导读：本文来自联想软件工程师邓理平供稿。他讲述了联想如何用milvus向量数据库解决百万售后物料的管理难题。其使用场景包括：物料分类、适配机型、补货判断和历史复盘。最终效果则让物料分类和适配更精准，库存周转率提升了 10%，复盘效率提升超 20%，也让新员工能借助系统做出更稳妥的判断。
正文
在制造业的日常运营中，最容易被忽视、但又最容易出问题的，其实就是物料。
对联想这样体量庞大、产品线复杂的制造企业来说，光是售后供应链系统就要管理上百万个物料编号（SKU）。数量庞大只是其中一个难点，物料本身的种类、特性和使用场景也极其多样：不同物料的需求受产品更新、市场走势、生命周期、季节性甚至客户偏好变化影响都很大。有时候，一场突发的供应链中断，就可能引发连锁反应。
那么，我们怎么判断一个物料在某个时间点会不会用？用多少？要不要提前备货？备多少？能不能既不能断货耽误维修，也不能囤货占用仓储和资金？
过去几年，联想在这个问题上进行了一系列探索，积累了一些实践经验，也踩过不少坑。
现在，我们把这套方法整理出来，希望能为其他制造企业提供一点思路和参考。
01
向量数据库如何搞定物料管理
随着联想业务越来越大，售后供应链里堆积的数据也水涨船高。除了是常规的库存数字，还有物料的文字描述、图片、适配的机型信息，以及用量、库存变化这些时间序列数据——全是非结构化数据。
但这些信息对判断要不要补货、该补多少都很关键。问题在于，这类数据又杂又乱，传统的关系型数据库处理起来很吃力，分析效率也不高。
于是我们上了 Milvus 向量数据库。Milvus擅长把图像、文本、时间序列这些非结构化信息，转成一组组可以计算相似度的数字，再存进去。
有了 Milvus，系统能快速对比不同物料之间的“相似度”，帮助我们更快发现市场变化、及时调整库存策略。哪种物料可能要缺货了、哪类物料堆太多了，一目了然。既能避免断货，也能减少库存积压带来的资金压力。
接下来，我们就来看看 Milvus 在联想售后供应链里，具体是怎么落地应用的。
02
亮点场景一：辅助物料做类型分类
在联想，光是售后供应链里的物料就有上百万种。每种物料都有自己的编号、描述信息，还有对应的图片。比如：
5B20G15011：描述是“MB C N20P N2830 2G”，其实是块主板；
5D10Q79736：是个带传感器的 LCD 模组，也就是一块屏；
5CB1M64754：名字一长串，其实是笔记本的上盖，也就是键盘部分。
一开始，我们只能靠人工看描述、看图片，判断这个零件属于哪一类。虽然能分出来，但速度慢不说，碰到模糊的描述还容易搞错。随着物料越积越多，这种方式根本忙不过来。
后来，我们把这些文字和图片的信息都转成向量，存在 Milvus 向量数据库里。有了这个基础，不管是老物料还是新物料，只要录入信息，就能通过相似度检索快速找到最像的那类物料，然后一键分类搞定，效率和准确率都上了一个台阶。
03
亮点场景二：物料-机型匹配关系分类
一般来说，每种物料基本都有专属的适配机型，表面看上去是同类物料，实际参数和性能可能差得十万八千里。比如，同样是显示屏，笔记本电脑的损坏率就明显比台式机高。
所以，每当一个新产品上线，我们就得提前预测它会用到哪些物料、用量有多大。而这些判断，往往要参考之前类似物料的装机情况和损坏率。前提是，你得先弄清楚这批物料到底是给哪个机型用的。
举个例子，编号 5B20G15011 对应的是 LENOVO N20P CHROME，5D10Q79736 是 LENOVO 500E CHROMEBOOK，5CB1M64754 则属于 IDEAPAD DUET 3 11IAN8。虽然这些描述看着都很绕，但稍微分析一下，其实能看出它们分别属于 CHROME、CHROMEBOOK 和 IDEAPAD 系列。
早期我们主要靠人工加正则表达式，从这些描述里提取关键词来判断机型，但部分物料的模糊匹配准确率并不理想，而随着物料越来越多、描述越来越乱，这套方法不仅效率低，出错率还不小，维护起来也特别头大。
后来我们换了个思路，把这些描述信息提取出来、转成向量存在 Milvus 里，再通过相似度检索，快速找出和历史数据最接近的物料，自然也就能判断出它适配的机型是哪一类。简单来说，就是以前靠猜，现在靠比。这样一来，不但分类效率高了，准确率也比原来高得多
04
亮点场景三：辅助新员工决策，库存周转率提升10%
在供应链的日常操作中，采购专员面临的核心难题有这几个：某个物料到底要不要补货？要补的话，补多少才合适？补得少了怕断货，补多了又可能挤爆仓库、占用资金。一边要满足业务需求，一边又要提高库存周转率，整个流程堪称卡着线走钢丝。
经验丰富的采购员通常会参考很多数据，比如历史消耗情况、当前库存、装机量（IB）、坏损率（RA）等综合指标，再评估是否该启动采购流程。这种判断靠的是时间积累下来的业务直觉和数据敏感度。
但对于刚入行的新手来说，这就成了个大难题。面对各种看似无关、实则密切相关的指标，很容易摸不着头脑。
为了解决这个问题，联想把每种物料的各类特征整理清洗后，转成向量格式存进 Milvus 向量数据库。这样做的好处是：每次遇到新的采购判断场景，系统可以通过混合检索，在历史决策记录里快速查找——有没有和现在情况差不多的案例？当时是怎么处理的？从而辅助判断是否需要启动采购流程。
比如新人 Alice 负责的某个物料 PL，她只需要把这批物料的综合特征录入系统，同时加个筛选条件：看看老采购员 Bob 在类似情况下怎么做的。Milvus 很快就能找出 Bob 以往的决策记录，给 Alice 一个明确的参考依据。
这么一来，决策过程不再全靠个人经验，新人也能做出靠谱判断。这种“经验迁移”机制，在实际业务中直接推动库存周转率提升了 10%。
05
亮点场景四：复盘效率提升20%
在联想，复盘是企业文化中极为重要且独具特色的组成部分。它不仅能总结得失，更是一套全公司的思考方式。无论是做项目、定策略，还是推进一个供应链流程，我们都习惯在事后坐下来，认真回顾：目标是不是定对了？中间发生了什么？哪些地方做得好？又有哪些教训值得下次避免？
这样的复盘文化鼓励大家把事情讲清楚、问题摊开说，通过讨论和复现，找到更好的做法，推动经验在团队之间流动起来。流程上也很系统——从目标回顾、过程梳理到结果对比、原因分析、经验总结，步步到位，既讲逻辑也重实效。
在供应链场景下，复盘最关键的一步，就是回溯当时是怎么做决策的。比如某个物料的补货策略，为什么在那个时间点决定多备一点库存？有没有数据支撑？有没有历史案例参考？过去，这类信息散落在各种系统日志、邮件、记录表格里，要想追溯一笔决策，费时又费力。
现在，联想把这些历史决策的数据和背景信息统统转成向量，存进 Milvus 向量数据库里。每当需要复盘，只要输入当前物料或场景的特征，系统就能快速查到过去类似的操作记录、当时的判断依据和最终效果。找数据不再靠翻表格，几秒就能锁定当时是怎么想的。
结果是，复盘效率提升了超过 20%。更重要的是，大家不仅能回忆当初，还能基于数据做出更扎实的总结和判断，帮助采购团队精准制定补货策略，避免缺货风险，同时控制好库存规模，提升资金效率。
尾声
在制造业，越是贴近一线的数据，越容易被埋在系统缝隙里。物料信息、图片、机型适配、使用记录——这些看似琐碎的数据，背后其实藏着判断失误、库存积压、资金冻结的系统性风险。
在向量数据库的支撑下，那些原本散落、模糊、无从下手的非结构化信息，被重新整合进物料管理的主流程——从分类到适配、从采购到复盘，从此不用再靠拍脑袋。
在资源越来越紧、节奏越来越快的制造环境中，靠系统兜底，才是每个大型组织不断进化最靠谱的演进方式。
推荐阅读
90%的AI生成代码都是抄的，但Claude和Gemini连代码检索都不会做
Agent 还是 Workflow？其实80%的agent需求可以用Workflow搞定
ES vs Milvus vs PG vector :LLM时代的向量数据库选型指南
CodeIndexer 开源 | 我用 Gemini CLI+Milvus，做了个替代Cursor的AI coding神器
