那有什么优化方式么?

FlowPick

动态拣货打破了原有波次的模式,无需波次,无需拣货单,采用的是一种类似滴滴司机抢单接单的模式来领取拣货任务。如下图。

拣货人员,在TA自己负责的拣货库区,随意扫描一个库位,PDA会向后台发送一个请求来领取一个拣货任务。后台系统会自动找一个路径最优的,并且优先级高的任务给到拣货员去拣货。

上面是一个简单的示意图,在得物的场景中,还需要考虑很多的情况:

  • 比如次日达的单据,需要有最高的优先级,目前在没有包裹分拣机支持的情况下,需要走独立的拣货,防伪发货和交接。

  • 还要控制水位,比如后面防伪复检出现积压的时候,需要适当控制拣货速度。或者后面输送线出现了积压,也需要控制拣货,否则不仅输送线出现拥堵,连巷道都会出现拥堵。

  • 另外要考虑的就是,拣货员找不到货的情况,系统提示货位上有货,但实际没有。对于这个问题,我后面再讲。

Multiple单拣货模式

Multiple单是比较复杂的,在仓储作业领域,需要对其进行再次分类来处理;对于multiple单,我们一般分为大单和小单,大单一般由仓库运营定义一个值,比如商品数量超过N件的称之为大单,小于N件的称之为小单;对于仓库的作业商品,我们会分为大件(b)和小件(s),一般重量体积超过一定范围的,称之为大件,反之则称之为小件。一般来说,大单会单独进行拣货作业,小单需要采用BatchPick拣货。

BatchPick

BatchPick,也叫批次拣货,即通过跑波次,将订单分为一批一批,每个批次进行单据拣货,但是有的仓库面积比较大,一般大的仓库都采用分区拣货+集货分拣的方式来作业。流程图如下:

 

上图中,跑一个波次,从订单池中捞取了112个订单。按照仓库固定的批次订单数量(40)生产了3个拣货批次。第一个批次的商品,跨了3个拣货区,所以生产了3个拣货单,第二个批次的商品跨了2个拣货区,所以产生了2个拣货单,第三个批次只剩下32个订单,这32个订单的商品都在F这个拣货区中,所以只需要创建一个拣货单。每个拣货单分别进行拣货,对同一个批次的拣货单拣下来的商品需要在集货库位上进行集货,在一个批次货物集齐后,还需要采用手动或者自动化设备来进行分拣。最终形成一个一个待防伪复检的订单。

组批

对于Multiple单,如何从一个波次中组出合适的批次,就涉及到组批算法了,这里采用一个模型进行举例说明:

 

 

我们将模型简化一下,上图是一个简化的仓库平面图, 每一种颜色的区域为一个拣货区,A1、A2、A3表示A订单的三件商品,可以看到A订单的商品在上面三个拣货区中,B订单的三件商品在下面三个拣货区中, C订单的三件商品在第一和第二个拣货区中,以此类推,有D订单,E订单,F订单。 上面可以看到有6个订单,共18件商品,总共分布在6个拣货区中。

  1. 由于一个拣货区面积很大,我们规定每个拣货员都只负责一个拣货区。

  2. 拣货员拣完一个批次就关箱。再去拣下一个批次。

假设这6个订单是一个波次,并且假设每个批次最多3个订单,所以我们需要将这个波次的6个订单分为2个批次。如何分配这两个批次就是我们今天要讨论的问题。

第一种方案,A,B,C为一个批次(批次1),D,E,F为另一个批次(批次2)。

那么批次1就会跨6个拣货区,批次2会跨6个拣货区,总的跨区数就是12.

这种方式总共需要12个拣货箱。

第二种方案:A,C、D为一个批次(批次1), B,E,F为另一个批次(批次2)。

那么批次1就会跨3个拣货区,批次2会跨3个拣货区,总的跨区数是6。

这种方式总共需要6个拣货箱。

很明显是第二种方案更优,原因是:

  1. 使用较少的拣货箱

  2. 对每个拣货区的人来说,虽然拣商品的数量一样,但是拣的批次更少,也就是不需要频繁的换箱,也可以说是拣货密度更高。

拣货路径

物流仓储中最能提高拣货效率的方式是什么?优化拣货路径一定是那几大要素中最被频繁提出来的。什么是拣货路径呢?最直观的翻译就是指拣货员在拣选作业时的行走路径。如果从业务角度理解,就是指拣货人员从领取任务开始到结束时所行走的路程。

如下是我们仓库货架的3D模型:

 

 

由此可见,优化拣货路径也是最能帮助拣货人员减少行走路径并提高作业效率的有效途径之一。随着物流作业体系的不断发展,行业内逐步形成了几种常见的拣货路径方式。

 

 

S型拣货路径*

 

U型拣货路径*

 

Z型拣货路径*

 

结束语

上述只是简单地介绍了一些拣货方式的基本原理和使用场景,文章中忽略了很多的实现细节,比如如何使用周装箱,如何使用自动化的集货设备,包括货到人的一些设备,拣货任务的指派与领取,短拣的处理等,这些内容将会在后续的文章中提及到。

 

文|阿福德

关注得物技术,携手走向技术的云端

相关推荐

从中心调度到自驱协作多 Agent 架构的三次反转|得物技术

本文探讨多Agent系统中的控制权分配问题,提出三大协作架构:Master Agent(中心调度)、任务看板(共享状态)与Advisor(轻量咨询)。通过划清上下文边界与模型边界,强调应以信息相关性而非职业标签划分Agent。三种模式分别将决策权集中于中心、下放至共享状态、再下沉至执行者,形成控制权逐步下沉的演进路径。案例显示,合理设计可提升复杂任务的并行性、弹性与可维护性。

SmartCodeTech的博客 405

Jev 实战:为AI工作流引入轻量决策层 x10倍提速|得物技术

完成这三个场景后,我对适用边界有了更明确的认识:它们都可以先定义答案范围,再根据判断结果驱动下一步操作。接入时,我会优先明确输入、选项、采纳条件和兜底路径,再评估Jev是否适合承担这一环节。结合这些实践,我更容易理解Jev(TypeSafe System One)作为专用结构化决策模型不生成自然语言,而是返回带概率的判断结果。后续接入时,我会继续从脚本中边界明确的判断任务开始,分别验证准确性、耗时和费用,再决定是否扩大使用范围。下面整理了相关能力、限制和接入要点,便于查阅。

SmartCodeTech的博客 343

国产算力·昇腾 910C 大模型推理优化(下):源码修改与算子优化,提速30%|得物技术

本文延续上篇,深入vllm-ascend源码优化:通过多流重叠实现MoE共享专家并行计算,消除冗余事件开销,并解除与FUSED_MC2的互斥限制,实现c=1下TPOT从8.2ms降至8.0ms;优化decode阶段host侧开销,引入状态跟踪跳过冗余拷贝;设计Block Table CPU快路径,规避小batch下NPU kernel启动延迟;针对GDN层融合L2Norm至recurrent kernel,减少算子调用与内存往返。综合优化后推理性能显著提升,形成可复用的昇腾910C大模型推理优化方法论。

SmartCodeTech的博客 238

国产算力·昇腾 910C 大模型推理优化(上):镜像更新与参数调优,提速 40%|得物技术

文中详细给出每一项优化的动机、实现(含具体源码改动路径与关键代码片段)、验证数据与踩坑记录(包括十余项实测无效或负向的尝试),希望为同样在国产算力上做推理优化的团队提供一份可直接复用的工程参考。

SmartCodeTech的博客 217

动态规则的 Agent 实践:用确定性工程驾驭 LLM 的资产智能验收

面对财务验收中规则多变、材料非结构化、核对复杂等痛点,传统规则引擎难以应对。系统采用“规则即配置”思路,由大语言模型(LLM)负责理解合同、扫描件等非结构化材料并执行语义比对,工程系统则保障流程编排与可追溯性。通过异步处理、幂等设计、三类流量隔离及双通道(文本/图像)处理,实现高效稳定运行。结合用户反馈构建自动标准答案,辅以试跑、回测与发布门禁机制,形成闭环质量体系。底层采用确定性工作流架构,确保行为可预期、可测试,真正实现灵活规则的快速迭代与安全上线。

SmartCodeTech的博客 343

发一张图,它居然“跃“出屏幕了?一文读懂得物 3D 空间图片技术实践

3D 空间图片功能的落地,涉及模型生成、内容分发、客户端渲染之间的一系列取舍。本文重点分享如何生产出高质量、小体积的模型,以及如何在手机上流畅运行。

SmartCodeTech的博客 555

别再只卷向量检索了,得物交易搜索如何用“生成式”实现召回范式跃迁?

你搜"af1",它得给你"空军一号"。这一年,得物交易搜索把召回从"做选择题"改成了"写答案"——不再从商品池里"找"最像的,而是让模型自己"生成"你真正想要的。从 LLM 语义索引到 HLLM、语义 ID,搜索是怎么从"检索"走向"生成"的?

SmartCodeTech的博客 593

指标平台:从语义底座到智能消费的实践路径|得物技术

这篇文章想做的,不是在本体化的宏大叙事上再叠加一层理论,而是把我们在真实落地中验证过的路径讲清楚:语义底座怎么从零建立起来、怎么保证质量不失控、怎么支撑 Text2SQL 和 AI Coding 两条消费主线,以及沿着这条路径往前走,下一步该往哪个方向发力。

SmartCodeTech的博客 316

企业级 MultiAgent 落地:Plan 模式与主子 Agent 协作|得物技术

基于 AgentScope Java 的企业级 MultiAgent 平台,为研发、数据分析和知识问答等场景提供统一的模型调用、工具接入、任务编排、流式输出与运行追踪能力。

SmartCodeTech的博客 300

得物小摊 AI Native 演进实录:用 Harness 构建可控 AI 交付

AI Coding 一个人用很顺手,进了团队就漏:指令没人审、经验难沉淀、过程看不见、链路不闭环。作者团队基于 Multica 做了 EP-Harness,把 Agent 当成员管,给它套一层可执行、可观察、可治理的 Harness,并让反馈闭环。成果:可追溯决策、多 Agent 协作,高频异常从每 4 小时 2400 多条降到个位数,对得物技术补上团队级 AI 协作关键一环。

SmartCodeTech的博客 540

企业级 MultiAgent 的记忆系统:短期上下文与四层记忆架构实现|得物技术

在 MultiAgent 平台中,Agent 的"记忆"能力是实现智能对话和个性化服务的核心资产。本文深入剖析 Agent 记忆系统的设计理念与实现细节,重点解析长期记忆架构的写入与加载流程,涵盖 LLM 智能判断、语义检索、Token 预算控制、冲突处理等关键技术,为开发者提供完整的技术实现参考。

SmartCodeTech的博客 502

EP-Harness:从个人 AI Coding 到团队级 Agent 工作流|得物技术

AI Coding 个人用得爽,一到团队就崩。EP-Harness 把 Agent 从聊天工具变成团队协作成员——可管理、可追溯、可闭环。落地后高频异常从 2400+/4h 收敛到个位数。

SmartCodeTech的博客 688

得物知识问答:复合检索 Agent 的系统设计实践

从"搜到什么用什么"到"搜→筛→挖→验"自主决策闭环——我们造了一个有判断力的 RAG Agent,不是套壳。

SmartCodeTech的博客 733

实战从零开始构建一个Coding Agent:Violin |得物技术

理解了 coding agent 的构建原理,也就掌握了理解其他 agent 的一把钥匙。笔者对每天都在使用的 agent 原理很感兴趣,于是决定自己写一个:violin。

SmartCodeTech的博客 926

AI Native 交易核心系统的研发范式|得物技术

如何改造旧研发流程适配 AI 编码?本文提出五道标准化关口治理思路,依托 Claude Code Spec-Driven 插件打通需求澄清、方案设计、TDD 落地、门禁管控与埋点监控,构建带人工确认门控的完整工作流,以五层自底向上架构实现 AI 编码规范化落地。

SmartCodeTech的博客 972

推荐系统体验的数字化突破:得物自动化评测平台的技术实践|AICon 文章整理

「得物推荐 AI Harness 工程化实践系列」的末篇内容,本系列共三篇连载。本篇(末篇)详解得物推荐评测平台的完整技术体系:从主观体验量化到大模型自动化评测流水线,涵盖多维度指标设计、人机协作提示词校验闭环、分布式任务调度与成本精控等核心工程实现,以及单周百万级审计需求下实现 91% 资源成本优化的工业级落地实战细节。

SmartCodeTech的博客 1493

RAG 核心概念与原理:Chunking、Embedding、相似度、HNSW 与多路召回|得物技术

决定 RAG 效果的关键不在大模型,而是文本切块、查询改写、多路召回与精排。合理切块存好知识库内容,向量匹配抓语义、BM25 匹配关键词互补。先优化用户提问,快速召回一批相关文档,再用精排模型精细筛选,整套检索流程配合到位,问答准确度才会明显提升。

SmartCodeTech的博客 1079

从“机械应答“到“服务伙伴“:得物高可控智能客服的 Agent 工程实践|AICon 演讲整理

本次分享围绕以下核心技术展开:客服 Agent 挑战与架构设计(Single-Agent→Multi-Agent→Harness);高可控性数据飞轮(PE 自动化 + DPO 训练);RL 策略训练和人工经验对齐;多轮半双工消息流控制。

SmartCodeTech的博客 745

得物推荐系统诊断 Agent:从 “调接口” 到 “会思考”|AICon 演讲整理

本文是得物技术专家在 AICon 上海演讲整理的技术实录。AICon上海2026_全球人工智能开发与应用大会暨大模型应用生态展_InfoQ技术大会「得物推荐 AI Harness 工程化实践系列」的中篇内容,本系列共三篇连载。本篇(中篇)进一步详解得物推荐复杂业务场景下,AI代码从生成、防护校验到安全上线的完整技术体系、自研AI Harness整体架构框架、全流程安全防护机制、混合智能体核心算法实现,以及工业级工程落地的实战细节。

SmartCodeTech的博客 1361

得物 OceanBase 落地实践

得物选型OceanBase多模数据库应对业务挑战,通过验证其高可用架构、存储压缩技术及混合负载处理能力。测试显示OceanBase在复杂查询场景性能较MySQL提升130-200倍,在高并发TP/AP混合场景表现优异,存储成本降低40%+。通过DBA内部报表业务试点验证其稳定性后,逐步推广至核心业务场景,优化数据库技术栈,实现性能与成本的双重收益。

SmartCodeTech的博客 1380

AI UITester:AI Native 的 UI 自动化测试新范式|得物技术

ai_uitester 代表了 AI Native 的 UI 自动化测试新范式:这不仅是工具的升级,而是测试范式的转变 ------ 从 "代码驱动" 转向 "视觉驱动",从 "人工调试" 转向 "AI 自愈",从 "三端分离" 转向 "统一抽象"。

SmartCodeTech的博客 774

从狂野代码到按目标生产:得物推荐 AI Harness 的工程化实践|AICon 演讲整理

本文是得物技术专家在 AICon 上海演讲整理的技术实录。「得物推荐 AI Harness 工程化实践系列」的开篇内容,本系列共三篇连载。将系统拆解得物推荐复杂业务场景下,AI 代码从生成、防护校验到安全上线的完整技术体系,逐一详解自研 AI Harness 整体架构框架、全流程安全防护机制、混合智能体核心算法实现,以及工业级工程落地的实战细节。本篇(上篇):将整体介绍团队自研的 AI Harness 体系,包括建设思路、全生命周期防护机制、混合智能体架构及落地效果。

SmartCodeTech的博客 1080

从表单到 Agent:得物社区活动搭建的 AI 实践之路

一场营销活动从策划到上线,运营要在三个系统间跳转 10 + 次、填写 40 + 个字段。我们用 AI 重新设计了这条链路 —— 从 “AI 帮你填表单” 到 “两阶段 Agent + 聚合工作台”。这篇文章记录的不是技术细节,而是这条路上的选择和反思。

SmartCodeTech的博客 741

从埋点需求到规则资产:Hermes Agent 重构得物数仓工作流

埋点和指标需求中,消耗数据承接方的不是生成答案,而是补齐证据链、对齐历史口径、识别下游影响,并在生产写入前留下可追溯的确认记录。本文数据承接方指承接业务需求的数据同学或业务合作伙伴;后文讨论内部研发、元数据、查询和门禁能力在流程中的角色。

SmartCodeTech的博客 656

让 Claude Code 拥有自我进化和记忆系统|得物技术

本文记录了为 Claude Code 构建的一套持久化记忆与自我学习系统的设计思路与实现细节。这套系统让 AI 助手能够跨越会话边界记住用户习惯,并在每次对话结束后自动提炼行为规律和系统信息,通过向量检索快速提取关键信息,下一次对话时主动应用,逐步进化为更懂你的编程伙伴。

SmartCodeTech的博客 994

用 LLM Agent 重构告警排查流程|得物技术

告警排查需频繁切换日志、APM、链路追踪等多个平台,耗时 10~30 分钟,且高度依赖个人经验。我们做了 Troubleshooter——用 LLM Agent 自动完成数据采集、根因分析和处置建议生成。上线后中位数排查耗时从 20 分钟降到 4.4 分钟,覆盖 11 个服务和 10+ 种告警类型。

SmartCodeTech的博客 1004

HorizonVault 技术深潜:如何在 HDD 上做出 100GB/s+ 级大吞吐分布式存储|得物技术

HorizonVault是一款面向Kafka远程存储的高吞吐分布式存储引擎,通过分布式并行写入和状态感知调度解决冷数据存储的三大核心问题:吞吐瓶颈、性能抖动和恢复能力。系统采用分层架构,Meta负责全局资源调度,Broker处理请求路由,Store实现本地磁盘管理,形成完整的写入治理链路。通过将HDD磁盘提升为一等资源,实现顺序追加写入、多盘并行和慢盘隔离,在保证高吞吐的同时控制延迟。存储结构采用DiskStore组织磁盘资源,LogSegment顺序写入数据,IndexSegment定位读取,Change

SmartCodeTech的博客 890

Claude Code Harness 工程:数仓侧落地方案|得物技术

Harness 工程通过职责分层实现研发流水线可靠性提升。Claude 负责需求理解与代码生成等语义层工作;hooks 负责规范检查等确定性执行;Subagents 隔离血缘查询、自测等高 token 操作;Memory 承载跨会话状态持久化。四层协同使数仓 AI 开发从"对话式辅助"转变为"规则驱动的自动化流程"。

SmartCodeTech的博客 1093

BP Claw 破解 AI 编码输入难题 ——FlinkSpec 需求智能化实践|得物技术

本文为 FlinkSpec 系列之开篇,亦是这场工程化变革的序章。BP Claw 所立之处,不过链路之源。FlinkSpec 所图,乃以 AI 之力,将实时数仓从需求落地至验收上线的全程工序,熔铸为一套精密自洽、生生不息的智能工程体系。宏图未竟,后续系列将逐章揭幕,敬请期待!

SmartCodeTech的博客 1035

基于 Harness + SDD + 多仓管理模式的 AI 全栈开发实践|得物技术

Harness(约束)思维的本质是:给 AI 一个已有的实现作为参照,让它照着复刻一份,而不是凭空创造。就像给一个新入职的工程师说 "你照着这个模块的风格,写一个类似的",而不是 "你自由发挥"------ 前者往往能更快产出符合团队规范的代码。

SmartCodeTech的博客 1185
上一篇: 【得物技术】浅尝UI自动化之Airtest实践
下一篇: 【得物技术】得物社区
得物技术
得物技术 得物技术官方账号 得物技术官方账号
博客等级 码龄6年 2492粉丝 407原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值