feat: 重构分析报告为库存总览、销售分析、库存健康和补货总结四个主要板块。

朱焱飞
1 parent f52f1031
Showing 23 changed files with 4788 additions and 1096 deletions
.kiro/specs/refactor-analysis-report/design.md
.kiro/specs/refactor-analysis-report/requirements.md
.kiro/specs/refactor-analysis-report/tasks.md
README.md
docs/architecture.md
docs/商家组合维度分析需求设计.md
prompts/analysis_report.md
prompts/report_inventory_health.md
prompts/report_inventory_overview.md
prompts/report_replenishment_summary.md
prompts/report_sales_analysis.md
prompts/sql_agent.md
sql/migrate_analysis_report.sql
src/fw_pms_ai/agent/analysis_report_node.py
src/fw_pms_ai/agent/sql_agent/agent.py
src/fw_pms_ai/agent/state.py
src/fw_pms_ai/api/routes/tasks.py
src/fw_pms_ai/models/analysis_report.py
src/fw_pms_ai/models/part_ratio.py
src/fw_pms_ai/services/result_writer.py
+# 设计文档：重构分析报告功能
+
+## 概述
+
+重构 AI 补货建议系统的分析报告功能，将现有的四模块宏观决策报告（整体态势研判/风险预警/采购策略/效果预期）替换为四大数据驱动板块（库存总体概览/销量分析/库存构成健康度/补货建议生成情况）。每个板块包含精确的统计数据和 LLM 生成的分析文本。
+
+核心设计变更：
+- 从"LLM 主导分析"转变为"数据统计 + LLM 辅助分析"模式
+- 使用 LangGraph 动态节点并发生成四个板块的 LLM 分析
+- 前端新增 Chart.js 图表支持库存健康度可视化
+- 数据库表结构完全重建，四个 JSON 字段分别存储各板块数据
+
+## 架构
+
+### 整体数据流
+
+```mermaid
+graph TD
+    A[allocate_budget 节点完成] --> B[generate_analysis_report 节点]
+    B --> C[统计计算阶段]
+    C --> C1[库存概览统计]
+    C --> C2[销量分析统计]
+    C --> C3[健康度统计]
+    C --> C4[补货建议统计]
+    C1 & C2 & C3 & C4 --> D[LangGraph 并发 LLM 分析]
+    D --> D1[库存概览 LLM 节点]
+    D --> D2[销量分析 LLM 节点]
+    D --> D3[健康度 LLM 节点]
+    D --> D4[补货建议 LLM 节点]
+    D1 & D2 & D3 & D4 --> E[汇总报告]
+    E --> F[Result_Writer 写入数据库]
+    F --> G[API 返回前端]
+    G --> H[Report_UI 渲染]
+```
+
+### LangGraph 并发子图设计
+
+在现有工作流 `allocate_budget → generate_analysis_report → END` 中，`generate_analysis_report` 节点内部使用一个 LangGraph 子图实现并发：
+
+```mermaid
+graph TD
+    START[统计计算完成] --> FORK{并发分发}
+    FORK --> N1[inventory_overview_llm]
+    FORK --> N2[sales_analysis_llm]
+    FORK --> N3[inventory_health_llm]
+    FORK --> N4[replenishment_summary_llm]
+    N1 & N2 & N3 & N4 --> JOIN[汇总合并]
+    JOIN --> END_NODE[返回完整报告]
+```
+
+实现方式：使用 `langgraph.graph.StateGraph` 构建子图，通过 `add_node` 添加四个并发 LLM 节点，使用 fan-out/fan-in 模式（从 START 分发到四个节点，四个节点汇聚到 END）。每个节点独立调用 LLM，失败不影响其他节点。
+
+## 组件与接口
+
+### 1. 统计计算模块 (analysis_report_node.py)
+
+#### `calculate_inventory_overview(part_ratios: list[dict]) -> dict`
+计算库存总体概览统计数据。有效库存使用 `valid_storage_cnt`（三项公式：in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt）。
+
+输入：PartRatio 字典列表
+输出：
+```python
+{
+    "total_valid_storage_cnt": Decimal,      # 有效库存总数量（五项之和）
+    "total_valid_storage_amount": Decimal,   # 有效库存总金额（资金占用）
+    "total_in_stock_unlocked_cnt": Decimal,  # 在库未锁总数量
+    "total_in_stock_unlocked_amount": Decimal,
+    "total_on_the_way_cnt": Decimal,         # 在途总数量
+    "total_on_the_way_amount": Decimal,
+    "total_has_plan_cnt": Decimal,           # 计划数总数量
+    "total_has_plan_amount": Decimal,
+    "total_transfer_cnt": Decimal,           # 主动调拨在途总数量
+    "total_transfer_amount": Decimal,
+    "total_gen_transfer_cnt": Decimal,       # 自动调拨在途总数量
+    "total_gen_transfer_amount": Decimal,
+    "total_avg_sales_cnt": Decimal,          # 月均销量总数量
+    "overall_ratio": Decimal,                # 整体库销比
+    "part_count": int,                       # 配件总种类数
+}
+```
+
+#### `calculate_sales_analysis(part_ratios: list[dict]) -> dict`
+计算销量分析统计数据。
+
+输入：PartRatio 字典列表
+输出：
+```python
+{
+    "total_avg_sales_cnt": Decimal,          # 月均销量总数量
+    "total_avg_sales_amount": Decimal,       # 月均销量总金额
+    "total_out_stock_cnt": Decimal,          # 90天出库数总量
+    "total_storage_locked_cnt": Decimal,     # 未关单已锁总量
+    "total_out_stock_ongoing_cnt": Decimal,  # 未关单出库总量
+    "total_buy_cnt": int,                    # 订件总量
+    "has_sales_part_count": int,             # 有销量配件数
+    "no_sales_part_count": int,              # 无销量配件数
+}
+```
+
+#### `calculate_inventory_health(part_ratios: list[dict]) -> dict`
+计算库存构成健康度统计数据。
+
+输入：PartRatio 字典列表
+输出：
+```python
+{
+    "shortage": {"count": int, "amount": Decimal, "count_pct": float, "amount_pct": float},
+    "stagnant": {"count": int, "amount": Decimal, "count_pct": float, "amount_pct": float},
+    "low_freq": {"count": int, "amount": Decimal, "count_pct": float, "amount_pct": float},
+    "normal":   {"count": int, "amount": Decimal, "count_pct": float, "amount_pct": float},
+    "total_count": int,
+    "total_amount": Decimal,
+}
+```
+
+#### `calculate_replenishment_summary(part_results: list) -> dict`
+计算补货建议生成情况统计数据。
+
+输入：part_results 列表（配件汇总结果）
+输出：
+```python
+{
+    "urgent":    {"count": int, "amount": Decimal},  # 急需补货 (priority=1)
+    "suggested": {"count": int, "amount": Decimal},  # 建议补货 (priority=2)
+    "optional":  {"count": int, "amount": Decimal},  # 可选补货 (priority=3)
+    "total_count": int,
+    "total_amount": Decimal,
+}
+```
+
+### 2. LLM 分析节点
+
+四个独立的 LLM 分析函数，每个接收对应板块的统计数据，调用 LLM 生成分析文本：
+
+- `llm_analyze_inventory_overview(stats: dict) -> str` — 返回 JSON 字符串
+- `llm_analyze_sales(stats: dict) -> str` — 返回 JSON 字符串
+- `llm_analyze_inventory_health(stats: dict) -> str` — 返回 JSON 字符串
+- `llm_analyze_replenishment_summary(stats: dict) -> str` — 返回 JSON 字符串
+
+每个函数加载对应的提示词模板（统一放在 `prompts/analysis_report.md` 中，按板块分段），填充统计数据，调用 LLM，解析 JSON 响应。
+
+### 3. 提示词文件
+
+拆分为四个独立提示词文件，每个板块一个，确保分析专业且有实际决策价值：
+
+#### prompts/report_inventory_overview.md — 库存概览分析
+
+角色：资深汽车配件库存管理专家。输入统计数据后，要求 LLM 分析：
+- **资金占用评估**：总库存金额是否合理，各构成部分（在库未锁/在途/计划数/主动调拨在途/自动调拨在途）的资金分配比例是否健康
+- **库销比诊断**：当前整体库销比处于什么水平（<1 库存不足，1-2 合理，2-3 偏高，>3 严重积压），对比行业经验给出判断
+- **库存结构建议**：基于五项构成的比例，给出具体的库存结构优化方向
+
+输出 JSON 格式：
+```json
+{
+    "capital_assessment": {
+        "total_evaluation": "总资金占用评估",
+        "structure_ratio": "各构成部分的资金比例分析",
+        "risk_level": "high/medium/low"
+    },
+    "ratio_diagnosis": {
+        "level": "不足/合理/偏高/严重积压",
+        "analysis": "库销比具体分析",
+        "benchmark": "行业参考值对比"
+    },
+    "recommendations": ["具体建议1", "具体建议2"]
+}
+```
+
+#### prompts/report_sales_analysis.md — 销量分析
+
+角色：汽车配件销售数据分析师。输入统计数据后，要求 LLM 分析：
+- **销量构成解读**：90天出库数占比最大说明正常销售为主，未关单已锁/出库占比高说明有大量待处理订单，订件占比高说明客户预订需求旺盛
+- **销售活跃度**：有销量 vs 无销量配件的比例反映 SKU 活跃度，无销量占比过高说明 SKU 管理需要优化
+- **需求趋势判断**：基于各组成部分的比例关系，判断当前需求是稳定、上升还是下降趋势
+
+输出 JSON 格式：
+```json
+{
+    "composition_analysis": {
+        "main_driver": "主要销量来源分析",
+        "pending_orders_impact": "未关单对销量的影响",
+        "booking_trend": "订件趋势分析"
+    },
+    "activity_assessment": {
+        "active_ratio": "活跃SKU占比评估",
+        "optimization_suggestion": "SKU优化建议"
+    },
+    "demand_trend": {
+        "direction": "上升/稳定/下降",
+        "evidence": "判断依据",
+        "forecast": "短期需求预测"
+    }
+}
+```
+
+#### prompts/report_inventory_health.md — 库存健康度分析
+
+角色：汽车配件库存健康度诊断专家。输入统计数据后，要求 LLM 分析：
+- **健康度评分**：基于正常件占比给出整体健康度评分（正常件>70%为健康，50-70%为亚健康，<50%为不健康）
+- **问题诊断**：呆滞件占比高说明采购决策需要优化，缺货件占比高说明补货不及时，低频件占比高说明 SKU 精简空间大
+- **资金释放机会**：呆滞件和低频件占用的资金可以通过促销、退货等方式释放，给出具体金额估算
+- **改善优先级**：按影响程度排序，给出最应优先处理的问题类型
+
+输出 JSON 格式：
+```json
+{
+    "health_score": {
+        "score": "健康/亚健康/不健康",
+        "normal_ratio_evaluation": "正常件占比评估"
+    },
+    "problem_diagnosis": {
+        "stagnant_analysis": "呆滞件问题分析及原因",
+        "shortage_analysis": "缺货件问题分析及影响",
+        "low_freq_analysis": "低频件问题分析及建议"
+    },
+    "capital_release": {
+        "stagnant_releasable": "呆滞件可释放资金估算",
+        "low_freq_releasable": "低频件可释放资金估算",
+        "action_plan": "资金释放行动方案"
+    },
+    "priority_actions": ["最优先处理事项1", "最优先处理事项2"]
+}
+```
+
+#### prompts/report_replenishment_summary.md — 补货建议分析
+
+角色：汽车配件采购策略顾问。输入统计数据后，要求 LLM 分析：
+- **紧迫度评估**：急需补货占比反映当前缺货风险程度，急需占比>30%说明库存管理存在较大问题
+- **资金分配建议**：基于各优先级的金额分布，给出资金分配的先后顺序和比例建议
+- **执行节奏建议**：急需补货应立即执行，建议补货可在1-2周内完成，可选补货可根据资金情况灵活安排
+- **风险提示**：如果可选补货金额占比过高，提示可能存在过度补货风险
+
+输出 JSON 格式：
+```json
+{
+    "urgency_assessment": {
+        "urgent_ratio_evaluation": "急需补货占比评估",
+        "risk_level": "high/medium/low",
+        "immediate_action_needed": true/false
+    },
+    "budget_allocation": {
+        "recommended_order": "建议资金分配顺序",
+        "urgent_budget": "急需补货建议预算",
+        "suggested_budget": "建议补货建议预算",
+        "optional_budget": "可选补货建议预算"
+    },
+    "execution_plan": {
+        "urgent_timeline": "急需补货执行时间建议",
+        "suggested_timeline": "建议补货执行时间建议",
+        "optional_timeline": "可选补货执行时间建议"
+    },
+    "risk_warnings": ["风险提示1", "风险提示2"]
+}
+```
+
+### 4. API 接口 (tasks.py)
+
+更新 `GET /api/tasks/{task_no}/analysis-report` 端点：
+
+响应模型 `AnalysisReportResponse`：
+```python
+class AnalysisReportResponse(BaseModel):
+    id: int
+    task_no: str
+    group_id: int
+    dealer_grouping_id: int
+    dealer_grouping_name: Optional[str]
+    report_type: str
+    
+    inventory_overview: Optional[Dict[str, Any]]    # 库存概览（统计+分析）
+    sales_analysis: Optional[Dict[str, Any]]        # 销量分析（统计+分析）
+    inventory_health: Optional[Dict[str, Any]]      # 健康度（统计+分析+图表数据）
+    replenishment_summary: Optional[Dict[str, Any]] # 补货建议（统计+分析）
+    
+    llm_provider: Optional[str]
+    llm_model: Optional[str]
+    llm_tokens: int
+    execution_time_ms: int
+    statistics_date: Optional[str]
+    create_time: Optional[str]
+```
+
+### 5. 前端渲染 (app.js)
+
+`renderReportTab()` 重写，渲染四个板块：
+
+1. **库存概览板块**: 统计卡片（总数量、总金额、库销比）+ 五项构成明细表（在库未锁/在途/计划数/主动调拨在途/自动调拨在途）+ LLM 分析文本
+2. **销量分析板块**: 统计卡片（月均销量、总金额）+ 构成明细表 + LLM 分析文本
+3. **健康度板块**: 统计卡片 + Chart.js 环形图（数量占比 + 金额占比）+ LLM 分析文本
+4. **补货建议板块**: 优先级统计表 + LLM 分析文本
+
+### 6. Chart.js 集成
+
+在 `ui/index.html` 中通过 CDN 引入 Chart.js：
+```html
+<script src="https://cdn.jsdelivr.net/npm/chart.js@4.4.7/dist/chart.umd.min.js"></script>
+```
+
+健康度板块使用两个环形图（Doughnut Chart）：
+- 数量占比图：缺货/呆滞/低频/正常 四类的数量百分比
+- 金额占比图：缺货/呆滞/低频/正常 四类的金额百分比
+
+## 数据模型
+
+### 数据库表 (ai_analysis_report)
+
+```sql
+DROP TABLE IF EXISTS ai_analysis_report;
+CREATE TABLE ai_analysis_report (
+    id                   BIGINT AUTO_INCREMENT PRIMARY KEY COMMENT '主键ID',
+    task_no              VARCHAR(32) NOT NULL COMMENT '任务编号',
+    group_id             BIGINT NOT NULL COMMENT '集团ID',
+    dealer_grouping_id   BIGINT NOT NULL COMMENT '商家组合ID',
+    dealer_grouping_name VARCHAR(128) COMMENT '商家组合名称',
+    brand_grouping_id    BIGINT COMMENT '品牌组合ID',
+    report_type          VARCHAR(32) DEFAULT 'replenishment' COMMENT '报告类型',
+    
+    -- 四大板块 (JSON 结构化存储，每个字段包含 stats + llm_analysis)
+    inventory_overview    JSON COMMENT '库存总体概览(统计数据+LLM分析)',
+    sales_analysis        JSON COMMENT '销量分析(统计数据+LLM分析)',
+    inventory_health      JSON COMMENT '库存构成健康度(统计数据+图表数据+LLM分析)',
+    replenishment_summary JSON COMMENT '补货建议生成情况(统计数据+LLM分析)',
+    
+    -- LLM 元数据
+    llm_provider         VARCHAR(32) COMMENT 'LLM提供商',
+    llm_model            VARCHAR(64) COMMENT 'LLM模型名称',
+    llm_tokens           INT DEFAULT 0 COMMENT 'LLM Token消耗',
+    execution_time_ms    INT DEFAULT 0 COMMENT '执行耗时(毫秒)',
+    
+    statistics_date      VARCHAR(16) COMMENT '统计日期',
+    create_time          DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
+    
+    INDEX idx_task_no (task_no),
+    INDEX idx_group_date (group_id, statistics_date),
+    INDEX idx_dealer_grouping (dealer_grouping_id)
+) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='AI补货建议分析报告表-重构版';
+```
+
+### Python 数据模型 (AnalysisReport)
+
+```python
+@dataclass
+class AnalysisReport:
+    task_no: str
+    group_id: int
+    dealer_grouping_id: int
+    
+    id: Optional[int] = None
+    dealer_grouping_name: Optional[str] = None
+    brand_grouping_id: Optional[int] = None
+    report_type: str = "replenishment"
+    
+    # 四大板块
+    inventory_overview: Optional[Dict[str, Any]] = None
+    sales_analysis: Optional[Dict[str, Any]] = None
+    inventory_health: Optional[Dict[str, Any]] = None
+    replenishment_summary: Optional[Dict[str, Any]] = None
+    
+    # LLM 元数据
+    llm_provider: str = ""
+    llm_model: str = ""
+    llm_tokens: int = 0
+    execution_time_ms: int = 0
+    
+    statistics_date: str = ""
+    create_time: Optional[datetime] = None
+```
+
+### 每个板块的 JSON 数据结构
+
+每个板块的 JSON 包含 `stats`（统计数据）和 `llm_analysis`（LLM 分析文本）两部分：
+
+```python
+# inventory_overview 示例
+{
+    "stats": {
+        "total_valid_storage_cnt": 12500,
+        "total_valid_storage_amount": 3250000.00,
+        "total_in_stock_unlocked_cnt": 8000,
+        "total_in_stock_unlocked_amount": 2080000.00,
+        "total_on_the_way_cnt": 2500,
+        "total_on_the_way_amount": 650000.00,
+        "total_has_plan_cnt": 1000,
+        "total_has_plan_amount": 260000.00,
+        "total_transfer_cnt": 600,
+        "total_transfer_amount": 156000.00,
+        "total_gen_transfer_cnt": 400,
+        "total_gen_transfer_amount": 104000.00,
+        "total_avg_sales_cnt": 5000,
+        "overall_ratio": 2.5,
+        "part_count": 800
+    },
+    "llm_analysis": { ... }  # LLM 返回的 JSON 分析对象
+}
+
+# inventory_health 示例（额外包含 chart_data）
+{
+    "stats": {
+        "shortage": {"count": 50, "amount": 125000, "count_pct": 6.25, "amount_pct": 3.85},
+        "stagnant": {"count": 120, "amount": 480000, "count_pct": 15.0, "amount_pct": 14.77},
+        "low_freq": {"count": 200, "amount": 300000, "count_pct": 25.0, "amount_pct": 9.23},
+        "normal":   {"count": 430, "amount": 2345000, "count_pct": 53.75, "amount_pct": 72.15},
+        "total_count": 800,
+        "total_amount": 3250000
+    },
+    "chart_data": {
+        "labels": ["缺货件", "呆滞件", "低频件", "正常件"],
+        "count_values": [50, 120, 200, 430],
+        "amount_values": [125000, 480000, 300000, 2345000]
+    },
+    "llm_analysis": { ... }
+}
+```
+
+
+## 正确性属性
+
+*正确性属性是系统在所有合法执行中都应保持为真的特征或行为——本质上是关于系统应该做什么的形式化陈述。属性是人类可读规范与机器可验证正确性保证之间的桥梁。*
+
+### Property 1: 库存概览统计一致性
+
+*对于任意* PartRatio 字典列表，`calculate_inventory_overview` 的输出应满足：
+- `total_valid_storage_cnt` = 所有配件 `(in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt)` 之和
+- `total_valid_storage_amount` = 所有配件 `(in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt) × cost_price` 之和
+- `total_in_stock_unlocked_cnt + total_on_the_way_cnt + total_has_plan_cnt` = `total_valid_storage_cnt`（构成不变量）
+- 当 `total_avg_sales_cnt > 0` 时，`overall_ratio` = `total_valid_storage_cnt / total_avg_sales_cnt`
+
+**Validates: Requirements 2.1, 2.2, 2.3**
+
+### Property 2: 销量分析统计一致性
+
+*对于任意* PartRatio 字典列表，`calculate_sales_analysis` 的输出应满足：
+- `total_avg_sales_cnt` = 所有配件 `(out_stock_cnt + storage_locked_cnt + out_stock_ongoing_cnt + buy_cnt) / 3` 之和
+- `(total_out_stock_cnt + total_storage_locked_cnt + total_out_stock_ongoing_cnt + total_buy_cnt) / 3` = `total_avg_sales_cnt`（构成不变量）
+- `has_sales_part_count + no_sales_part_count` = 总配件数
+
+**Validates: Requirements 3.1, 3.2, 3.4**
+
+### Property 3: 健康度分类完备性与一致性
+
+*对于任意* PartRatio 字典列表，`calculate_inventory_health` 的输出应满足：
+- `shortage.count + stagnant.count + low_freq.count + normal.count` = `total_count`（分类完备）
+- `shortage.amount + stagnant.amount + low_freq.amount + normal.amount` = `total_amount`（金额守恒）
+- 每种类型的 `count_pct` = `count / total_count × 100`
+- 所有 `count_pct` 之和 ≈ 100.0（浮点精度容差内）
+
+**Validates: Requirements 4.1, 4.2**
+
+### Property 4: 补货建议统计一致性
+
+*对于任意* part_results 列表，`calculate_replenishment_summary` 的输出应满足：
+- `urgent.count + suggested.count + optional.count` = `total_count`
+- `urgent.amount + suggested.amount + optional.amount` = `total_amount`
+
+**Validates: Requirements 5.1, 5.2**
+
+### Property 5: 报告数据模型序列化 round-trip
+
+*对于任意* 合法的 AnalysisReport 对象，调用 `to_dict()` 后再用返回的字典构造新的 AnalysisReport 对象，两个对象的核心字段应相等。
+
+**Validates: Requirements 10.2, 10.3**
+
+## 错误处理
+
+| 错误场景 | 处理方式 |
+|---------|---------|
+| LLM 单板块调用失败 | 该板块 `llm_analysis` 置为 `{"error": "错误信息"}`，其他板块正常生成 |
+| LLM 返回非法 JSON | 记录原始响应到日志，`llm_analysis` 置为 `{"error": "JSON解析失败", "raw": "原始文本前200字符"}` |
+| PartRatio 列表为空 | 所有统计值为 0，LLM 分析说明无数据 |
+| part_results 列表为空 | 补货建议板块统计值为 0，LLM 分析说明无补货建议 |
+| 数据库写入失败 | 记录错误日志，不中断主工作流，返回包含错误信息的报告 |
+| 提示词文件缺失 | 抛出 FileNotFoundError，由上层节点捕获并记录 |
+
+## 测试策略
+
+### 属性测试 (Property-Based Testing)
+
+使用 `hypothesis` 库进行属性测试，每个属性至少运行 100 次迭代。
+
+- **Property 1**: 生成随机 PartRatio 字典列表（随机数量、随机字段值），验证库存概览统计的不变量
+  - Tag: **Feature: refactor-analysis-report, Property 1: 库存概览统计一致性**
+- **Property 2**: 生成随机 PartRatio 字典列表，验证销量分析统计的不变量
+  - Tag: **Feature: refactor-analysis-report, Property 2: 销量分析统计一致性**
+- **Property 3**: 生成随机 PartRatio 字典列表，验证健康度分类的完备性和一致性
+  - Tag: **Feature: refactor-analysis-report, Property 3: 健康度分类完备性与一致性**
+- **Property 4**: 生成随机 part_results 列表（随机优先级和金额），验证补货建议统计的一致性
+  - Tag: **Feature: refactor-analysis-report, Property 4: 补货建议统计一致性**
+- **Property 5**: 生成随机 AnalysisReport 对象，验证 to_dict round-trip
+  - Tag: **Feature: refactor-analysis-report, Property 5: 报告数据模型序列化 round-trip**
+
+### 单元测试
+
+- 边界情况：空列表输入、月均销量为零、所有配件同一类型
+- LLM 响应解析：合法 JSON、非法 JSON、空响应
+- API 端点：有报告数据、无报告数据
+
+### 集成测试
+
+- 完整报告生成流程（mock LLM）
+- 数据库写入和读取一致性
+- 前端渲染（手动验证）
+# 需求文档：重构分析报告功能
+
+## 简介
+
+重构 AI 补货建议系统的分析报告功能。先清理现有分析报告相关代码（仅限分析报告模块，不涉及其他模块），再基于新结构重建。新报告涵盖库存总体概览、销量分析、库存构成健康度、补货建议生成情况四大板块。每个板块包含统计数据和 LLM 生成的分析文本。考虑使用 LangGraph 动态节点并发生成各板块统计及分析，最后汇总。涉及全栈改动：数据库表结构、数据模型、Agent 节点、LLM 提示词、API 接口、前端页面。
+
+## 术语表
+
+- **Report_Generator**: 分析报告生成节点（analysis_report_node），负责统计计算和调用 LLM 生成报告
+- **Report_API**: 分析报告 API 接口，负责从数据库读取报告并返回给前端
+- **Report_UI**: 前端报告渲染模块，负责展示报告数据和图表
+- **PartRatio**: 配件库销比数据，包含库存、销量、成本等原始数据
+- **有效库存**: valid_storage_cnt = in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt（在库未锁 + 在途 + 计划数）
+- **月均销量**: (90天出库数 + 未关单已锁 + 未关单出库 + 订件) / 3
+- **库销比**: 有效库存(valid_storage_cnt) / 月均销量
+- **呆滞件**: 有效库存(valid_storage_cnt) > 0 且 90天出库数 = 0 的配件
+- **低频件**: 月均销量 < 1 或 出库次数 < 3 或 出库间隔 >= 30天 的配件
+- **缺货件**: 有效库存(valid_storage_cnt) = 0 且 月均销量 >= 1 的配件
+- **正常件**: 不属于呆滞件、低频件、缺货件的配件
+- **急需补货**: 优先级 1，库销比 < 0.5 且月均销量 >= 1
+- **建议补货**: 优先级 2，库销比 0.5-1.0 且月均销量 >= 1
+- **可选补货**: 优先级 3，库销比 1.0-目标值 且月均销量 >= 1
+- **Result_Writer**: 数据库写入服务，负责将报告持久化到 MySQL
+
+## 需求
+
+### 需求 1：清理现有分析报告代码
+
+**用户故事:** 作为开发者，我希望先清理现有分析报告相关代码，以便在干净的基础上重构新报告功能。
+
+#### 验收标准
+
+1. WHEN 开始重构, THE 开发者 SHALL 清理 analysis_report_node.py 中的现有报告生成逻辑
+2. WHEN 开始重构, THE 开发者 SHALL 清理 analysis_report.py 中的现有数据模型
+3. WHEN 开始重构, THE 开发者 SHALL 清理 prompts/analysis_report.md 中的现有提示词
+4. WHEN 开始重构, THE 开发者 SHALL 清理前端 app.js 中的现有报告渲染代码（renderReportTab、renderOverallAssessment、renderRiskAlerts、renderStrategy、renderExpectedImpact）
+5. WHEN 清理代码, THE 开发者 SHALL 仅清理分析报告相关代码，保持其他模块代码不变
+
+### 需求 2：库存总体概览统计
+
+**用户故事:** 作为采购决策者，我希望看到库存总体概览（总数量、总金额/资金占用、库销比及库存构成明细），以便快速了解当前库存状况和资金占用情况。
+
+#### 验收标准
+
+1. WHEN Report_Generator 接收到 PartRatio 列表, THE Report_Generator SHALL 使用 valid_storage_cnt（in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt）计算所有配件的有效库存总数量和总金额（有效库存 × 成本价之和）
+2. WHEN Report_Generator 计算库存构成, THE Report_Generator SHALL 分别统计在库未锁(in_stock_unlocked_cnt)、在途(on_the_way_cnt)、计划数(has_plan_cnt)的总数量/总金额
+3. WHEN Report_Generator 计算库销比, THE Report_Generator SHALL 使用有效库存总数量除以月均销量总数量得到整体库销比
+4. WHEN 库存概览统计完成, THE Report_Generator SHALL 将统计数据作为上下文传递给 LLM 生成库存概览分析文本
+5. IF 月均销量总数量为零, THEN THE Report_Generator SHALL 将库销比标记为特殊值并在分析中说明无销量数据
+
+### 需求 3：销量分析统计
+
+**用户故事:** 作为采购决策者，我希望看到销量分析（月均销量及各组成部分明细），以便了解销售趋势和需求分布。
+
+#### 验收标准
+
+1. WHEN Report_Generator 接收到 PartRatio 列表, THE Report_Generator SHALL 计算所有配件的月均销量总数量和总金额（月均销量 × 成本价之和）
+2. WHEN Report_Generator 计算销量构成, THE Report_Generator SHALL 分别统计90天出库数(out_stock_cnt)总量、未关单已锁(storage_locked_cnt)总量、未关单出库(out_stock_ongoing_cnt)总量、订件(buy_cnt)总量
+3. WHEN 销量统计完成, THE Report_Generator SHALL 将统计数据作为上下文传递给 LLM 生成销量分析文本
+4. WHEN Report_Generator 计算销量分布, THE Report_Generator SHALL 统计有销量配件数（月均销量 > 0）和无销量配件数（月均销量 = 0）
+
+### 需求 4：库存构成健康度统计
+
+**用户故事:** 作为采购决策者，我希望看到库存健康度分析（缺货/呆滞/低频/正常各类型的数量和金额占比），以便识别库存结构问题。
+
+#### 验收标准
+
+1. WHEN Report_Generator 分类配件, THE Report_Generator SHALL 将每个配件归类为缺货件、呆滞件、低频件或正常件中的一种
+2. WHEN Report_Generator 统计各类型, THE Report_Generator SHALL 计算每种类型的配件数量、占总数量的百分比、涉及金额（有效库存 × 成本价）、占总金额的百分比
+3. WHEN 健康度统计完成, THE Report_Generator SHALL 将统计数据作为上下文传递给 LLM 生成健康度分析文本
+4. WHEN Report_API 返回健康度数据, THE Report_API SHALL 返回包含各类型数量和金额的结构化数据，供前端生成图表
+5. WHEN Report_UI 展示健康度数据, THE Report_UI SHALL 使用图表展示各类型配件的数量占比和金额占比
+
+### 需求 5：补货建议生成情况统计
+
+**用户故事:** 作为采购决策者，我希望看到本次补货建议的生成情况（急需/建议/可选各优先级的配件数和金额），以便了解补货的紧迫程度和资金需求。
+
+#### 验收标准
+
+1. WHEN Report_Generator 统计补货建议, THE Report_Generator SHALL 按优先级（急需补货/建议补货/可选补货）分别统计配件种类数和建议补货总金额
+2. WHEN Report_Generator 统计补货总量, THE Report_Generator SHALL 计算所有优先级的配件总种类数和总金额
+3. WHEN 补货统计完成, THE Report_Generator SHALL 将统计数据作为上下文传递给 LLM 生成补货建议分析文本
+
+### 需求 6：数据库表结构重构
+
+**用户故事:** 作为开发者，我希望数据库表结构能够存储新的报告模块数据，以便支持四大板块的数据持久化。
+
+#### 验收标准
+
+1. THE ai_analysis_report 表 SHALL 包含库存概览模块的 JSON 字段（inventory_overview）存储统计数据和 LLM 分析
+2. THE ai_analysis_report 表 SHALL 包含销量分析模块的 JSON 字段（sales_analysis）存储统计数据和 LLM 分析
+3. THE ai_analysis_report 表 SHALL 包含健康度模块的 JSON 字段（inventory_health）存储统计数据和 LLM 分析
+4. THE ai_analysis_report 表 SHALL 包含补货建议模块的 JSON 字段（replenishment_summary）存储统计数据和 LLM 分析
+5. THE ai_analysis_report 表 SHALL 保留 task_no、group_id、dealer_grouping_id 等基础字段和 LLM 元数据字段
+
+### 需求 7：LLM 提示词重构与并发生成
+
+**用户故事:** 作为开发者，我希望使用 LangGraph 动态节点并发生成各板块的 LLM 分析，提高报告生成效率。
+
+#### 验收标准
+
+1. WHEN Report_Generator 生成报告, THE Report_Generator SHALL 使用 LangGraph 动态节点并发调用 LLM 生成四个板块的分析文本
+2. WHEN 每个板块节点调用 LLM, THE 节点 SHALL 在提示词中仅包含该板块相关的统计数据
+3. WHEN LLM 生成分析, THE LLM 输出 SHALL 为合法的 JSON 对象
+4. WHEN 所有板块分析完成, THE Report_Generator SHALL 汇总四个板块的统计数据和 LLM 分析结果为一个完整报告
+5. IF 某个板块的 LLM 调用失败, THEN THE Report_Generator SHALL 记录错误日志，该板块分析文本置为错误提示，其他板块继续正常生成
+
+### 需求 8：API 接口重构
+
+**用户故事:** 作为前端开发者，我希望 API 返回新结构的报告数据，以便前端能够渲染四大板块。
+
+#### 验收标准
+
+1. WHEN 前端请求分析报告, THE Report_API SHALL 返回包含四个模块（inventory_overview、sales_analysis、inventory_health、replenishment_summary）的 JSON 响应
+2. WHEN 报告中包含 JSON 字符串字段, THE Report_API SHALL 将其解析为 JSON 对象后返回
+3. IF 指定 task_no 无报告数据, THEN THE Report_API SHALL 返回 null
+
+### 需求 9：前端报告页面重构
+
+**用户故事:** 作为采购决策者，我希望在前端看到结构清晰的四大板块报告，包含统计数据卡片、图表和 LLM 分析文本。
+
+#### 验收标准
+
+1. WHEN Report_UI 渲染报告, THE Report_UI SHALL 按库存概览、销量分析、健康度、补货建议的顺序展示四个板块
+2. WHEN Report_UI 渲染库存概览板块, THE Report_UI SHALL 展示总库存数量、总金额（资金占用）、库销比的统计卡片，以及三项构成明细（在库未锁/在途/计划数）和 LLM 分析文本
+3. WHEN Report_UI 渲染销量分析板块, THE Report_UI SHALL 展示月均销量总量、销量构成明细（90天出库/未关单已锁/未关单出库/订件）和 LLM 分析文本
+4. WHEN Report_UI 渲染健康度板块, THE Report_UI SHALL 展示各类型配件的数量/金额占比图表和 LLM 分析文本
+5. WHEN Report_UI 渲染补货建议板块, THE Report_UI SHALL 展示各优先级的配件数/金额统计和 LLM 分析文本
+6. WHEN Report_UI 渲染健康度图表, THE Report_UI SHALL 使用 Chart.js 生成饼图或环形图展示数量占比和金额占比
+
+### 需求 10：数据模型与写入服务重构
+
+**用户故事:** 作为开发者，我希望 Python 数据模型和数据库写入服务能够适配新的报告结构。
+
+#### 验收标准
+
+1. THE AnalysisReport 数据模型 SHALL 包含 inventory_overview、sales_analysis、inventory_health、replenishment_summary 四个字典字段
+2. WHEN Result_Writer 保存报告, THE Result_Writer SHALL 将四个模块的字典数据序列化为 JSON 字符串写入对应数据库字段
+3. THE AnalysisReport 数据模型 SHALL 提供 to_dict 方法将报告转换为可序列化的字典
+# 实现计划：重构分析报告功能
+
+## 概述
+
+全栈重构分析报告功能，从清理现有代码开始，依次重建数据库表、数据模型、统计计算、LLM 提示词、并发节点、API 接口、前端页面。使用 Python + LangGraph + FastAPI + Chart.js 技术栈。
+
+## 任务
+
+- [x] 1. 清理现有分析报告专属文件
+  - [x] 1.1 清空 `src/fw_pms_ai/models/analysis_report.py`，仅保留文件头注释和必要 import，移除现有 AnalysisReport dataclass 的所有字段和方法
+  - [x] 1.2 清空 `src/fw_pms_ai/agent/analysis_report_node.py`，仅保留文件头注释和必要 import，移除 `_load_prompt`、`_calculate_suggestion_stats`、`_calculate_risk_stats`、`_build_suggestion_summary`、`generate_analysis_report_node` 等所有函数
+  - [x] 1.3 清空 `prompts/analysis_report.md` 的内容
+  - 注意：此步骤仅清理分析报告专属文件，不修改 `tasks.py`、`app.js`、`result_writer.py` 等共享文件（这些文件中的报告相关代码将在后续重建步骤中以替换方式更新）
+  - _Requirements: 1.1, 1.2, 1.3, 1.5_
+
+- [x] 2. 重建数据库表和数据模型
+  - [x] 2.1 重写 `sql/migrate_analysis_report.sql`，创建新表结构（inventory_overview、sales_analysis、inventory_health、replenishment_summary 四个 JSON 字段 + LLM 元数据字段）
+    - _Requirements: 6.1, 6.2, 6.3, 6.4, 6.5_
+  - [x] 2.2 在已清空的 `src/fw_pms_ai/models/analysis_report.py` 中编写新的 AnalysisReport dataclass（四个 Dict 字段 + to_dict 方法）
+    - _Requirements: 10.1, 10.3_
+  - [x] 2.3 替换 `src/fw_pms_ai/services/result_writer.py` 中的 `save_analysis_report` 方法为新版本，适配新表结构（四个 JSON 字段序列化写入），不修改该文件中的其他方法
+    - _Requirements: 10.2_
+  - [ ]* 2.4 编写属性测试：报告数据模型序列化 round-trip
+    - **Property 5: 报告数据模型序列化 round-trip**
+    - **Validates: Requirements 10.2, 10.3**
+
+- [x] 3. 实现四大板块统计计算函数
+  - [x] 3.1 在已清空的 `src/fw_pms_ai/agent/analysis_report_node.py` 中实现 `calculate_inventory_overview(part_ratios)` 函数
+    - 计算有效库存（valid_storage_cnt = in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt）总数量/总金额、三项构成明细、库销比
+    - _Requirements: 2.1, 2.2, 2.3, 2.5_
+  - [x] 3.2 实现 `calculate_sales_analysis(part_ratios)` 函数
+    - 计算月均销量总数量/总金额、各组成部分（out_stock_cnt/storage_locked_cnt/out_stock_ongoing_cnt/buy_cnt）总量、有销量/无销量配件数
+    - _Requirements: 3.1, 3.2, 3.4_
+  - [x] 3.3 实现 `calculate_inventory_health(part_ratios)` 函数
+    - 将配件分类为缺货/呆滞/低频/正常，计算各类型数量/金额/百分比，生成 chart_data
+    - _Requirements: 4.1, 4.2_
+  - [x] 3.4 实现 `calculate_replenishment_summary(part_results)` 函数
+    - 按优先级（1=急需/2=建议/3=可选）统计配件种类数和金额
+    - _Requirements: 5.1, 5.2_
+  - [ ]* 3.5 编写属性测试：库存概览统计一致性
+    - **Property 1: 库存概览统计一致性**
+    - **Validates: Requirements 2.1, 2.2, 2.3**
+  - [ ]* 3.6 编写属性测试：销量分析统计一致性
+    - **Property 2: 销量分析统计一致性**
+    - **Validates: Requirements 3.1, 3.2, 3.4**
+  - [ ]* 3.7 编写属性测试：健康度分类完备性与一致性
+    - **Property 3: 健康度分类完备性与一致性**
+    - **Validates: Requirements 4.1, 4.2**
+  - [ ]* 3.8 编写属性测试：补货建议统计一致性
+    - **Property 4: 补货建议统计一致性**
+    - **Validates: Requirements 5.1, 5.2**
+
+- [ ] 4. Checkpoint - 确保统计计算函数和属性测试通过
+  - 确保所有测试通过，如有问题请向用户确认。
+
+- [x] 5. 创建 LLM 提示词文件
+  - [x] 5.1 创建 `prompts/report_inventory_overview.md`，包含库存概览分析提示词（资金占用评估、库销比诊断、库存结构建议），确保分析专业且有实际决策价值
+    - _Requirements: 7.2_
+  - [x] 5.2 创建 `prompts/report_sales_analysis.md`，包含销量分析提示词（销量构成解读、销售活跃度、需求趋势判断），确保分析专业且有实际决策价值
+    - _Requirements: 7.2_
+  - [x] 5.3 创建 `prompts/report_inventory_health.md`，包含健康度分析提示词（健康度评分、问题诊断、资金释放机会、改善优先级），确保分析专业且有实际决策价值
+    - _Requirements: 7.2_
+  - [x] 5.4 创建 `prompts/report_replenishment_summary.md`，包含补货建议分析提示词（紧迫度评估、资金分配建议、执行节奏、风险提示），确保分析专业且有实际决策价值
+    - _Requirements: 7.2_
+  - [x] 5.5 删除旧的 `prompts/analysis_report.md` 文件（已在步骤1.3清空，此处正式删除）
+    - _Requirements: 1.3_
+
+- [x] 6. 实现 LangGraph 并发 LLM 分析节点
+  - [x] 6.1 在 `src/fw_pms_ai/agent/analysis_report_node.py` 中实现四个 LLM 分析函数（`llm_analyze_inventory_overview`、`llm_analyze_sales`、`llm_analyze_inventory_health`、`llm_analyze_replenishment_summary`），每个函数加载对应提示词、填充统计数据、调用 LLM、解析 JSON 响应
+    - _Requirements: 7.2, 7.3_
+  - [x] 6.2 使用 LangGraph StateGraph 构建并发子图，四个 LLM 节点从 START fan-out 并发执行，结果 fan-in 汇总
+    - _Requirements: 7.1, 7.4_
+  - [x] 6.3 实现新的 `generate_analysis_report_node(state)` 主函数，串联统计计算 → 并发 LLM 分析 → 汇总报告 → 写入数据库，单板块 LLM 失败不影响其他板块
+    - _Requirements: 7.4, 7.5_
+  - [x] 6.4 确认 `src/fw_pms_ai/agent/replenishment.py` 中的工作流引用无需修改（`generate_analysis_report_node` 函数签名保持不变）
+    - _Requirements: 7.1_
+
+- [ ] 7. Checkpoint - 确保后端报告生成流程完整
+  - 确保所有测试通过，如有问题请向用户确认。
+
+- [x] 8. 重建 API 接口
+  - [x] 8.1 替换 `src/fw_pms_ai/api/routes/tasks.py` 中的 `AnalysisReportResponse` 模型为新版本（inventory_overview、sales_analysis、inventory_health、replenishment_summary 四个 Dict 字段），不修改该文件中的其他模型和端点
+    - _Requirements: 8.1_
+  - [x] 8.2 替换 `get_analysis_report` 端点实现，从新表读取数据并解析 JSON 字段，不修改该文件中的其他端点
+    - _Requirements: 8.1, 8.2, 8.3_
+
+- [x] 9. 重建前端报告页面
+  - [x] 9.1 在 `ui/index.html` 中引入 Chart.js CDN
+    - _Requirements: 9.6_
+  - [x] 9.2 替换 `ui/js/app.js` 中的 `renderReportTab` 方法为新版本，渲染四大板块框架，同时移除旧的 `renderOverallAssessment`、`renderRiskAlerts`、`renderStrategy`、`renderExpectedImpact` 方法，不修改该文件中的其他方法
+    - _Requirements: 9.1, 1.4_
+  - [x] 9.3 实现 `renderInventoryOverview` 方法，渲染库存概览板块（统计卡片 + 五项构成明细 + LLM 分析文本）
+    - _Requirements: 9.2_
+  - [x] 9.4 实现 `renderSalesAnalysis` 方法，渲染销量分析板块（统计卡片 + 构成明细 + LLM 分析文本）
+    - _Requirements: 9.3_
+  - [x] 9.5 实现 `renderInventoryHealth` 方法，渲染健康度板块（统计卡片 + Chart.js 环形图 + LLM 分析文本）
+    - _Requirements: 9.4, 9.6_
+  - [x] 9.6 实现 `renderReplenishmentSummary` 方法，渲染补货建议板块（优先级统计表 + LLM 分析文本）
+    - _Requirements: 9.5_
+  - [x] 9.7 在 `ui/css/style.css` 中添加新报告板块的样式（统计卡片、图表容器、分析文本区域），不修改现有样式
+    - _Requirements: 9.1_
+
+- [ ] 10. Final Checkpoint - 全栈集成验证
+  - 确保所有测试通过，如有问题请向用户确认。
+
+## 安全约束：不影响补货建议功能
+
+本次重构严格限定在分析报告模块范围内，以下补货建议相关代码禁止修改：
+
+- `src/fw_pms_ai/agent/nodes.py` — 补货建议核心节点（fetch_part_ratio、sql_agent、allocate_budget）
+- `src/fw_pms_ai/agent/replenishment.py` — 补货建议工作流（仅确认无需修改，不做任何改动）
+- `src/fw_pms_ai/agent/sql_agent/` — SQL Agent 目录
+- `src/fw_pms_ai/models/part_ratio.py` — 配件库销比模型
+- `src/fw_pms_ai/models/replenishment_*.py` — 补货建议相关模型
+- `result_writer.py` 中的 `save_task`、`update_task`、`save_details`、`save_part_summaries`、`save_execution_log` 等方法
+- `tasks.py` 中的任务列表、任务详情、配件明细、配件汇总、执行日志等端点
+- `app.js` 中的任务列表、任务详情、配件明细等渲染方法
+- `prompts/` 中的 `part_shop_analysis*.md`、`suggestion*.md`、`sql_agent.md` 等提示词文件
+
+## 备注
+
+- 标记 `*` 的任务为可选任务，可跳过以加快 MVP 进度
+- 每个任务引用了具体的需求编号以保证可追溯性
+- 属性测试使用 `hypothesis` 库，每个属性至少 100 次迭代
+- Checkpoint 用于阶段性验证，确保增量正确
+- 共享文件（tasks.py、app.js、result_writer.py、style.css）中的修改均采用"替换特定函数/类"方式，明确不修改其他部分
 # fw-pms-ai
-AI 配件系统 - 基于 Python + LangChain + LangGraph
+fw-pms 配件管理系统 AI 扩展平台 — 基于 Python + LangChain + LangGraph
 ## 项目简介
-本项目是 `fw-pms` 的 AI 扩展模块，使用大语言模型 (LLM) 和 Agent 技术，为配件管理系统提供智能化的补货建议能力。
+本项目是 `fw-pms` 配件管理系统的 **AI 能力扩展平台**，使用大语言模型 (LLM) 和 Agent 技术，为配件业务提供多种智能化功能。
-## 核心技术
+### 功能模块
-### LangChain + LangGraph
-
-| 技术 | 作用 |
-|------|------|
-| **LangChain** | LLM 框架，提供模型抽象、Prompt 管理、消息格式化 |
-| **LangGraph** | Agent 工作流编排，管理状态机、定义节点和边、支持条件分支 |
-| **SQL Agent** | 自定义 Text-to-SQL 实现，支持错误重试和 LLM 数据分析 |
+| 状态 | 模块 | 说明 |
+|------|------|------|
+| ✅ 已实现 | **智能补货建议** | 分析库销比数据，LLM 逐配件分析各门店补货需求，生成结构化建议 |
+| ✅ 已实现 | **分析报告** | 四大板块（库存概览/销量分析/健康度/补货建议）并发 LLM 分析 |
+| 🚧 规划中 | **需求预测** | 基于历史销量预测未来配件需求 |
+| 🚧 规划中 | **异常检测** | 识别库存和销量数据异常 |
+| 🚧 规划中 | **智能定价** | AI 辅助配件定价建议 |
+
+## 技术栈
+
+| 组件 | 技术 | 版本要求 |
+|------|------|---------|
+| 编程语言 | Python | ≥ 3.11 |
+| Agent 框架 | LangChain + LangGraph | LangChain ≥ 0.3, LangGraph ≥ 0.2 |
+| LLM 集成 | 智谱 GLM / 豆包 / OpenAI 兼容 / Anthropic 兼容 | — |
+| Web API | FastAPI + Uvicorn | FastAPI ≥ 0.109 |
+| 数据库 | MySQL (mysql-connector-python + SQLAlchemy) | SQLAlchemy ≥ 2.0 |
+| 任务调度 | APScheduler | ≥ 3.10 |
+| 配置管理 | Pydantic Settings + python-dotenv | Pydantic ≥ 2.0 |
+| HTTP 客户端 | httpx | ≥ 0.25 |
+| 重试机制 | tenacity | ≥ 8.0 |
+
+## 系统架构
 ```mermaid
-graph LR
-    A[用户请求] --> B[LangGraph Agent]
-    B --> C[FetchPartRatio]
-    C --> D[SQLAgent<br/>LLM分析]
-    D --> E[AllocateBudget]
-    E --> F[AnalysisReport]
-    F --> G[SaveResult]
+flowchart TB
+    subgraph Scheduler ["定时调度 (APScheduler)"]
+        S[每日凌晨触发]
+    end
+
+    subgraph API ["FastAPI API 层"]
+        A[/tasks, details, logs, reports/]
+    end
+
+    subgraph Agent ["LangGraph 工作流"]
+        direction TB
+        B[1. fetch_part_ratio] --> C[2. sql_agent]
+        C --> D{需要重试?}
+        D -->|是| C
+        D -->|否| E[3. allocate_budget]
+        E --> F[4. generate_analysis_report]
+        F --> G[END]
+    end
+
+    subgraph ReportSubgraph ["分析报告并发子图"]
+        direction LR
+        R1[库存概览 LLM] & R2[销量分析 LLM] & R3[健康度 LLM] & R4[补货建议 LLM]
+    end
+
+    subgraph Services ["业务服务层"]
+        DS[DataService]
+        RW[ResultWriter]
+        RP[Repository]
+    end
+
+    subgraph LLM ["LLM 适配层"]
+        L1[GLMClient]
+        L2[DoubaoClient]
+        L3[OpenAICompatClient]
+        L4[AnthropicCompatClient]
+    end
+
+    subgraph DB ["数据存储"]
+        MySQL[(MySQL)]
+    end
+
+    S --> Agent
+    A --> Services
+    B --> DS
+    C --> LLM
+    F --> ReportSubgraph
+    ReportSubgraph --> LLM
+    E --> RW
+    DS --> MySQL
+    RW --> MySQL
+    RP --> MySQL
 ```
 详细架构图见 [docs/architecture.md](docs/architecture.md)
-## 功能模块
+> 平台采用模块化设计，新增 AI 功能模块只需添加对应的 Agent 工作流节点和提示词文件。
-### ✅ 已实现
+## 补货建议工作流
-| 模块 | 功能 | 说明 |
-|------|------|------|
-| **SQL Agent** | LLM 分析 | 直接分析 part_ratio 数据生成补货建议 |
-| **补货分配** | Replenishment | 转换 LLM 建议为补货明细 |
+补货建议模块的核心是一个 **4 节点 LangGraph 工作流**，按顺序执行：
-### 🚧 计划中
+| 序号 | 节点 | 功能 | 说明 |
+|------|------|------|------|
+| 1 | `fetch_part_ratio` | 获取库销比数据 | 通过 dealer_grouping_id 从 part_ratio 表查询配件数据 |
+| 2 | `sql_agent` | LLM 分析 + 建议生成 | 按 part_code 分组，逐配件分析各门店补货需求，支持错误重试 |
+| 3 | `allocate_budget` | 转换补货明细 | 将 LLM 建议转换为结构化的补货明细记录 |
+| 4 | `generate_analysis_report` | 生成分析报告 | 统计计算 + 4 路并发 LLM 分析生成结构化报告 |
-| 模块 | 功能 |
-|------|------|
-| 预测引擎 | 基于历史销量预测未来需求 |
-| 异常检测 | 识别数据异常 |
+### 分析报告四大板块
+
+| 板块 | 统计计算 | LLM 分析 |
+|------|---------|---------|
+| **库存概览** | 有效库存、资金占用、配件总数 | 库存状况综合评价 |
+| **销量分析** | 月均销量、出库频次、销售趋势 | 销售趋势洞察 |
+| **库存健康度** | 缺货/呆滞/低频/正常分类统计 | 健康度风险提示 |
+| **补货建议汇总** | 按优先级分类统计补货数量和金额 | 补货策略建议 |
+
+> 四个 LLM 分析节点使用 LangGraph 子图 **并发执行**，单板块失败不影响其他板块。
+
+## 业务术语
+
+| 术语 | 定义 | 处理方式 |
+|------|------|---------|
+| **呆滞件** | 有效库存 > 0，90天出库数 = 0 | 不做计划 |
+| **低频件** | 月均销量 < 1 或 出库次数 < 3 或 出库间隔 ≥ 30天 | 不做计划 |
+| **缺货件** | 有效库存 = 0，月均销量 ≥ 1 | 需要补货 |
+| **正常件** | 不属于以上三类 | 按需补货 |
 ## 项目结构
 ```
 fw-pms-ai/
 ├── src/fw_pms_ai/
-│   ├── agent/              # LangGraph Agent
-│   │   ├── state.py        # Agent 状态定义
-│   │   ├── nodes.py        # 工作流节点
-│   │   ├── sql_agent.py    # SQL Agent（Text-to-SQL + 建议生成）
-│   │   └── replenishment.py
-│   ├── api/                # FastAPI 接口
-│   │   ├── app.py          # 应用入口
-│   │   └── routes/         # 路由模块
-│   ├── config/             # 配置管理
-│   ├── llm/                # LLM 集成
-│   │   ├── base.py         # 抽象基类
-│   │   ├── glm.py          # 智谱 GLM
-│   │   ├── doubao.py       # 豆包
-│   │   ├── openai_compat.py
-│   │   └── anthropic_compat.py
-│   ├── models/             # 数据模型
-│   │   ├── task.py         # 任务和明细模型
-│   │   ├── execution_log.py # 执行日志模型
-│   │   ├── part_ratio.py   # 库销比模型
-│   │   ├── part_summary.py # 配件汇总模型
-│   │   ├── sql_result.py   # SQL执行结果模型
-│   │   └── suggestion.py   # 补货建议模型
-│   ├── services/           # 业务服务
-│   │   ├── db.py           # 数据库连接
-│   │   ├── data_service.py # 数据查询服务
-│   │   └── result_writer.py # 结果写入服务
-│   ├── scheduler/          # 定时任务
-│   └── main.py
-├── prompts/                # AI Prompt 文件
-│   ├── sql_agent.md        # SQL Agent 系统提示词
-│   ├── suggestion.md       # 补货建议提示词
-│   ├── suggestion_system.md
-│   ├── part_shop_analysis.md
-│   └── part_shop_analysis_system.md
-├── ui/                     # 前端静态文件
-├── sql/                    # 数据库迁移脚本
-├── pyproject.toml
+│   ├── main.py                     # 应用入口
+│   ├── agent/                      # LangGraph Agent 工作流
+│   │   ├── state.py                # Agent 状态定义 (TypedDict + Annotated reducer)
+│   │   ├── nodes.py                # 工作流节点 (fetch/sql_agent/allocate)
+│   │   ├── analysis_report_node.py # 分析报告节点 (统计计算 + 并发 LLM 子图)
+│   │   ├── replenishment.py        # ReplenishmentAgent 主类 (构建图 + 运行)
+│   │   └── sql_agent/              # SQL Agent 子包
+│   │       ├── agent.py            # SQLAgent 主类
+│   │       ├── executor.py         # SQL 执行器
+│   │       ├── analyzer.py         # 配件分析器 (逐配件 LLM 分析)
+│   │       └── prompts.py          # 提示词加载
+│   ├── api/                        # FastAPI REST API
+│   │   ├── app.py                  # FastAPI 应用 (CORS + 静态文件 + 路由)
+│   │   └── routes/
+│   │       └── tasks.py            # 任务/明细/日志/汇总/报告 API
+│   ├── config/
+│   │   └── settings.py             # Pydantic Settings 配置管理
+│   ├── llm/                        # LLM 适配层
+│   │   ├── base.py                 # BaseLLMClient 抽象基类
+│   │   ├── glm.py                  # 智谱 GLM 客户端
+│   │   ├── doubao.py               # 豆包客户端
+│   │   ├── openai_compat.py        # OpenAI 兼容客户端 (火山引擎等)
+│   │   └── anthropic_compat.py     # Anthropic 兼容客户端
+│   ├── models/                     # 数据模型 (Pydantic)
+│   │   ├── task.py                 # 任务模型 + 状态枚举
+│   │   ├── suggestion.py           # 补货建议模型
+│   │   ├── part_ratio.py           # 配件库销比模型
+│   │   ├── part_summary.py         # 配件汇总模型
+│   │   ├── analysis_report.py      # 分析报告模型
+│   │   ├── execution_log.py        # 执行日志模型
+│   │   └── sql_result.py           # SQL 执行结果模型
+│   ├── services/                   # 业务服务层
+│   │   ├── db.py                   # 数据库连接管理
+│   │   ├── data_service.py         # 数据查询服务
+│   │   ├── result_writer.py        # 结果写入服务
+│   │   └── repository/             # 仓库模式
+│   │       ├── task_repo.py        # 任务仓库
+│   │       ├── detail_repo.py      # 明细仓库
+│   │       └── log_repo.py         # 日志仓库
+│   └── scheduler/
+│       └── tasks.py                # APScheduler 定时任务 + CLI 参数解析
+├── prompts/                        # AI 提示词文件
+│   ├── sql_agent.md                # SQL Agent 系统提示词
+│   ├── suggestion.md               # 补货建议生成提示词
+│   ├── suggestion_system.md        # 补货建议系统提示词
+│   ├── part_shop_analysis.md       # 配件门店分析提示词
+│   ├── part_shop_analysis_system.md
+│   ├── report_inventory_overview.md  # 分析报告-库存概览提示词
+│   ├── report_sales_analysis.md      # 分析报告-销量分析提示词
+│   ├── report_inventory_health.md    # 分析报告-库存健康度提示词
+│   └── report_replenishment_summary.md # 分析报告-补货建议提示词
+├── ui/                             # 前端静态文件
+│   ├── index.html                  # 主页面
+│   ├── css/                        # 样式
+│   ├── js/                         # JavaScript
+│   └── merchant-report/            # 商家组合报告页面
+├── sql/                            # 数据库脚本
+│   ├── init.sql                    # 初始化建表 (4张表)
+│   └── migrate_analysis_report.sql # 分析报告表迁移
+├── docs/                           # 文档
+│   ├── architecture.md             # 系统架构文档
+│   └── 商家组合维度分析需求设计.md
+├── pyproject.toml                  # 项目配置 (hatchling 构建)
+├── .env                            # 环境变量
 └── README.md
 ```
+## 数据表说明
-## 工作流程
+| 表名 | 说明 | SQL 文件 |
+|------|------|---------|
+| `part_ratio` | 配件库销比数据（来源表，只读） | — |
+| `ai_replenishment_task` | 任务记录 | init.sql |
+| `ai_replenishment_detail` | 配件级别补货建议明细 | init.sql |
+| `ai_replenishment_part_summary` | 配件汇总表（按配件编码聚合） | init.sql |
+| `ai_task_execution_log` | 任务执行日志（每步骤详情） | init.sql |
+| `ai_analysis_report` | 结构化分析报告（四大板块 JSON） | migrate_analysis_report.sql |
-```
-1. FetchPartRatio  - 从 part_ratio 表获取库销比数据
-2. SQLAgent        - LLM 分析数据，生成补货建议
-3. AllocateBudget  - 转换建议为补货明细
-4. AnalysisReport  - 生成分析报告（风险评估、行动方案）
-5. SaveResult      - 写入数据库
-```
+## API 接口
-### 业务术语
+基于 FastAPI 提供 REST API，支持前端 UI 对接。
-| 术语 | 定义 | 处理 |
+| 方法 | 路径 | 说明 |
 |------|------|------|
-| **呆滞件** | 有库存，90天无销量 | 不做计划 |
-| **低频件** | 无库存，月均销量<1 | 不做计划 |
-| **缺货件** | 无库存，月均销量≥1 | 需要补货 |
+| GET | `/api/tasks` | 任务列表（分页、状态/组合/日期筛选） |
+| GET | `/api/tasks/{task_no}` | 任务详情 |
+| GET | `/api/tasks/{task_no}/details` | 配件建议明细（分页、排序、搜索） |
+| GET | `/api/tasks/{task_no}/logs` | 执行日志 |
+| GET | `/api/tasks/{task_no}/part-summaries` | 配件汇总列表（分页、优先级筛选） |
+| GET | `/api/tasks/{task_no}/parts/{part_code}/shops` | 指定配件的门店明细 |
+| GET | `/api/tasks/{task_no}/analysis-report` | 分析报告 |
+| GET | `/health` | 健康检查 |
+| GET | `/` | 主页面（静态文件） |
-## 数据表说明
+运行后访问 `/docs` 查看 Swagger 文档。
-| 表名 | 说明 |
-|------|------|
-| `part_ratio` | 配件库销比数据（来源表） |
-| `ai_replenishment_task` | 任务记录 |
-| `ai_replenishment_detail` | 配件级别补货建议 |
-| `ai_replenishment_part_summary` | 配件汇总表 |
-| `ai_task_execution_log` | 任务执行日志 |
+## LLM 集成
+
+支持 4 种 LLM 客户端，通过环境变量自动选择：
+
+| 客户端 | 环境变量 | 说明 |
+|--------|---------|------|
+| `OpenAICompatClient` | `OPENAI_COMPAT_API_KEY` | OpenAI 兼容接口（火山引擎、智谱等） |
+| `AnthropicCompatClient` | `ANTHROPIC_API_KEY` | Anthropic 兼容接口 |
+| `GLMClient` | `GLM_API_KEY` | 智谱 GLM 原生 SDK |
+| `DoubaoClient` | `DOUBAO_API_KEY` | 豆包 |
+
+优先级：`OpenAI Compat` > `Anthropic Compat` > `GLM` > `Doubao`
 ## 快速开始
@@ -131,39 +248,53 @@ pip install -e .
 ```bash
 cp .env.example .env
+# 编辑 .env 填写以下配置
 ```
 必填配置项：
-- `GLM_API_KEY` / `ANTHROPIC_API_KEY` - LLM API Key
-- `MYSQL_HOST`, `MYSQL_USER`, `MYSQL_PASSWORD`, `MYSQL_DATABASE`
+
+```env
+# LLM (至少配置一种)
+OPENAI_COMPAT_API_KEY=your-key
+OPENAI_COMPAT_BASE_URL=https://ark.cn-beijing.volces.com/api/v3
+OPENAI_COMPAT_MODEL=glm-4-7-251222
+
+# 数据库
+MYSQL_HOST=localhost
+MYSQL_PORT=3306
+MYSQL_USER=root
+MYSQL_PASSWORD=your-password
+MYSQL_DATABASE=fw_pms
+```
 ### 3. 初始化数据库
 ```bash
+# 基础表结构
 mysql -u root -p fw_pms < sql/init.sql
+
+# 分析报告表
+mysql -u root -p fw_pms < sql/migrate_analysis_report.sql
 ```
 ### 4. 运行
 ```bash
-# 启动定时任务调度器
+# 启动定时任务调度器（默认每日 02:00 执行）
 fw-pms-ai
-# 立即执行一次
+# 立即执行一次（所有商家组合）
 fw-pms-ai --run-once
-# 指定参数
-fw-pms-ai --run-once --group-id 2
+# 指定集团和商家组合
+fw-pms-ai --run-once --group-id 2 --dealer-grouping-id 100
 ```
-## AI Prompt 文件
+### 5. 启动 API 服务
-Prompt 文件存放在 `prompts/` 目录：
-
-| 文件 | 用途 |
-|------|------|
-| `suggestion.md` | 补货建议生成（含业务术语定义） |
-| `analyze_inventory.md` | 库存分析 |
+```bash
+uvicorn fw_pms_ai.api.app:app --host 0.0.0.0 --port 8000 --reload
+```
 ## 开发
@@ -171,6 +302,26 @@ Prompt 文件存放在 `prompts/` 目录：
 # 安装开发依赖
 pip install -e ".[dev]"
+# 代码格式化
+black src/
+ruff check src/
+
 # 运行测试
 pytest tests/ -v
 ```
+
+## 提示词文件
+
+提示词文件存放在 `prompts/` 目录，供 LLM 调用时使用：
+
+| 文件 | 用途 |
+|------|------|
+| `sql_agent.md` | SQL Agent 生成 SQL 查询的系统提示词 |
+| `suggestion.md` | 配件补货建议生成 |
+| `suggestion_system.md` | 补货建议系统角色提示词 |
+| `part_shop_analysis.md` | 配件门店级别分析 |
+| `part_shop_analysis_system.md` | 门店分析系统角色提示词 |
+| `report_inventory_overview.md` | 分析报告 — 库存概览板块 |
+| `report_sales_analysis.md` | 分析报告 — 销量分析板块 |
+| `report_inventory_health.md` | 分析报告 — 库存健康度板块 |
+| `report_replenishment_summary.md` | 分析报告 — 补货建议板块 |
-# fw-pms-ai 系统架构
-
-## 技术栈
-
-| 组件 | 技术 |
-|------|------|
-| 编程语言 | Python 3.11+ |
-| Agent 框架 | LangChain + LangGraph |
-| LLM | 智谱 GLM / 豆包 / OpenAI 兼容接口 |
-| 数据库 | MySQL |
-| API 框架 | FastAPI |
-| 任务调度 | APScheduler |
-
----
-
-## 系统架构图
-
-```mermaid
-flowchart TB
-    subgraph API ["FastAPI API 层"]
-        A[/tasks endpoint/]
-    end
-
-    subgraph Agent ["LangGraph Agent"]
-        direction TB
-        B[fetch_part_ratio] --> C[sql_agent]
-        C --> D{需要重试?}
-        D -->|是| C
-        D -->|否| E[allocate_budget]
-        E --> E2[generate_analysis_report]
-        E2 --> F[END]
-    end
-
-    subgraph Services ["业务服务层"]
-        G[DataService]
-        H[ResultWriter]
-    end
-
-    subgraph LLM ["LLM 集成"]
-        I[GLM]
-        J[Doubao]
-        K[OpenAI Compat]
-    end
-
-    subgraph DB ["数据存储"]
-        L[(MySQL)]
-    end
-
-    A --> Agent
-    B --> G
-    C --> LLM
-    E --> H
-    G --> L
-    H --> L
-```
-
----
-
-## 工作流节点说明
-
-| 节点 | 职责 | 输入 | 输出 |
-|------|------|------|------|
-| `fetch_part_ratio` | 获取商家组合的配件库销比数据 | dealer_grouping_id | part_ratios[] |
-| `sql_agent` | LLM 分析配件数据，生成补货建议 | part_ratios[] | llm_suggestions[], part_results[] |
-| `allocate_budget` | 转换 LLM 建议为补货明细 | llm_suggestions[] | details[] |
-| `generate_analysis_report` | 生成分析报告 | part_ratios[], details[] | analysis_report |
-
----
-
-## 核心数据流
-
-```mermaid
-sequenceDiagram
-    participant API
-    participant Agent
-    participant SQLAgent
-    participant LLM
-    participant DB
-
-    API->>Agent: 创建任务
-    Agent->>DB: 保存任务记录
-    Agent->>DB: 查询 part_ratio
-    Agent->>SQLAgent: 分析配件数据
-    
-    loop 每个配件
-        SQLAgent->>LLM: 发送分析请求
-        LLM-->>SQLAgent: 返回补货建议
-    end
-    
-    SQLAgent-->>Agent: 汇总建议
-    Agent->>DB: 保存补货明细
-    Agent->>DB: 更新任务状态
-    Agent-->>API: 返回结果
-```
-
----
-
-## 目录结构
-
-```
-src/fw_pms_ai/
-├── agent/              # LangGraph 工作流
-│   ├── state.py        # 状态定义 (TypedDict)
-│   ├── nodes.py        # 工作流节点
-│   ├── sql_agent.py    # SQL Agent 实现
-│   └── replenishment.py # 主入口
-├── api/                # REST API
-├── config/             # 配置管理
-├── llm/                # LLM 适配器
-├── models/             # 数据模型
-├── services/           # 业务服务
-└── scheduler/          # 定时任务
-```
-
----
-
-## 数据库表结构
-
-| 表名 | 用途 |
-|------|------|
-| `part_ratio` | 配件库销比数据（只读） |
-| `ai_replenishment_task` | 任务记录 |
-| `ai_replenishment_detail` | 补货明细 |
-| `ai_replenishment_part_summary` | 配件级汇总 |
-| `ai_task_execution_log` | 执行日志 |
-| `ai_analysis_report` | 分析报告（JSON结构化） |
+# 商家组合维度分析报告 - 需求分析与设计文档
+
+> **版本**: 2.0.0  
+> **日期**: 2026-02-12  
+> **项目**: fw-pms-ai（AI配件补货建议系统）
+
+---
+
+## 1. 业务背景与目标
+
+### 1.1 业务痛点
+
+汽车配件管理面临以下核心挑战：
+
+| 痛点 | 描述 | 影响 |
+|------|------|------|
+| **库存失衡** | 部分配件长期缺货，部分配件严重呆滞 | 缺货导致客户流失，呆滞占用资金 |
+| **人工决策低效** | 传统补货依赖采购员经验判断 | 效率低、易出错、难以规模化 |
+| **多门店协调困难** | 同一商家组合下的多门店库存无法统一调配 | 资源利用率低，部分门店过剩而另一部分缺货 |
+| **数据利用不足** | 丰富的销售数据未能有效转化为决策依据 | 补货缺乏数据支撑，决策质量参差不齐 |
+
+### 1.2 项目目标
+
+```mermaid
+mindmap
+  root((商家组合维度分析))
+    智能补货建议
+      LLM驱动分析
+      配件级决策
+      门店级分配
+    风险识别与预警
+      呆滞件识别
+      低频件过滤
+      缺货预警
+    数据驱动分析报告
+      库存概览
+      销量分析
+      库存健康度
+      补货建议汇总
+    可视化展示
+      分析报告
+      配件明细
+      执行日志
+```
+
+**核心价值主张**：
+1. **智能化**：通过 LLM 自动分析库销比数据，生成专业补货建议
+2. **精细化**：从商家组合维度统一分析，再下钻到配件级、门店级
+3. **专业化**：输出的分析理由贴合采购人员专业度，包含具体数据指标
+
+---
+
+## 2. 功能模块设计
+
+### 2.1 功能架构
+
+```mermaid
+flowchart TB
+    subgraph 用户层["🖥️ 用户层"]
+        UI[Web管理界面]
+    end
+    
+    subgraph 应用层["⚙️ 应用层"]
+        API[FastAPI 接口层]
+        
+        subgraph Agent["🤖 LangGraph Agent"]
+            N1[获取配件库销比<br/>fetch_part_ratio]
+            N2[LLM分析生成建议<br/>sql_agent]
+            N3[转换补货明细<br/>allocate_budget]
+            N4[生成分析报告<br/>generate_analysis_report]
+        end
+        
+        subgraph ReportSubgraph["📊 分析报告并发子图"]
+            R1[库存概览 LLM]
+            R2[销量分析 LLM]
+            R3[健康度 LLM]
+            R4[补货建议 LLM]
+        end
+    end
+    
+    subgraph 基础设施["🔧 基础设施"]
+        LLM[LLM服务<br/>智谱GLM/豆包/OpenAI/Anthropic]
+        DB[(MySQL数据库)]
+    end
+    
+    UI --> API
+    API --> Agent
+    N1 --> N2 --> N3 --> N4
+    N4 --> ReportSubgraph
+    N1 -.-> DB
+    N2 -.-> LLM
+    N3 -.-> DB
+    R1 & R2 & R3 & R4 -.-> LLM
+```
+
+### 2.2 功能模块清单
+
+| 模块 | 功能 | 输入 | 输出 |
+|------|------|------|------|
+| **数据获取** | 获取商家组合内所有配件的库销比数据 | dealer_grouping_id | part_ratios[] |
+| **LLM分析** | 按配件分组分析，生成补货建议和决策理由 | part_ratios, base_ratio | llm_suggestions[] |
+| **建议转换** | 将LLM建议转换为结构化的补货明细 | llm_suggestions[] | details[], part_summaries[] |
+| **分析报告** | 四大板块统计计算 + 并发LLM分析 | part_ratios, part_results | analysis_report |
+
+---
+
+## 3. 系统架构设计
+
+### 3.1 整体架构
+
+```mermaid
+C4Component
+    title 商家组合维度分析系统 - 组件架构
+
+    Container_Boundary(web, "Web层") {
+        Component(ui, "前端UI", "HTML/CSS/JS", "任务管理、结果展示")
+    }
+    
+    Container_Boundary(api, "API层") {
+        Component(routes, "路由模块", "FastAPI", "REST API接口")
+        Component(scheduler, "定时调度", "APScheduler", "任务调度")
+    }
+    
+    Container_Boundary(agent, "Agent层") {
+        Component(workflow, "工作流引擎", "LangGraph", "状态机编排")
+        Component(nodes, "节点实现", "Python", "业务逻辑")
+        Component(report_subgraph, "报告子图", "LangGraph 并发子图", "4路并发LLM分析")
+        Component(prompts, "提示词", "Markdown", "LLM指令")
+    }
+    
+    Container_Boundary(service, "服务层") {
+        Component(data, "数据服务", "Python", "数据查询")
+        Component(writer, "写入服务", "Python", "结果持久化")
+    }
+    
+    Container_Boundary(infra, "基础设施") {
+        ComponentDb(mysql, "MySQL", "数据库", "业务数据存储")
+        Component(llm, "LLM", "GLM/Doubao/OpenAI/Anthropic", "大语言模型")
+    }
+    
+    Rel(ui, routes, "HTTP请求")
+    Rel(routes, workflow, "触发任务")
+    Rel(workflow, nodes, "执行")
+    Rel(nodes, report_subgraph, "fan-out/fan-in")
+    Rel(nodes, prompts, "加载")
+    Rel(nodes, llm, "调用")
+    Rel(nodes, data, "查询")
+    Rel(nodes, writer, "写入")
+    Rel(data, mysql, "SQL")
+    Rel(writer, mysql, "SQL")
+```
+
+### 3.2 工作流状态机
+
+```mermaid
+stateDiagram-v2
+    [*] --> FetchPartRatio: 启动任务
+    
+    FetchPartRatio --> SQLAgent: 获取库销比数据
+    FetchPartRatio --> [*]: 无数据
+    
+    SQLAgent --> SQLAgent: 重试(错误 & 次数<3)
+    SQLAgent --> AllocateBudget: 分析完成
+    SQLAgent --> [*]: 重试失败
+    
+    AllocateBudget --> GenerateReport: 转换完成
+    
+    GenerateReport --> [*]: 生成报告
+    
+    state GenerateReport {
+        [*] --> 统计计算
+        统计计算 --> 并发LLM子图
+        
+        state 并发LLM子图 {
+            [*] --> 库存概览LLM
+            [*] --> 销量分析LLM
+            [*] --> 健康度LLM
+            [*] --> 补货建议LLM
+            库存概览LLM --> [*]
+            销量分析LLM --> [*]
+            健康度LLM --> [*]
+            补货建议LLM --> [*]
+        }
+        
+        并发LLM子图 --> 汇总写入
+        汇总写入 --> [*]
+    }
+```
+
+---
+
+## 4. 核心算法说明
+
+### 4.1 三层决策逻辑
+
+```mermaid
+flowchart LR
+    subgraph L1["第一层: 配件级判断"]
+        A1[汇总商家组合内<br/>所有门店数据]
+        A2[计算整体库销比]
+        A3{是否需要补货?}
+        A4[生成配件级理由]
+    end
+    
+    subgraph L2["第二层: 门店级分配"]
+        B1[按库销比从低到高排序]
+        B2[计算各门店缺口]
+        B3[分配补货数量]
+    end
+    
+    subgraph L3["第三层: 决策理由生成"]
+        C1[状态判定标签]
+        C2[关键指标数据]
+        C3[缺口分析]
+        C4[天数说明]
+    end
+    
+    A1 --> A2 --> A3
+    A3 -->|是| L2
+    A3 -->|否| A4
+    B1 --> B2 --> B3
+    B3 --> L3
+    C1 --> C2 --> C3 --> C4
+```
+
+### 4.2 补货数量计算公式
+
+```
+suggest_cnt = ceil(目标库销比 × 月均销量 - 当前库存)
+```
+
+其中：
+- **有效库存** = `in_stock_unlocked_cnt` + `on_the_way_cnt` + `has_plan_cnt`
+- **月均销量** = (`out_stock_cnt` + `storage_locked_cnt` + `out_stock_ongoing_cnt` + `buy_cnt`) / 3
+- **资金占用** = (`in_stock_unlocked_cnt` + `on_the_way_cnt`) × `cost_price`
+
+### 4.3 配件分类与处理规则
+
+| 分类 | 判定条件 | 处理策略 |
+|------|----------|----------|
+| **缺货件** | 有效库存 = 0 且 月均销量 ≥ 1 | 优先补货 |
+| **呆滞件** | 有效库存 > 0 且 90天出库数 = 0 | 不补货，建议清理 |
+| **低频件** | 月均销量 < 1 或 出库次数 < 3 或 出库间隔 ≥ 30天 | 不补货 |
+| **正常件** | 不属于以上三类 | 按缺口补货 |
+
+> 分类优先级：缺货件 > 呆滞件 > 低频件 > 正常件（按顺序判断，命中即止）
+
+### 4.4 优先级判定标准
+
+```mermaid
+flowchart TD
+    A{库存状态} -->|库存=0 且 销量活跃| H[高优先级<br/>急需补货]
+    A -->|库销比<0.5| M[中优先级<br/>建议补货]
+    A -->|0.5≤库销比<目标值| L[低优先级<br/>可选补货]
+    A -->|库销比≥目标值| N[无需补货<br/>库存充足]
+    
+    style H fill:#ff6b6b
+    style M fill:#feca57
+    style L fill:#48dbfb
+    style N fill:#2ecc71
+```
+
+---
+
+## 5. 数据模型设计
+
+### 5.1 ER图
+
+```mermaid
+erDiagram
+    AI_REPLENISHMENT_TASK ||--o{ AI_REPLENISHMENT_DETAIL : contains
+    AI_REPLENISHMENT_TASK ||--o{ AI_REPLENISHMENT_PART_SUMMARY : contains
+    AI_REPLENISHMENT_TASK ||--o{ AI_TASK_EXECUTION_LOG : logs
+    AI_REPLENISHMENT_TASK ||--o| AI_ANALYSIS_REPORT : generates
+    PART_RATIO }o--|| AI_REPLENISHMENT_DETAIL : references
+    
+    AI_REPLENISHMENT_TASK {
+        bigint id PK
+        varchar task_no UK "AI-开头"
+        bigint group_id "集团ID"
+        bigint dealer_grouping_id
+        varchar dealer_grouping_name
+        bigint brand_grouping_id "品牌组合ID"
+        decimal plan_amount "计划采购金额"
+        decimal actual_amount "实际分配金额"
+        int part_count "配件数量"
+        decimal base_ratio "基准库销比"
+        tinyint status "0运行/1成功/2失败"
+        varchar llm_provider
+        varchar llm_model
+        int llm_total_tokens
+        varchar statistics_date
+        datetime start_time
+        datetime end_time
+    }
+    
+    AI_REPLENISHMENT_DETAIL {
+        bigint id PK
+        varchar task_no FK
+        bigint group_id
+        bigint dealer_grouping_id
+        bigint brand_grouping_id
+        bigint shop_id "库房ID"
+        varchar shop_name
+        varchar part_code "配件编码"
+        varchar part_name
+        varchar unit
+        decimal cost_price
+        decimal current_ratio "当前库销比"
+        decimal base_ratio "基准库销比"
+        decimal post_plan_ratio "计划后库销比"
+        decimal valid_storage_cnt "有效库存"
+        decimal avg_sales_cnt "月均销量"
+        int suggest_cnt "建议数量"
+        decimal suggest_amount "建议金额"
+        text suggestion_reason "决策理由"
+        int priority "1高/2中/3低"
+        float llm_confidence "LLM置信度"
+    }
+    
+    AI_REPLENISHMENT_PART_SUMMARY {
+        bigint id PK
+        varchar task_no FK
+        bigint group_id
+        bigint dealer_grouping_id
+        varchar part_code "配件编码"
+        varchar part_name
+        varchar unit
+        decimal cost_price
+        decimal total_storage_cnt "总库存"
+        decimal total_avg_sales_cnt "总月均销量"
+        decimal group_current_ratio "商家组合库销比"
+        int total_suggest_cnt "总建议数量"
+        decimal total_suggest_amount "总建议金额"
+        int shop_count "涉及门店数"
+        int need_replenishment_shop_count "需补货门店数"
+        text part_decision_reason "配件级理由"
+        int priority "1高/2中/3低"
+        float llm_confidence
+    }
+    
+    AI_TASK_EXECUTION_LOG {
+        bigint id PK
+        varchar task_no FK
+        bigint group_id
+        bigint brand_grouping_id
+        varchar brand_grouping_name
+        bigint dealer_grouping_id
+        varchar dealer_grouping_name
+        varchar step_name "步骤名称"
+        int step_order "步骤顺序"
+        tinyint status "0进行/1成功/2失败/3跳过"
+        text input_data "输入JSON"
+        text output_data "输出JSON"
+        text error_message
+        int retry_count
+        text sql_query
+        text llm_prompt
+        text llm_response
+        int llm_tokens "Token消耗"
+        int execution_time_ms "耗时"
+    }
+    
+    AI_ANALYSIS_REPORT {
+        bigint id PK
+        varchar task_no FK
+        bigint group_id
+        bigint dealer_grouping_id
+        varchar dealer_grouping_name
+        bigint brand_grouping_id
+        varchar report_type "默认replenishment"
+        json inventory_overview "库存概览"
+        json sales_analysis "销量分析"
+        json inventory_health "健康度"
+        json replenishment_summary "补货建议"
+        varchar llm_provider
+        varchar llm_model
+        int llm_tokens
+        int execution_time_ms
+    }
+    
+    PART_RATIO {
+        bigint id PK
+        bigint shop_id
+        varchar part_code
+        decimal in_stock_unlocked_cnt "在库未锁定"
+        decimal on_the_way_cnt "在途"
+        decimal has_plan_cnt "已有计划"
+        decimal out_stock_cnt "出库数"
+        decimal storage_locked_cnt "库存锁定"
+        decimal out_stock_ongoing_cnt "出库在途"
+        decimal buy_cnt "采购数"
+        decimal cost_price "成本价"
+        int out_times "出库次数"
+        int out_duration "平均出库间隔"
+    }
+```
+
+### 5.2 核心表结构
+
+#### ai_replenishment_task（任务主表）
+| 字段 | 类型 | 说明 |
+|------|------|------|
+| task_no | VARCHAR(32) | 任务编号，AI-开头，唯一 |
+| group_id | BIGINT | 集团ID |
+| dealer_grouping_id | BIGINT | 商家组合ID |
+| dealer_grouping_name | VARCHAR(128) | 商家组合名称 |
+| brand_grouping_id | BIGINT | 品牌组合ID |
+| plan_amount | DECIMAL(14,2) | 计划采购金额(预算) |
+| actual_amount | DECIMAL(14,2) | 实际分配金额 |
+| part_count | INT | 配件数量 |
+| base_ratio | DECIMAL(10,4) | 基准库销比 |
+| status | TINYINT | 状态: 0运行中/1成功/2失败 |
+| llm_provider | VARCHAR(32) | LLM提供商 |
+| llm_model | VARCHAR(64) | LLM模型名称 |
+| statistics_date | VARCHAR(16) | 统计日期 |
+| start_time / end_time | DATETIME | 任务执行起止时间 |
+
+#### ai_replenishment_part_summary（配件汇总表）
+| 字段 | 类型 | 说明 |
+|------|------|------|
+| task_no | VARCHAR(32) | 任务编号 |
+| group_id | BIGINT | 集团ID |
+| dealer_grouping_id | BIGINT | 商家组合ID |
+| part_code | VARCHAR(64) | 配件编码 |
+| part_name | VARCHAR(256) | 配件名称 |
+| cost_price | DECIMAL(14,2) | 成本价 |
+| total_storage_cnt | DECIMAL(14,2) | 商家组合内总库存 |
+| total_avg_sales_cnt | DECIMAL(14,2) | 总月均销量 |
+| group_current_ratio | DECIMAL(10,4) | 商家组合级库销比 |
+| total_suggest_cnt | INT | 总建议数量 |
+| total_suggest_amount | DECIMAL(14,2) | 总建议金额 |
+| shop_count | INT | 涉及门店数 |
+| need_replenishment_shop_count | INT | 需补货门店数 |
+| part_decision_reason | TEXT | 配件级补货理由 |
+| priority | INT | 优先级: 1高/2中/3低 |
+
+#### ai_analysis_report（分析报告表）
+| 字段 | 类型 | 说明 |
+|------|------|------|
+| task_no | VARCHAR(32) | 任务编号 |
+| group_id | BIGINT | 集团ID |
+| dealer_grouping_id | BIGINT | 商家组合ID |
+| report_type | VARCHAR(32) | 报告类型(默认 replenishment) |
+| inventory_overview | JSON | 库存总体概览(stats + llm_analysis) |
+| sales_analysis | JSON | 销量分析(stats + llm_analysis) |
+| inventory_health | JSON | 库存健康度(stats + chart_data + llm_analysis) |
+| replenishment_summary | JSON | 补货建议(stats + llm_analysis) |
+| llm_provider | VARCHAR(32) | LLM提供商 |
+| llm_model | VARCHAR(64) | LLM模型名称 |
+| llm_tokens | INT | LLM Token总消耗 |
+| execution_time_ms | INT | 执行耗时(毫秒) |
+
+---
+
+## 6. API 接口设计
+
+### 6.1 接口总览
+
+```mermaid
+flowchart LR
+    subgraph Tasks["任务管理"]
+        T1["GET /api/tasks"]
+        T2["GET /api/tasks/:task_no"]
+    end
+    
+    subgraph Details["明细查询"]
+        D1["GET /api/tasks/:task_no/details"]
+        D2["GET /api/tasks/:task_no/part-summaries"]
+        D3["GET /api/tasks/:task_no/parts/:part_code/shops"]
+    end
+    
+    subgraph Reports["报告模块"]
+        R1["GET /api/tasks/:task_no/analysis-report"]
+        R2["GET /api/tasks/:task_no/logs"]
+    end
+    
+    subgraph Health["健康检查"]
+        H1["GET /health"]
+    end
+```
+
+### 6.2 核心接口定义
+
+#### 1. 获取任务列表
+```
+GET /api/tasks?page=1&page_size=20&status=1&dealer_grouping_id=100&statistics_date=20260212
+```
+
+**响应示例**：
+```json
+{
+  "items": [
+    {
+      "id": 1,
+      "task_no": "AI-ABC12345",
+      "group_id": 2,
+      "dealer_grouping_id": 100,
+      "dealer_grouping_name": "华东区商家组合",
+      "brand_grouping_id": 50,
+      "plan_amount": 100000.00,
+      "actual_amount": 89520.50,
+      "part_count": 156,
+      "base_ratio": 1.5000,
+      "status": 1,
+      "status_text": "成功",
+      "llm_provider": "openai_compat",
+      "llm_model": "glm-4-7-251222",
+      "llm_total_tokens": 8500,
+      "statistics_date": "20260212",
+      "start_time": "2026-02-12 02:00:00",
+      "end_time": "2026-02-12 02:05:30",
+      "duration_seconds": 330,
+      "create_time": "2026-02-12 02:00:00"
+    }
+  ],
+  "total": 100,
+  "page": 1,
+  "page_size": 20
+}
+```
+
+#### 2. 获取配件汇总（商家组合维度）
+```
+GET /api/tasks/{task_no}/part-summaries?sort_by=total_suggest_amount&sort_order=desc&priority=1
+```
+
+**响应示例**：
+```json
+{
+  "items": [
+    {
+      "id": 1,
+      "task_no": "AI-ABC12345",
+      "part_code": "C211F280503",
+      "part_name": "机油滤芯",
+      "unit": "个",
+      "cost_price": 140.00,
+      "total_storage_cnt": 25,
+      "total_avg_sales_cnt": 18.5,
+      "group_current_ratio": 1.35,
+      "group_post_plan_ratio": 2.0,
+      "total_suggest_cnt": 12,
+      "total_suggest_amount": 1680.00,
+      "shop_count": 5,
+      "need_replenishment_shop_count": 3,
+      "part_decision_reason": "【配件决策】该配件在商家组合内总库存25件...",
+      "priority": 1,
+      "llm_confidence": 0.85
+    }
+  ],
+  "total": 50,
+  "page": 1,
+  "page_size": 50
+}
+```
+
+#### 3. 获取门店级明细
+```
+GET /api/tasks/{task_no}/parts/{part_code}/shops
+```
+
+**响应示例**：
+```json
+{
+  "total": 3,
+  "items": [
+    {
+      "id": 101,
+      "task_no": "AI-ABC12345",
+      "shop_id": 1001,
+      "shop_name": "杭州西湖店",
+      "part_code": "C211F280503",
+      "part_name": "机油滤芯",
+      "cost_price": 140.00,
+      "valid_storage_cnt": 5,
+      "avg_sales_cnt": 6.2,
+      "current_ratio": 0.81,
+      "post_plan_ratio": 1.61,
+      "suggest_cnt": 5,
+      "suggest_amount": 700.00,
+      "suggestion_reason": "「建议补货」当前库存5件，月均销量6.2件...",
+      "priority": 1
+    }
+  ]
+}
+```
+
+#### 4. 获取配件建议明细
+```
+GET /api/tasks/{task_no}/details?page=1&page_size=50&sort_by=suggest_amount&sort_order=desc&part_code=C211
+```
+
+#### 5. 获取分析报告
+```
+GET /api/tasks/{task_no}/analysis-report
+```
+
+**响应示例**：
+```json
+{
+  "id": 1,
+  "task_no": "AI-ABC12345",
+  "group_id": 2,
+  "dealer_grouping_id": 100,
+  "report_type": "replenishment",
+  "inventory_overview": {
+    "stats": {
+      "total_valid_storage_cnt": 2500,
+      "total_valid_storage_amount": 350000.0,
+      "total_capital_occupation": 280000.0,
+      "overall_ratio": 1.35,
+      "part_count": 156
+    },
+    "llm_analysis": { "..." : "LLM生成的分析结论" }
+  },
+  "sales_analysis": {
+    "stats": { "total_avg_sales_cnt": 1850, "..." : "..." },
+    "llm_analysis": { "..." : "..." }
+  },
+  "inventory_health": {
+    "stats": { "shortage": { "count": 12, "amount": 5000 }, "..." : "..." },
+    "chart_data": { "labels": ["缺货件","呆滞件","低频件","正常件"], "..." : "..." },
+    "llm_analysis": { "..." : "..." }
+  },
+  "replenishment_summary": {
+    "stats": { "urgent": { "count": 15, "amount": 25000 }, "..." : "..." },
+    "llm_analysis": { "..." : "..." }
+  },
+  "llm_tokens": 3200,
+  "execution_time_ms": 12000
+}
+```
+
+#### 6. 获取执行日志
+```
+GET /api/tasks/{task_no}/logs
+```
+
+---
+
+## 7. 前端交互设计
+
+### 7.1 页面结构
+
+```mermaid
+flowchart TB
+    subgraph Dashboard["仪表盘"]
+        S1[统计卡片]
+        S2[最近任务列表]
+    end
+    
+    subgraph TaskList["任务列表页"]
+        L1[筛选条件]
+        L2[任务表格]
+        L3[分页控件]
+    end
+    
+    subgraph TaskDetail["任务详情页"]
+        D1[任务头部信息]
+        D2[统计卡片]
+        
+        subgraph Tabs["标签页"]
+            T1[配件明细]
+            T2[分析报告]
+            T3[执行日志]
+            T4[任务信息]
+        end
+    end
+    
+    Dashboard --> TaskList --> TaskDetail
+```
+
+### 7.2 配件明细交互
+
+```mermaid
+sequenceDiagram
+    participant U as 用户
+    participant UI as 前端UI
+    participant API as 后端API
+    
+    U->>UI: 点击任务详情
+    UI->>API: GET /api/tasks/{task_no}/part-summaries
+    API-->>UI: 返回配件汇总列表
+    UI->>UI: 渲染配件表格(可排序/筛选/优先级)
+    
+    U->>UI: 点击展开某配件
+    UI->>API: GET /api/tasks/{task_no}/parts/{part_code}/shops
+    API-->>UI: 返回门店级明细
+    UI->>UI: 展开子表格显示门店数据
+    
+    Note over UI: 门店数据包含：<br/>库存、销量、库销比<br/>建议数量、建议理由<br/>计划后库销比
+```
+
+### 7.3 关键UI组件
+
+| 组件 | 功能 | 交互方式 |
+|------|------|----------|
+| **配件汇总表格** | 展示商家组合维度的配件建议 | 支持排序、筛选、分页、优先级筛选 |
+| **可展开行** | 展示配件下的门店明细 | 点击行展开/收起 |
+| **配件决策卡片** | 显示LLM生成的配件级理由 | 展开配件时显示 |
+| **库销比指示器** | 直观显示库销比健康度 | 颜色渐变(红/黄/绿) |
+| **分析报告面板** | 四大板块数据驱动展示 | 统计数据 + LLM 分析 + 图表 |
+
+---
+
+## 8. 分析报告设计
+
+### 8.1 报告模块结构
+
+分析报告由 **统计计算** + **4路并发 LLM 分析** 的 LangGraph 子图生成。每个板块包含 `stats`（统计数据）和 `llm_analysis`（LLM 分析结论）。
+
+```mermaid
+flowchart TB
+    subgraph Report["分析报告四大板块"]
+        M1["板块1: 库存总体概览<br/>inventory_overview"]
+        M2["板块2: 销量分析<br/>sales_analysis"]
+        M3["板块3: 库存构成健康度<br/>inventory_health"]
+        M4["板块4: 补货建议生成情况<br/>replenishment_summary"]
+    end
+    
+    M1 --> S1[有效库存/资金占用]
+    M1 --> S2[在库/在途/已有计划]
+    M1 --> S3[整体库销比]
+    
+    M2 --> R1[月均销量/销售金额]
+    M2 --> R2[有销量/无销量配件数]
+    M2 --> R3[出库/锁定/采购统计]
+    
+    M3 --> P1[缺货件统计]
+    M3 --> P2[呆滞件统计]
+    M3 --> P3[低频件统计]
+    M3 --> P4[正常件统计]
+    M3 --> P5[chart_data图表数据]
+    
+    M4 --> E1[急需补货统计]
+    M4 --> E2[建议补货统计]
+    M4 --> E3[可选补货统计]
+```
+
+### 8.2 各板块统计计算与LLM分析
+
+| 板块 | 统计计算 | LLM 分析 | 提示词文件 |
+|------|---------|---------|-----------|
+| **库存概览** | 有效库存、资金占用、配件总数、整体库销比 | 库存状况综合评价 | `report_inventory_overview.md` |
+| **销量分析** | 月均销量、出库频次、有/无销量配件数 | 销售趋势洞察 | `report_sales_analysis.md` |
+| **库存健康度** | 缺货/呆滞/低频/正常分类统计(数量/金额/占比) | 健康度风险提示 | `report_inventory_health.md` |
+| **补货建议汇总** | 按优先级(急需/建议/可选)分类统计 | 补货策略建议 | `report_replenishment_summary.md` |
+
+> 四个 LLM 分析节点使用 LangGraph 子图 **并发执行**（fan-out / fan-in），单板块失败不影响其他板块。
+
+### 8.3 并发子图实现
+
+```mermaid
+flowchart LR
+    START --> A[库存概览LLM] --> END2[END]
+    START --> B[销量分析LLM] --> END2
+    START --> C[健康度LLM] --> END2
+    START --> D[补货建议LLM] --> END2
+```
+
+子图采用 `ReportLLMState` TypedDict 定义状态，使用 `Annotated` reducer 合并并发结果：
+- 分析结果：`_merge_dict`（保留非 None）
+- Token 用量：`_sum_int`（累加）
+
+---
+
+## 9. 技术选型
+
+| 组件 | 技术 | 选型理由 |
+|------|------|----------|
+| **编程语言** | Python 3.11+ | 丰富的AI/ML生态 |
+| **Agent框架** | LangChain + LangGraph | 成熟的LLM编排框架，支持并发子图 |
+| **API框架** | FastAPI | 高性能、自动文档 |
+| **数据库** | MySQL | 与主系统保持一致 |
+| **LLM** | 智谱GLM / 豆包 / OpenAI兼容 / Anthropic兼容 | 多模型支持，优先级自动选择 |
+| **前端** | 原生HTML+CSS+JS | 轻量级，无构建依赖 |
+
+### LLM 客户端优先级
+
+| 优先级 | 客户端 | 触发条件 |
+|--------|--------|----------|
+| 1 | `OpenAICompatClient` | `OPENAI_COMPAT_API_KEY` 已配置 |
+| 2 | `AnthropicCompatClient` | `ANTHROPIC_API_KEY` 已配置 |
+| 3 | `GLMClient` | `GLM_API_KEY` 已配置 |
+| 4 | `DoubaoClient` | `DOUBAO_API_KEY` 已配置 |
+
+---
+
+## 10. 部署与运维
+
+### 10.1 部署架构
+
+```mermaid
+flowchart LR
+    subgraph Client["客户端"]
+        Browser[浏览器]
+    end
+    
+    subgraph Server["服务器"]
+        Nginx[Nginx<br/>静态资源/反向代理]
+        API[FastAPI<br/>API服务]
+        Scheduler[APScheduler<br/>定时任务]
+    end
+    
+    subgraph External["外部服务"]
+        LLM[LLM API]
+        DB[(MySQL)]
+    end
+    
+    Browser --> Nginx
+    Nginx --> API
+    API --> LLM
+    API --> DB
+    Scheduler --> API
+```
+
+### 10.2 关键监控指标
+
+| 指标 | 阈值 | 告警方式 |
+|------|------|----------|
+| 任务成功率 | < 95% | 邮件 |
+| LLM响应时间 | > 30s | 日志 |
+| Token消耗 | > 10000/任务 | 日志 |
+| API响应时间 | > 2s | 监控 |
+
+---
+
+## 附录
+
+### A. 术语表
+
+| 术语 | 定义 |
+|------|------|
+| 商家组合 | 多个经销商/门店的逻辑分组 |
+| 库销比 | 库存数量 / 月均销量，衡量库存健康度 |
+| 呆滞件 | 有库存但90天无出库数的配件 |
+| 低频件 | 月均销量<1 或 出库次数<3 或 出库间隔≥30天的配件 |
+| 有效库存 | 在库未锁定 + 在途 + 已有计划 |
+| 资金占用 | (在库未锁定 + 在途) × 成本价 |
+
+### B. 参考文档
+
+- [docs/architecture.md](file:///Users/gunieason/Studio/Code/FeeWee/fw-pms-ai/docs/architecture.md) - 系统架构文档
+- [prompts/part_shop_analysis.md](file:///Users/gunieason/Studio/Code/FeeWee/fw-pms-ai/prompts/part_shop_analysis.md) - 配件分析提示词
+- [prompts/report_inventory_overview.md](file:///Users/gunieason/Studio/Code/FeeWee/fw-pms-ai/prompts/report_inventory_overview.md) - 库存概览提示词
+- [prompts/report_sales_analysis.md](file:///Users/gunieason/Studio/Code/FeeWee/fw-pms-ai/prompts/report_sales_analysis.md) - 销量分析提示词
+- [prompts/report_inventory_health.md](file:///Users/gunieason/Studio/Code/FeeWee/fw-pms-ai/prompts/report_inventory_health.md) - 库存健康度提示词
+- [prompts/report_replenishment_summary.md](file:///Users/gunieason/Studio/Code/FeeWee/fw-pms-ai/prompts/report_replenishment_summary.md) - 补货建议提示词
+
+### C. 版本变更记录
+
+| 版本 | 日期 | 变更说明 |
+|------|------|----------|
+| 1.0.0 | 2026-02-09 | 初始版本 |
+| 2.0.0 | 2026-02-12 | 根据实际实现更新：分析报告重构为四大数据驱动板块、ER图更新、API路径和字段对齐、新增LLM客户端等 |
-# 智能补货建议分析报告
-
-你是一位资深汽车配件采购顾问。AI系统已经基于全量数据生成了补货建议的**多维统计分布数据**，现在需要你站在更宏观的视角，为采购决策者提供**整体性分析**。
-
-> **核心定位**: 统计数据揭示了补货的宏观特征与分布情况，本报告聚焦于"整体策略、风险预警、资金规划"等**决策层面**的洞察。
-
----
-
-## 商家组合信息
-
-| 项目 | 数值 |
-|------|------|
-| 商家组合ID | {dealer_grouping_id} |
-| 商家组合名称 | {dealer_grouping_name} |
-| 报告生成日期 | {statistics_date} |
-
----
-
-## 本期补货建议概览 (统计摘要)
-
-{suggestion_summary}
-
----
-
-## 库存健康度参考
-
-| 状态分类 | 配件数量 | 涉及金额 |
-|----------|----------|----------|
-| 缺货件 | {shortage_cnt} | {shortage_amount} |
-| 呆滞件 | {stagnant_cnt} | {stagnant_amount} |
-| 低频件 | {low_freq_cnt} | {low_freq_amount} |
-
----
-
-## 分析任务
-
-请严格按以下4个模块输出 **JSON格式** 的整体分析报告。
-
-**注意**: 分析应基于提供的统计分布数据（如优先级、价格区间、周转频次等），按以下**宏观维度**展开。
-
-### 模块1: 整体态势研判 (overall_assessment)
-
-从全局视角评估本次补货建议：
-
-1. **补货规模评估**: 结合涉及配件数和总金额，评估本期补货的力度和资金需求规模。
-2. **结构特征分析**: 基于价格区间和周转频次分布，分析补货建议的结构特征（如是否偏向高频低价件，或存在大量低频高价件）。
-3. **时机判断**: 当前是否处于补货的有利时机？需要考虑哪些时间因素（如节假日、促销季、供应商备货周期）？
-
-### 模块2: 风险预警与应对 (risk_alerts)
-
-识别本次补货可能面临的风险并给出应对建议：
-
-1. **供应风险**: 高频或高优先级配件的供应保障是否关键？
-2. **资金风险**: 大额补货配件（≥5000元）的占比是否过高？是否构成资金压力？
-3. **库存结构风险**: 低频配件的补货比例是否合理？是否存在积压风险？
-4. **执行重点**: 针对高优先级或大额补货的配件，建议采取什么复核策略？
-
-### 模块3: 采购策略建议 (procurement_strategy)
-
-提供整体性的采购执行策略：
-
-1. **优先级排序原则**: 结合优先级分布数据，给出资金分配和采购执行的先后顺序建议。
-2. **批量采购机会**: 对于低价高频的配件，是否建议采用批量采购策略以优化成本？
-3. **分批采购建议**: 对于大额或低频配件，是否建议分批次补货以控制风险？
-4. **供应商协调要点**: 针对本期补货的结构特征（如大额占比高或高频占比高），与供应商沟通的侧重点是什么？
-
-### 模块4: 效果预期与建议 (expected_impact)
-
-预估按建议执行后的整体效果：
-
-1. **库存健康度改善**: 补货后整体库存结构预计如何变化？缺货率预计下降多少？
-2. **资金效率预估**: 本期补货的预计投入产出如何？资金周转是否会改善？
-3. **后续关注点**: 补货完成后需要持续关注哪些指标或配件？下一步建议行动是什么？
-
----
-
-## 输出格式
-
-直接输出JSON对象，**不要**包含 ```json 标记：
-
-{{
-    "overall_assessment": {{
-        "scale_evaluation": {{
-            "current_vs_historical": "与历史同期对比结论",
-            "possible_reasons": "规模变化的可能原因"
-        }},
-        "structure_analysis": {{
-            "category_distribution": "品类分布特征",
-            "price_range_distribution": "价格区间分布特征",
-            "turnover_distribution": "周转频次分布特征",
-            "imbalance_warning": "是否存在失衡及说明"
-        }},
-        "timing_judgment": {{
-            "is_favorable": true或false,
-            "timing_factors": "需要考虑的时间因素",
-            "recommendation": "时机相关建议"
-        }}
-    }},
-    "risk_alerts": {{
-        "supply_risks": [
-            {{
-                "risk_type": "风险类型（缺货/涨价/交期延长等）",
-                "affected_scope": "影响范围描述",
-                "likelihood": "可能性评估（高/中/低）",
-                "mitigation": "应对建议"
-            }}
-        ],
-        "capital_risks": {{
-            "cash_flow_pressure": "资金压力评估",
-            "stagnation_warning": "呆滞风险提示",
-            "recommendation": "资金风险应对建议"
-        }},
-        "market_risks": [
-            {{
-                "risk_description": "市场风险描述",
-                "affected_parts": "影响配件范围",
-                "recommendation": "应对建议"
-            }}
-        ],
-        "execution_anomalies": [
-            {{
-                "anomaly_type": "异常类型",
-                "description": "异常描述",
-                "review_suggestion": "复核建议"
-            }}
-        ]
-    }},
-    "procurement_strategy": {{
-        "priority_principle": {{
-            "tier1_criteria": "第一优先级标准及说明",
-            "tier2_criteria": "第二优先级标准及说明",
-            "tier3_criteria": "可延后采购的标准及说明"
-        }},
-        "batch_opportunities": {{
-            "potential_savings": "潜在节省金额或比例",
-            "applicable_categories": "适用品类或供应商",
-            "execution_suggestion": "具体操作建议"
-        }},
-        "phased_procurement": {{
-            "recommended_parts": "建议分批采购的配件范围",
-            "suggested_rhythm": "建议的采购节奏"
-        }},
-        "supplier_coordination": {{
-            "key_communications": "关键沟通事项",
-            "timing_suggestions": "沟通时机建议"
-        }}
-    }},
-    "expected_impact": {{
-        "inventory_health": {{
-            "structure_improvement": "库存结构改善预期",
-            "shortage_reduction": "缺货率预计下降幅度"
-        }},
-        "capital_efficiency": {{
-            "investment_amount": 本期补货投入金额,
-            "expected_return": "预期收益描述",
-            "turnover_improvement": "周转改善预期"
-        }},
-        "follow_up_actions": {{
-            "key_metrics_to_watch": "需持续关注的指标",
-            "next_steps": "下一步建议行动"
-        }}
-    }}
-}}
-
----
-
-## 重要约束
-
-1. **输出必须是合法的JSON对象**
-2. **所有金额单位为元，保留2位小数**
-3. **聚焦宏观分析，不要重复明细中已有的配件级别信息**
-4. **风险和效果预估尽量量化**
-5. **策略建议要具体可执行，避免空泛描述**
-6. **分析基于提供的汇总数据，保持客观理性**
+# 库存健康度分析提示词
+
+你是一位汽车配件库存健康度诊断专家，擅长从库存结构数据中识别问题并提出改善方案。请基于以下健康度统计数据，进行专业的库存健康度诊断。
+
+---
+
+## 统计数据
+
+| 指标 | 数值 |
+|------|------|
+| 配件总种类数 | {total_count} |
+| 库存总金额 | {total_amount} 元 |
+
+### 各类型配件统计
+
+| 类型 | 数量 | 数量占比 | 金额（元） | 金额占比 |
+|------|------|----------|------------|----------|
+| 缺货件 | {shortage_count} | {shortage_count_pct}% | {shortage_amount} | {shortage_amount_pct}% |
+| 呆滞件 | {stagnant_count} | {stagnant_count_pct}% | {stagnant_amount} | {stagnant_amount_pct}% |
+| 低频件 | {low_freq_count} | {low_freq_count_pct}% | {low_freq_amount} | {low_freq_amount_pct}% |
+| 正常件 | {normal_count} | {normal_count_pct}% | {normal_amount} | {normal_amount_pct}% |
+
+---
+
+## 术语说明
+
+- **缺货件**: 有效库存 = 0 且月均销量 >= 1，有需求但无库存
+- **呆滞件**: 有效库存 > 0 且90天出库数 = 0，有库存但无销售
+- **低频件**: 月均销量 < 1 或出库次数 < 3 或出库间隔 >= 30天
+- **正常件**: 不属于以上三类的配件
+
+---
+
+## 当前季节信息
+
+- **当前季节**: {current_season}
+- **统计日期**: {statistics_date}
+
+---
+
+## 季节性因素参考
+
+| 季节 | 健康度评估调整 | 特别关注 |
+|------|--------------|---------|
+| 春季(3-5月) | 呆滞件中可能包含冬季配件，属正常现象 | 关注冬季配件是否及时清理 |
+| 夏季(6-8月) | 制冷配件缺货风险高，需重点关注 | 空调、冷却系统配件缺货影响大 |
+| 秋季(9-11月) | 夏季配件可能转为低频，需提前处理 | 关注夏季配件库存消化 |
+| 冬季(12-2月) | 电瓶、暖风配件缺货影响大 | 春节前缺货损失更大，需提前备货 |
+
+---
+
+## 分析框架与判断标准
+
+### 健康度评分标准
+| 正常件数量占比 | 健康度等级 | 说明 |
+|---------------|-----------|------|
+| > 70% | 健康 | 库存结构良好，继续保持 |
+| 50% - 70% | 亚健康 | 存在优化空间，需关注问题件 |
+| < 50% | 不健康 | 库存结构严重失衡，需立即改善 |
+
+### 各类型问题件风险评估标准
+| 类型 | 数量占比阈值 | 金额占比阈值 | 风险等级 |
+|------|-------------|-------------|---------|
+| 缺货件 | > 10% | - | 高风险（影响销售） |
+| 呆滞件 | > 15% | > 20% | 高风险（资金占用） |
+| 低频件 | > 25% | > 30% | 中风险（周转效率） |
+
+### 资金释放潜力评估
+| 类型 | 可释放比例 | 释放方式 |
+|------|-----------|---------|
+| 呆滞件 | 60%-80% | 促销清仓、退货供应商、调拨其他门店 |
+| 低频件 | 30%-50% | 降价促销、减少补货、逐步淘汰 |
+
+---
+
+## 分析任务
+
+请严格按照以下步骤进行分析，每一步都要展示推理过程：
+
+### 步骤1：健康度评分
+- 读取正常件数量占比
+- 对照健康度评分标准，确定健康度等级
+- 说明判断依据
+
+### 步骤2：问题件诊断
+对每类问题件进行分析：
+
+**缺货件分析：**
+- 对照风险阈值（数量占比>10%），判断风险等级
+- 分析缺货对业务的影响（销售损失、客户流失）
+- 推断可能原因（补货不及时、需求预测不准、供应链问题）
+
+**呆滞件分析：**
+- 对照风险阈值（数量占比>15%或金额占比>20%），判断风险等级
+- 分析呆滞对资金的影响
+- 推断可能原因（采购决策失误、市场变化、产品更新换代）
+
+**低频件分析：**
+- 对照风险阈值（数量占比>25%或金额占比>30%），判断风险等级
+- 分析低频件对SKU效率的影响
+- 推断可能原因（长尾需求、季节性产品、新品导入）
+
+### 步骤3：资金释放机会评估
+- 计算呆滞件可释放资金 = 呆滞件金额 × 可释放比例（60%-80%）
+- 计算低频件可释放资金 = 低频件金额 × 可释放比例（30%-50%）
+- 给出具体的资金释放行动方案
+
+### 步骤4：改善优先级排序
+- 根据风险等级和影响程度，排序问题类型
+- 给出2-3条优先级最高的改善行动
+
+---
+
+## 输出格式
+
+直接输出JSON对象，**不要**包含 ```json 标记：
+
+{{
+    "analysis_process": {{
+        "health_score_diagnosis": {{
+            "normal_ratio": "正常件数量占比（直接读取：{normal_count_pct}%）",
+            "score": "健康/亚健康/不健康",
+            "reasoning": "判断依据：对照标准xxx，当前正常件占比为xxx%，因此判断为xxx"
+        }},
+        "problem_diagnosis": {{
+            "shortage": {{
+                "risk_level": "高/中/低",
+                "threshold_comparison": "对照阈值>10%，当前{shortage_count_pct}%，结论",
+                "business_impact": "对业务的具体影响分析",
+                "possible_causes": ["可能原因1", "可能原因2"]
+            }},
+            "stagnant": {{
+                "risk_level": "高/中/低",
+                "threshold_comparison": "对照阈值（数量>15%或金额>20%），当前数量{stagnant_count_pct}%/金额{stagnant_amount_pct}%，结论",
+                "capital_impact": "对资金的具体影响分析",
+                "possible_causes": ["可能原因1", "可能原因2"]
+            }},
+            "low_freq": {{
+                "risk_level": "高/中/低",
+                "threshold_comparison": "对照阈值（数量>25%或金额>30%），当前数量{low_freq_count_pct}%/金额{low_freq_amount_pct}%，结论",
+                "efficiency_impact": "对SKU效率的具体影响分析",
+                "possible_causes": ["可能原因1", "可能原因2"]
+            }}
+        }},
+        "capital_release_calculation": {{
+            "stagnant_calculation": "呆滞件可释放资金 = {stagnant_amount} × 70% = xxx元（取中间值70%）",
+            "low_freq_calculation": "低频件可释放资金 = {low_freq_amount} × 40% = xxx元（取中间值40%）",
+            "total_releasable": "总可释放资金 = xxx元"
+        }},
+        "seasonal_analysis": {{
+            "current_season": "当前季节",
+            "seasonal_stagnant_items": "呆滞件中是否包含季节性配件（如冬季的空调配件）",
+            "seasonal_shortage_risk": "当季高需求配件的缺货风险评估",
+            "upcoming_season_alert": "下一季节需要关注的配件类型"
+        }}
+    }},
+    "conclusion": {{
+        "health_score": {{
+            "score": "健康/亚健康/不健康",
+            "normal_ratio_evaluation": "正常件占比评估结论（基于分析得出）"
+        }},
+        "problem_diagnosis": {{
+            "stagnant_analysis": "呆滞件问题分析及原因（基于分析得出）",
+            "shortage_analysis": "缺货件问题分析及影响（基于分析得出）",
+            "low_freq_analysis": "低频件问题分析及建议（基于分析得出）"
+        }},
+        "capital_release": {{
+            "stagnant_releasable": "呆滞件可释放资金估算（基于计算得出）",
+            "low_freq_releasable": "低频件可释放资金估算（基于计算得出）",
+            "action_plan": "资金释放行动方案（具体步骤）"
+        }},
+        "priority_actions": [
+            {{
+                "priority": 1,
+                "action": "最优先处理事项",
+                "reason": "优先原因",
+                "expected_effect": "预期效果"
+            }},
+            {{
+                "priority": 2,
+                "action": "次优先处理事项",
+                "reason": "优先原因",
+                "expected_effect": "预期效果"
+            }}
+        ]
+    }}
+}}
+
+---
+
+## 重要约束
+
+1. **输出必须是合法的JSON对象**
+2. **分析必须基于提供的数据，不要编造数据**
+3. **每个结论都必须有明确的推理依据和数据支撑**
+4. **资金释放估算应基于实际数据和给定的释放比例范围**
+5. **score 只能是"健康"、"亚健康"、"不健康"三个值之一**
+6. **priority_actions 数组至少包含2条，最多3条**
+7. **如果数据全为零，请在分析中说明无有效数据，并给出相应建议**
+8. **所有金额计算结果保留两位小数**
+# 库存概览分析提示词
+
+你是一位资深汽车配件库存管理专家，拥有20年以上的汽车后市场库存管理经验。请基于以下库存概览统计数据，进行专业的库存分析。
+
+---
+
+## 统计数据
+
+| 指标 | 数值 |
+|------|------|
+| 配件总种类数 | {part_count} |
+| 有效库存总数量 | {total_valid_storage_cnt} |
+| 有效库存总金额（资金占用） | {total_valid_storage_amount} 元 |
+| 月均销量总数量 | {total_avg_sales_cnt} |
+| 整体库销比 | {overall_ratio} |
+
+### 库存三项构成明细
+
+| 构成项 | 数量 | 金额（元） | 数量占比 | 金额占比 |
+|--------|------|------------|----------|----------|
+| 在库未锁 | {total_in_stock_unlocked_cnt} | {total_in_stock_unlocked_amount} | - | - |
+| 在途 | {total_on_the_way_cnt} | {total_on_the_way_amount} | - | - |
+| 计划数 | {total_has_plan_cnt} | {total_has_plan_amount} | - | - |
+
+---
+
+## 术语说明
+
+- **有效库存**: 在库未锁 + 在途 + 计划数
+- **月均销量**: (90天出库数 + 未关单已锁 + 未关单出库 + 订件) / 3
+- **库销比**: 有效库存总数量 / 月均销量总数量，反映库存周转效率
+
+---
+
+## 当前季节信息
+
+- **当前季节**: {current_season}
+- **统计日期**: {statistics_date}
+
+---
+
+## 季节性因素参考
+
+| 季节 | 需求特征 | 库存策略建议 |
+|------|---------|-------------|
+| 春季(3-5月) | 需求回暖，维修保养高峰前期 | 适当增加库存，为旺季做准备 |
+| 夏季(6-8月) | 空调、冷却系统配件需求旺盛 | 重点备货制冷相关配件，库销比可适当放宽至2.5 |
+| 秋季(9-11月) | 需求平稳，换季保养需求 | 保持正常库存水平，关注轮胎、刹车片等 |
+| 冬季(12-2月) | 电瓶、暖风系统需求增加，春节前备货期 | 提前备货，库销比可适当放宽至2.5-3.0 |
+
+---
+
+## 分析框架与判断标准
+
+### 库销比判断标准
+| 库销比范围 | 判断等级 | 含义 |
+|-----------|---------|------|
+| < 1.0 | 库存不足 | 可能面临缺货风险，需要加快补货 |
+| 1.0 - 2.0 | 合理 | 库存水平健康，周转效率良好 |
+| 2.0 - 3.0 | 偏高 | 库存积压风险，需关注周转 |
+| > 3.0 | 严重积压 | 资金占用过高，需立即优化 |
+| = 999 | 无销量 | 月均销量为零，需特别关注 |
+
+### 库存结构健康标准
+| 构成项 | 健康占比范围 | 风险提示 |
+|--------|-------------|---------|
+| 在库未锁 | 60%-80% | 过高说明周转慢，过低说明库存不足 |
+| 在途 | 10%-25% | 过高说明到货延迟风险，过低说明补货不及时 |
+| 计划数 | 5%-15% | 过高说明计划执行滞后 |
+
+### 资金占用风险等级
+| 条件 | 风险等级 |
+|------|---------|
+| 库销比 > 3.0 或 在库未锁占比 > 85% | high |
+| 库销比 2.0-3.0 或 在库未锁占比 80%-85% | medium |
+| 库销比 < 2.0 且 结构合理 | low |
+
+---
+
+## 分析任务
+
+请严格按照以下步骤进行分析，每一步都要展示推理过程：
+
+### 步骤1：计算关键指标
+首先计算以下指标（请在分析中展示计算过程）：
+- 各构成项的数量占比 = 构成项数量 / 有效库存总数量 × 100%
+- 各构成项的金额占比 = 构成项金额 / 有效库存总金额 × 100%
+- 单件平均成本 = 有效库存总金额 / 有效库存总数量
+
+### 步骤2：库销比诊断
+- 对照判断标准，确定当前库销比所处等级
+- 说明该等级的业务含义
+- 与行业经验值（1.5-2.5）进行对比
+
+### 步骤3：库存结构分析
+- 对照健康标准，评估各构成项占比是否合理
+- 识别偏离健康范围的构成项
+- 分析偏离的可能原因
+
+### 步骤4：风险评估
+- 根据风险等级判断条件，确定当前风险等级
+- 列出具体的风险点
+
+### 步骤5：季节性考量
+- 结合当前季节特征，评估库存水平是否适合当前季节
+- 考虑即将到来的季节变化，是否需要提前调整
+
+### 步骤6：形成建议
+- 基于以上分析，提出2-3条具体可操作的改善建议
+- 每条建议需说明预期效果
+- 建议需考虑季节性因素
+
+---
+
+## 输出格式
+
+直接输出JSON对象，**不要**包含 ```json 标记：
+
+{{
+    "analysis_process": {{
+        "calculated_metrics": {{
+            "in_stock_ratio": "在库未锁数量占比（计算过程：xxx / xxx = xx%）",
+            "on_way_ratio": "在途数量占比（计算过程）",
+            "plan_ratio": "计划数占比（计算过程）",
+            "avg_cost": "单件平均成本（计算过程）"
+        }},
+        "ratio_diagnosis": {{
+            "current_value": "当前库销比数值",
+            "level": "不足/合理/偏高/严重积压/无销量",
+            "reasoning": "判断依据：对照标准xxx，当前值xxx，因此判断为xxx",
+            "benchmark_comparison": "与行业经验值1.5-2.5对比的结论"
+        }},
+        "structure_analysis": {{
+            "in_stock_evaluation": "在库未锁占比评估（对照标准60%-80%，当前xx%，结论）",
+            "on_way_evaluation": "在途占比评估（对照标准10%-25%，当前xx%，结论）",
+            "plan_evaluation": "计划数占比评估（对照标准5%-15%，当前xx%，结论）",
+            "abnormal_items": ["偏离健康范围的项目及原因分析"]
+        }},
+        "seasonal_analysis": {{
+            "current_season": "当前季节",
+            "season_demand_feature": "当前季节需求特征",
+            "inventory_fitness": "当前库存水平是否适合本季节（结合季节性因素评估）",
+            "upcoming_season_preparation": "对即将到来季节的准备建议"
+        }}
+    }},
+    "conclusion": {{
+        "capital_assessment": {{
+            "total_evaluation": "总资金占用评估（基于以上分析得出的一句话结论）",
+            "structure_ratio": "各构成部分的资金比例分析结论",
+            "risk_level": "high/medium/low（基于风险等级判断条件得出）"
+        }},
+        "ratio_diagnosis": {{
+            "level": "不足/合理/偏高/严重积压",
+            "analysis": "库销比分析结论",
+            "benchmark": "行业参考值对比结论"
+        }},
+        "recommendations": [
+            {{
+                "action": "具体建议1",
+                "reason": "建议依据",
+                "expected_effect": "预期效果"
+            }},
+            {{
+                "action": "具体建议2",
+                "reason": "建议依据",
+                "expected_effect": "预期效果"
+            }}
+        ]
+    }}
+}}
+
+---
+
+## 重要约束
+
+1. **输出必须是合法的JSON对象**
+2. **分析必须基于提供的数据，不要编造数据**
+3. **每个结论都必须有明确的推理依据**
+4. **建议必须具体可操作，避免空泛的表述**
+5. **risk_level 只能是 high、medium、low 三个值之一**
+6. **如果数据全为零，请在分析中说明无有效数据，并给出相应建议**
+7. **所有百分比计算结果保留两位小数**
+# 补货建议分析提示词
+
+你是一位汽车配件采购策略顾问，擅长制定科学的补货计划和资金分配方案。请基于以下补货建议统计数据，进行专业的补货策略分析。
+
+---
+
+## 统计数据
+
+| 指标 | 数值 |
+|------|------|
+| 补货配件总种类数 | {total_count} |
+| 补货总金额 | {total_amount} 元 |
+
+### 各优先级统计
+
+| 优先级 | 配件种类数 | 金额（元） |
+|--------|-----------|------------|
+| 急需补货（优先级1） | {urgent_count} | {urgent_amount} |
+| 建议补货（优先级2） | {suggested_count} | {suggested_amount} |
+| 可选补货（优先级3） | {optional_count} | {optional_amount} |
+
+---
+
+## 术语说明
+
+- **急需补货（优先级1）**: 库销比 < 0.5 且月均销量 >= 1，库存严重不足，面临断货风险
+- **建议补货（优先级2）**: 库销比 0.5-1.0 且月均销量 >= 1，库存偏低，建议及时补充
+- **可选补货（优先级3）**: 库销比 1.0-目标值 且月均销量 >= 1，库存尚可，可灵活安排
+
+---
+
+## 当前季节信息
+
+- **当前季节**: {current_season}
+- **统计日期**: {statistics_date}
+
+---
+
+## 季节性因素参考
+
+| 季节 | 补货策略调整 | 重点补货品类 |
+|------|-------------|-------------|
+| 春季(3-5月) | 为夏季旺季提前备货 | 空调、冷却系统配件 |
+| 夏季(6-8月) | 制冷配件紧急补货优先级更高 | 空调压缩机、冷凝器、制冷剂 |
+| 秋季(9-11月) | 为冬季备货，减少夏季配件补货 | 电瓶、暖风系统、防冻液 |
+| 冬季(12-2月) | 春节前加快补货节奏 | 电瓶、启动机、暖风配件 |
+
+---
+
+## 分析框架与判断标准
+
+### 紧迫度评估标准
+| 急需补货占比 | 紧迫度等级 | 风险等级 | 建议 |
+|-------------|-----------|---------|------|
+| > 30% | 非常紧迫 | high | 立即启动紧急补货流程 |
+| 15% - 30% | 较紧迫 | medium | 优先处理急需补货 |
+| < 15% | 一般 | low | 按正常流程处理 |
+
+### 资金分配优先级原则
+| 优先级 | 建议预算占比 | 执行时间 |
+|--------|-------------|---------|
+| 急需补货 | 50%-70% | 1-3天内 |
+| 建议补货 | 20%-35% | 1-2周内 |
+| 可选补货 | 10%-15% | 2-4周内 |
+
+### 风险预警阈值
+| 风险类型 | 触发条件 | 预警等级 |
+|---------|---------|---------|
+| 资金压力 | 急需补货金额占比 > 60% | 高 |
+| 过度补货 | 可选补货金额占比 > 40% | 中 |
+
+---
+
+## 分析任务
+
+请严格按照以下步骤进行分析，展示推理过程：
+
+### 步骤1：计算关键指标
+- 各优先级数量占比 = 数量 / 总数量 × 100%
+- 各优先级金额占比 = 金额 / 总金额 × 100%
+
+### 步骤2：紧迫度评估
+- 对照标准确定紧迫度等级和风险等级
+- 判断是否需要立即行动
+
+### 步骤3：资金分配建议
+- 对照建议预算占比，判断当前分布是否合理
+- 给出具体资金分配建议
+
+### 步骤4：执行节奏规划
+- 规划各类补货的执行时间
+
+### 步骤5：风险识别
+- 对照风险预警阈值，识别潜在风险
+
+---
+
+## 输出格式
+
+直接输出JSON对象，**不要**包含 ```json 标记：
+
+{{
+    "analysis_process": {{
+        "calculated_metrics": {{
+            "urgent_count_ratio": "急需补货数量占比（计算：xxx / xxx = xx%）",
+            "urgent_amount_ratio": "急需补货金额占比（计算）",
+            "suggested_count_ratio": "建议补货数量占比（计算）",
+            "suggested_amount_ratio": "建议补货金额占比（计算）",
+            "optional_count_ratio": "可选补货数量占比（计算）",
+            "optional_amount_ratio": "可选补货金额占比（计算）"
+        }},
+        "urgency_diagnosis": {{
+            "urgent_ratio": "急需补货数量占比",
+            "level": "非常紧迫/较紧迫/一般",
+            "reasoning": "判断依据：对照标准xxx，当前占比xxx%，因此判断为xxx"
+        }},
+        "budget_analysis": {{
+            "current_distribution": "当前各优先级金额分布情况",
+            "comparison_with_standard": "与建议预算占比对比分析",
+            "adjustment_needed": "是否需要调整及原因"
+        }},
+        "risk_identification": {{
+            "capital_pressure_check": "资金压力检查（急需占比是否>60%）",
+            "over_replenishment_check": "过度补货检查（可选占比是否>40%）",
+            "identified_risks": ["识别到的风险1", "识别到的风险2"]
+        }},
+        "seasonal_analysis": {{
+            "current_season": "当前季节",
+            "seasonal_priority_items": "当季重点补货品类是否在急需列表中",
+            "timeline_adjustment": "是否需要根据季节调整补货时间（如春节前加快）",
+            "next_season_preparation": "为下一季节需要提前准备的配件"
+        }}
+    }},
+    "conclusion": {{
+        "urgency_assessment": {{
+            "urgent_ratio_evaluation": "急需补货占比评估结论",
+            "risk_level": "high/medium/low",
+            "immediate_action_needed": true或false
+        }},
+        "budget_allocation": {{
+            "recommended_order": "建议资金分配顺序（基于分析得出）",
+            "urgent_budget": "急需补货建议预算（具体金额或比例）",
+            "suggested_budget": "建议补货建议预算",
+            "optional_budget": "可选补货建议预算"
+        }},
+        "execution_plan": {{
+            "urgent_timeline": "急需补货执行时间（1-3天内）",
+            "suggested_timeline": "建议补货执行时间（1-2周内）",
+            "optional_timeline": "可选补货执行时间（2-4周内）"
+        }},
+        "risk_warnings": [
+            {{
+                "risk_type": "风险类型",
+                "description": "风险描述",
+                "mitigation": "应对建议"
+            }}
+        ]
+    }}
+}}
+
+---
+
+## 重要约束
+
+1. **输出必须是合法的JSON对象**
+2. **分析必须基于提供的数据，不要编造数据**
+3. **每个结论都必须有明确的推理依据和数据支撑**
+4. **建议必须具体可操作，包含时间和金额参考**
+5. **risk_level 只能是 high、medium、low 三个值之一**
+6. **immediate_action_needed 必须是布尔值 true 或 false**
+7. **risk_warnings 数组至少包含1条，最多3条**
+8. **如果数据全为零，请在分析中说明无补货建议数据**
+9. **所有百分比计算结果保留两位小数**
+# 销量分析提示词
+
+你是一位汽车配件销售数据分析师，擅长从销量数据中洞察需求趋势和业务机会。请基于以下销量统计数据，进行专业的销量分析。
+
+---
+
+## 统计数据
+
+| 指标 | 数值 |
+|------|------|
+| 月均销量总数量 | {total_avg_sales_cnt} |
+| 月均销量总金额 | {total_avg_sales_amount} 元 |
+| 有销量配件数 | {has_sales_part_count} |
+| 无销量配件数 | {no_sales_part_count} |
+
+### 销量构成明细
+
+| 构成项 | 数量 | 说明 |
+|--------|------|------|
+| 90天出库数 | {total_out_stock_cnt} | 近90天实际出库，反映正常销售 |
+| 未关单已锁 | {total_storage_locked_cnt} | 已锁定库存但订单未关闭，反映待处理订单 |
+| 未关单出库 | {total_out_stock_ongoing_cnt} | 已出库但订单未关闭，反映在途交付 |
+| 订件 | {total_buy_cnt} | 客户预订的配件数量，反映预订需求 |
+
+---
+
+## 术语说明
+
+- **月均销量**: (90天出库数 + 未关单已锁 + 未关单出库 + 订件) / 3
+- **有销量配件**: 月均销量 > 0 的配件
+- **无销量配件**: 月均销量 = 0 的配件
+- **SKU活跃率**: 有销量配件数 / 总配件数 × 100%
+
+---
+
+## 当前季节信息
+
+- **当前季节**: {current_season}
+- **统计日期**: {statistics_date}
+
+---
+
+## 季节性因素参考
+
+| 季节 | 销量特征 | 关注重点 |
+|------|---------|---------|
+| 春季(3-5月) | 销量逐步回升，保养类配件需求增加 | 关注机油、滤芯等保养件销量变化 |
+| 夏季(6-8月) | 空调、冷却系统配件销量高峰 | 制冷配件销量应明显上升，否则需关注 |
+| 秋季(9-11月) | 销量平稳，换季保养需求 | 轮胎、刹车片等安全件需求增加 |
+| 冬季(12-2月) | 电瓶、暖风配件需求增加，春节前订单高峰 | 订件占比可能上升，属正常现象 |
+
+---
+
+## 分析框架与判断标准
+
+### 销量构成健康标准
+| 构成项 | 健康占比范围 | 异常信号 |
+|--------|-------------|---------|
+| 90天出库数 | > 70% | 占比过低说明正常销售不足，可能存在订单积压 |
+| 未关单已锁 | < 15% | 占比过高说明订单处理效率低，需关注 |
+| 未关单出库 | < 10% | 占比过高说明交付周期长，客户体验受影响 |
+| 订件 | 5%-15% | 过高说明预订需求旺盛但库存不足，过低说明预订渠道不畅 |
+
+### SKU活跃度判断标准
+| 活跃率范围 | 判断等级 | 建议 |
+|-----------|---------|------|
+| > 80% | 优秀 | SKU管理良好，保持现状 |
+| 70%-80% | 良好 | 可适当优化无销量SKU |
+| 50%-70% | 一般 | 需要重点关注SKU精简 |
+| < 50% | 较差 | SKU管理存在严重问题，需立即优化 |
+
+### 需求趋势判断依据
+| 信号 | 趋势判断 |
+|------|---------|
+| 订件占比上升 + 未关单占比上升 | 上升（需求增长但供应跟不上） |
+| 90天出库占比稳定 + 各项占比均衡 | 稳定（供需平衡） |
+| 90天出库占比下降 + 订件占比下降 | 下降（需求萎缩） |
+
+---
+
+## 分析任务
+
+请严格按照以下步骤进行分析，每一步都要展示推理过程：
+
+### 步骤1：计算关键指标
+首先计算以下指标（请在分析中展示计算过程）：
+- 各构成项占比 = 构成项数量 / (90天出库数 + 未关单已锁 + 未关单出库 + 订件) × 100%
+- SKU活跃率 = 有销量配件数 / (有销量配件数 + 无销量配件数) × 100%
+- 单件平均销售金额 = 月均销量总金额 / 月均销量总数量
+
+### 步骤2：销量构成分析
+- 对照健康标准，评估各构成项占比是否合理
+- 识别主要销量来源
+- 分析未关单（已锁+出库）对整体销量的影响
+
+### 步骤3：SKU活跃度评估
+- 对照活跃度标准，确定当前活跃率等级
+- 分析无销量配件占比的业务影响
+- 提出SKU优化方向
+
+### 步骤4：季节性分析
+- 结合当前季节特征，评估销量表现是否符合季节预期
+- 分析季节性配件的销量是否正常
+
+### 步骤5：需求趋势判断
+- 根据各构成项的占比关系，判断需求趋势
+- 结合季节因素，说明判断依据
+- 给出短期需求预测（考虑季节变化）
+
+---
+
+## 输出格式
+
+直接输出JSON对象，**不要**包含 ```json 标记：
+
+{{
+    "analysis_process": {{
+        "calculated_metrics": {{
+            "out_stock_ratio": "90天出库占比（计算过程：xxx / xxx = xx%）",
+            "locked_ratio": "未关单已锁占比（计算过程）",
+            "ongoing_ratio": "未关单出库占比（计算过程）",
+            "buy_ratio": "订件占比（计算过程）",
+            "sku_active_rate": "SKU活跃率（计算过程：xxx / xxx = xx%）",
+            "avg_sales_price": "单件平均销售金额（计算过程）"
+        }},
+        "composition_diagnosis": {{
+            "out_stock_evaluation": "90天出库占比评估（对照标准>70%，当前xx%，结论）",
+            "locked_evaluation": "未关单已锁占比评估（对照标准<15%，当前xx%，结论）",
+            "ongoing_evaluation": "未关单出库占比评估（对照标准<10%，当前xx%，结论）",
+            "buy_evaluation": "订件占比评估（对照标准5%-15%，当前xx%，结论）",
+            "abnormal_items": ["偏离健康范围的项目及原因分析"]
+        }},
+        "activity_diagnosis": {{
+            "current_rate": "当前SKU活跃率",
+            "level": "优秀/良好/一般/较差",
+            "reasoning": "判断依据：对照标准xxx，当前值xxx，因此判断为xxx"
+        }},
+        "trend_diagnosis": {{
+            "signals": ["观察到的趋势信号1", "观察到的趋势信号2"],
+            "reasoning": "基于以上信号，判断需求趋势为xxx，因为xxx"
+        }},
+        "seasonal_analysis": {{
+            "current_season": "当前季节",
+            "expected_performance": "本季节预期销量特征",
+            "actual_vs_expected": "实际表现与季节预期对比",
+            "seasonal_items_status": "季节性配件销量状态评估"
+        }}
+    }},
+    "conclusion": {{
+        "composition_analysis": {{
+            "main_driver": "主要销量来源分析（基于占比计算得出）",
+            "pending_orders_impact": "未关单对销量的影响（基于占比计算得出）",
+            "booking_trend": "订件趋势分析（基于占比计算得出）"
+        }},
+        "activity_assessment": {{
+            "active_ratio": "活跃SKU占比评估结论",
+            "optimization_suggestion": "SKU优化建议（基于活跃度等级给出）"
+        }},
+        "demand_trend": {{
+            "direction": "上升/稳定/下降",
+            "evidence": "判断依据（列出具体数据支撑）",
+            "seasonal_factor": "季节因素对趋势的影响",
+            "forecast": "短期需求预测（考虑季节变化）"
+        }}
+    }}
+}}
+
+---
+
+## 重要约束
+
+1. **输出必须是合法的JSON对象**
+2. **分析必须基于提供的数据，不要编造数据**
+3. **每个结论都必须有明确的推理依据和数据支撑**
+4. **建议必须具体可操作，避免空泛的表述**
+5. **direction 只能是"上升"、"稳定"、"下降"三个值之一**
+6. **如果数据全为零，请在分析中说明无有效数据，并给出相应建议**
+7. **所有百分比计算结果保留两位小数**
@@ -60,7 +60,7 @@ CREATE TABLE part_ratio (
 | 指标 | 公式 | 说明 |
 |------|------|------|
-| 有效库存 | `in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt + transfer_cnt + gen_transfer_cnt` | 可用库存总量 |
+| 有效库存 | `in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt` | 可用库存总量 |
 | 月均销量 | `(out_stock_cnt + storage_locked_cnt + out_stock_ongoing_cnt + buy_cnt) / 3` | 基于90天数据计算 |
 | 库销比 | `有效库存 / 月均销量` | 当月均销量 > 0 时有效 |
 -- ============================================================================
 -- AI 补货建议分析报告表
 -- ============================================================================
--- 版本: 2.0.0
--- 更新日期: 2026-02-05
--- 变更说明: 重构报告模块，聚焦补货决策支持（区别于传统库销分析）
+-- 版本: 3.0.0
+-- 更新日期: 2026-02-10
+-- 变更说明: 重构为四大数据驱动板块（库存概览/销量分析/健康度/补货建议）
 -- ============================================================================
 DROP TABLE IF EXISTS ai_analysis_report;
@@ -15,33 +15,23 @@ CREATE TABLE ai_analysis_report (
     dealer_grouping_name VARCHAR(128) COMMENT '商家组合名称',
     brand_grouping_id    BIGINT COMMENT '品牌组合ID',
     report_type          VARCHAR(32) DEFAULT 'replenishment' COMMENT '报告类型',
-    
-    -- 报告各模块 (JSON 结构化存储) - 宏观决策分析
-    -- 注：字段名保持兼容，实际存储内容已更新为新模块
-    replenishment_insights    JSON COMMENT '整体态势研判(规模评估/结构分析/时机判断) - 原overall_assessment',
-    urgency_assessment        JSON COMMENT '风险预警与应对(供应/资金/市场/执行风险) - 原risk_alerts',
-    strategy_recommendations  JSON COMMENT '采购策略建议(优先级/批量机会/分批/供应商协调) - 原procurement_strategy',
-    execution_guide           JSON COMMENT '已废弃，置为NULL',
-    expected_outcomes         JSON COMMENT '效果预期与建议(库存健康/资金效率/后续行动) - 原expected_impact',
-    
-    -- 统计信息
-    total_suggest_cnt    INT DEFAULT 0 COMMENT '总建议数量',
-    total_suggest_amount DECIMAL(14,2) DEFAULT 0 COMMENT '总建议金额',
-    shortage_risk_cnt    INT DEFAULT 0 COMMENT '缺货风险配件数',
-    excess_risk_cnt      INT DEFAULT 0 COMMENT '过剩风险配件数',
-    stagnant_cnt         INT DEFAULT 0 COMMENT '呆滞件数量',
-    low_freq_cnt         INT DEFAULT 0 COMMENT '低频件数量',
-    
+
+    -- 四大板块 (JSON 结构化存储，每个字段包含 stats + llm_analysis)
+    inventory_overview    JSON COMMENT '库存总体概览(统计数据+LLM分析)',
+    sales_analysis        JSON COMMENT '销量分析(统计数据+LLM分析)',
+    inventory_health      JSON COMMENT '库存构成健康度(统计数据+图表数据+LLM分析)',
+    replenishment_summary JSON COMMENT '补货建议生成情况(统计数据+LLM分析)',
+
     -- LLM 元数据
     llm_provider         VARCHAR(32) COMMENT 'LLM提供商',
     llm_model            VARCHAR(64) COMMENT 'LLM模型名称',
     llm_tokens           INT DEFAULT 0 COMMENT 'LLM Token消耗',
     execution_time_ms    INT DEFAULT 0 COMMENT '执行耗时(毫秒)',
-    
+
     statistics_date      VARCHAR(16) COMMENT '统计日期',
     create_time          DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
-    
+
     INDEX idx_task_no (task_no),
     INDEX idx_group_date (group_id, statistics_date),
     INDEX idx_dealer_grouping (dealer_grouping_id)
-) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='AI补货建议分析报告表-结构化补货决策支持报告';
+) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='AI补货建议分析报告表-重构版';
 """
 分析报告生成节点
-在补货建议工作流的最后一个节点执行，生成结构化分析报告
+在补货建议工作流的最后一个节点执行，生成结构化分析报告。
+包含四大板块的统计计算函数：库存概览、销量分析、库存健康度、补货建议。
 """
 import logging
-import time
-import json
-import os
-from typing import Dict, Any
-from decimal import Decimal
-from datetime import datetime
+from decimal import Decimal, ROUND_HALF_UP
-from langchain_core.messages import HumanMessage
+logger = logging.getLogger(__name__)
-from ..llm import get_llm_client
-from ..models import AnalysisReport
-from ..services.result_writer import ResultWriter
-logger = logging.getLogger(__name__)
+def _to_decimal(value) -> Decimal:
+    """安全转换为 Decimal"""
+    if value is None:
+        return Decimal("0")
+    return Decimal(str(value))
-def _load_prompt(filename: str) -> str:
-    """从prompts目录加载提示词文件"""
-    prompts_dir = os.path.join(
-        os.path.dirname(os.path.dirname(os.path.dirname(os.path.dirname(__file__)))),
-        "prompts"
+def calculate_inventory_overview(part_ratios: list[dict]) -> dict:
+    """
+    计算库存总体概览统计数据
+
+    有效库存 = in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt
+    资金占用 = in_stock_unlocked_cnt + on_the_way_cnt（仅计算实际占用资金的库存）
+
+    Args:
+        part_ratios: PartRatio 字典列表
+
+    Returns:
+        库存概览统计字典
+    """
+    total_in_stock_unlocked_cnt = Decimal("0")
+    total_in_stock_unlocked_amount = Decimal("0")
+    total_on_the_way_cnt = Decimal("0")
+    total_on_the_way_amount = Decimal("0")
+    total_has_plan_cnt = Decimal("0")
+    total_has_plan_amount = Decimal("0")
+    total_avg_sales_cnt = Decimal("0")
+    # 资金占用合计 = (在库未锁 + 在途) * 成本价
+    total_capital_occupation = Decimal("0")
+
+    for p in part_ratios:
+        cost_price = _to_decimal(p.get("cost_price", 0))
+
+        in_stock = _to_decimal(p.get("in_stock_unlocked_cnt", 0))
+        on_way = _to_decimal(p.get("on_the_way_cnt", 0))
+        has_plan = _to_decimal(p.get("has_plan_cnt", 0))
+
+        total_in_stock_unlocked_cnt += in_stock
+        total_in_stock_unlocked_amount += in_stock * cost_price
+        total_on_the_way_cnt += on_way
+        total_on_the_way_amount += on_way * cost_price
+        total_has_plan_cnt += has_plan
+        total_has_plan_amount += has_plan * cost_price
+        
+        # 资金占用 = 在库未锁 + 在途
+        total_capital_occupation += (in_stock + on_way) * cost_price
+
+        # 月均销量
+        out_stock = _to_decimal(p.get("out_stock_cnt", 0))
+        locked = _to_decimal(p.get("storage_locked_cnt", 0))
+        ongoing = _to_decimal(p.get("out_stock_ongoing_cnt", 0))
+        buy = _to_decimal(p.get("buy_cnt", 0))
+        avg_sales = (out_stock + locked + ongoing + buy) / Decimal("3")
+        total_avg_sales_cnt += avg_sales
+
+    total_valid_storage_cnt = (
+        total_in_stock_unlocked_cnt
+        + total_on_the_way_cnt
+        + total_has_plan_cnt
     )
-    filepath = os.path.join(prompts_dir, filename)
-    
-    if not os.path.exists(filepath):
-        raise FileNotFoundError(f"Prompt文件未找到: {filepath}")
-    
-    with open(filepath, "r", encoding="utf-8") as f:
-        return f.read()
+    total_valid_storage_amount = (
+        total_in_stock_unlocked_amount
+        + total_on_the_way_amount
+        + total_has_plan_amount
+    )
+
+    # 库销比：月均销量为零时标记为特殊值
+    if total_avg_sales_cnt > 0:
+        overall_ratio = total_valid_storage_cnt / total_avg_sales_cnt
+    else:
+        overall_ratio = Decimal("999")
+    return {
+        "total_valid_storage_cnt": total_valid_storage_cnt,
+        "total_valid_storage_amount": total_valid_storage_amount,
+        "total_capital_occupation": total_capital_occupation,
+        "total_in_stock_unlocked_cnt": total_in_stock_unlocked_cnt,
+        "total_in_stock_unlocked_amount": total_in_stock_unlocked_amount,
+        "total_on_the_way_cnt": total_on_the_way_cnt,
+        "total_on_the_way_amount": total_on_the_way_amount,
+        "total_has_plan_cnt": total_has_plan_cnt,
+        "total_has_plan_amount": total_has_plan_amount,
+        "total_avg_sales_cnt": total_avg_sales_cnt,
+        "overall_ratio": overall_ratio,
+        "part_count": len(part_ratios),
+    }
-def _calculate_suggestion_stats(part_results: list) -> dict:
+
+def calculate_sales_analysis(part_ratios: list[dict]) -> dict:
     """
-    基于完整数据计算补货建议统计
-    
-    统计维度：
-    1. 总体统计：总数量、总金额
-    2. 优先级分布：高/中/低优先级配件数及金额
-    3. 价格区间分布：低价/中价/高价配件分布
-    4. 周转频次分布：高频/中频/低频配件分布
-    5. 补货规模分布：大额/中额/小额补货配件分布
+    计算销量分析统计数据
+
+    月均销量 = (out_stock_cnt + storage_locked_cnt + out_stock_ongoing_cnt + buy_cnt) / 3
+
+    Args:
+        part_ratios: PartRatio 字典列表
+
+    Returns:
+        销量分析统计字典
     """
-    stats = {
-        # 总体统计
-        "total_parts_cnt": 0,
-        "total_suggest_cnt": 0,
-        "total_suggest_amount": Decimal("0"),
-        
-        # 优先级分布: 1=高, 2=中, 3=低
-        "priority_high_cnt": 0,
-        "priority_high_amount": Decimal("0"),
-        "priority_medium_cnt": 0,
-        "priority_medium_amount": Decimal("0"),
-        "priority_low_cnt": 0,
-        "priority_low_amount": Decimal("0"),
-        
-        # 价格区间分布 (成本价)
-        "price_low_cnt": 0,
-        "price_low_amount": Decimal("0"),
-        "price_medium_cnt": 0,
-        "price_medium_amount": Decimal("0"),
-        "price_high_cnt": 0,
-        "price_high_amount": Decimal("0"),
-        
-        # 周转频次分布 (月均销量)
-        "turnover_high_cnt": 0,
-        "turnover_high_amount": Decimal("0"),
-        "turnover_medium_cnt": 0,
-        "turnover_medium_amount": Decimal("0"),
-        "turnover_low_cnt": 0,
-        "turnover_low_amount": Decimal("0"),
-        
-        # 补货金额分布
-        "replenish_large_cnt": 0,
-        "replenish_large_amount": Decimal("0"),
-        "replenish_medium_cnt": 0,
-        "replenish_medium_amount": Decimal("0"),
-        "replenish_small_cnt": 0,
-        "replenish_small_amount": Decimal("0"),
+    total_out_stock_cnt = Decimal("0")
+    total_storage_locked_cnt = Decimal("0")
+    total_out_stock_ongoing_cnt = Decimal("0")
+    total_buy_cnt = Decimal("0")
+    total_avg_sales_amount = Decimal("0")
+    has_sales_part_count = 0
+    no_sales_part_count = 0
+
+    for p in part_ratios:
+        cost_price = _to_decimal(p.get("cost_price", 0))
+
+        out_stock = _to_decimal(p.get("out_stock_cnt", 0))
+        locked = _to_decimal(p.get("storage_locked_cnt", 0))
+        ongoing = _to_decimal(p.get("out_stock_ongoing_cnt", 0))
+        buy = _to_decimal(p.get("buy_cnt", 0))
+
+        total_out_stock_cnt += out_stock
+        total_storage_locked_cnt += locked
+        total_out_stock_ongoing_cnt += ongoing
+        total_buy_cnt += buy
+
+        avg_sales = (out_stock + locked + ongoing + buy) / Decimal("3")
+        total_avg_sales_amount += avg_sales * cost_price
+
+        if avg_sales > 0:
+            has_sales_part_count += 1
+        else:
+            no_sales_part_count += 1
+
+    total_avg_sales_cnt = (
+        total_out_stock_cnt + total_storage_locked_cnt + total_out_stock_ongoing_cnt + total_buy_cnt
+    ) / Decimal("3")
+
+    return {
+        "total_avg_sales_cnt": total_avg_sales_cnt,
+        "total_avg_sales_amount": total_avg_sales_amount,
+        "total_out_stock_cnt": total_out_stock_cnt,
+        "total_storage_locked_cnt": total_storage_locked_cnt,
+        "total_out_stock_ongoing_cnt": total_out_stock_ongoing_cnt,
+        "total_buy_cnt": total_buy_cnt,
+        "has_sales_part_count": has_sales_part_count,
+        "no_sales_part_count": no_sales_part_count,
     }
-    
-    if not part_results:
-        return stats
-    
-    for pr in part_results:
-        # 兼容对象和字典两种形式
-        if hasattr(pr, "total_suggest_cnt"):
-            suggest_cnt = pr.total_suggest_cnt
-            suggest_amount = pr.total_suggest_amount
-            cost_price = pr.cost_price
-            avg_sales = pr.total_avg_sales_cnt
-            priority = pr.priority
+
+
+def _classify_part(p: dict) -> str:
+    """
+    将配件分类为缺货/呆滞/低频/正常
+
+    分类规则（按优先级顺序判断）：
+    - 缺货件: 有效库存 = 0 且 月均销量 >= 1
+    - 呆滞件: 有效库存 > 0 且 90天出库数 = 0
+    - 低频件: 月均销量 < 1 或 出库次数 < 3 或 出库间隔 >= 30天
+    - 正常件: 不属于以上三类
+    """
+    in_stock = _to_decimal(p.get("in_stock_unlocked_cnt", 0))
+    on_way = _to_decimal(p.get("on_the_way_cnt", 0))
+    has_plan = _to_decimal(p.get("has_plan_cnt", 0))
+    valid_storage = in_stock + on_way + has_plan
+
+    out_stock = _to_decimal(p.get("out_stock_cnt", 0))
+    locked = _to_decimal(p.get("storage_locked_cnt", 0))
+    ongoing = _to_decimal(p.get("out_stock_ongoing_cnt", 0))
+    buy = _to_decimal(p.get("buy_cnt", 0))
+    avg_sales = (out_stock + locked + ongoing + buy) / Decimal("3")
+
+    out_times = int(p.get("out_times", 0) or 0)
+    out_duration = int(p.get("out_duration", 0) or 0)
+
+    # 缺货件
+    if valid_storage == 0 and avg_sales >= 1:
+        return "shortage"
+
+    # 呆滞件
+    if valid_storage > 0 and out_stock == 0:
+        return "stagnant"
+
+    # 低频件
+    if avg_sales < 1 or out_times < 3 or out_duration >= 30:
+        return "low_freq"
+
+    return "normal"
+
+
+def calculate_inventory_health(part_ratios: list[dict]) -> dict:
+    """
+    计算库存构成健康度统计数据
+
+    将每个配件归类为缺货件/呆滞件/低频件/正常件，统计各类型数量/金额/百分比，
+    并生成 chart_data 供前端图表使用。
+
+    Args:
+        part_ratios: PartRatio 字典列表
+
+    Returns:
+        健康度统计字典（含 chart_data）
+    """
+    categories = {
+        "shortage": {"count": 0, "amount": Decimal("0")},
+        "stagnant": {"count": 0, "amount": Decimal("0")},
+        "low_freq": {"count": 0, "amount": Decimal("0")},
+        "normal": {"count": 0, "amount": Decimal("0")},
+    }
+
+    for p in part_ratios:
+        cat = _classify_part(p)
+        cost_price = _to_decimal(p.get("cost_price", 0))
+
+        # 有效库存金额
+        in_stock = _to_decimal(p.get("in_stock_unlocked_cnt", 0))
+        on_way = _to_decimal(p.get("on_the_way_cnt", 0))
+        has_plan = _to_decimal(p.get("has_plan_cnt", 0))
+        valid_storage = in_stock + on_way + has_plan
+        amount = valid_storage * cost_price
+
+        categories[cat]["count"] += 1
+        categories[cat]["amount"] += amount
+
+    total_count = len(part_ratios)
+    total_amount = sum(c["amount"] for c in categories.values())
+
+    # 计算百分比
+    result = {}
+    for cat_name, data in categories.items():
+        count_pct = (data["count"] / total_count * 100) if total_count > 0 else 0.0
+        amount_pct = (float(data["amount"]) / float(total_amount) * 100) if total_amount > 0 else 0.0
+        result[cat_name] = {
+            "count": data["count"],
+            "amount": data["amount"],
+            "count_pct": round(count_pct, 2),
+            "amount_pct": round(amount_pct, 2),
+        }
+
+    result["total_count"] = total_count
+    result["total_amount"] = total_amount
+
+    # chart_data 供前端 Chart.js 使用
+    labels = ["缺货件", "呆滞件", "低频件", "正常件"]
+    cat_keys = ["shortage", "stagnant", "low_freq", "normal"]
+    result["chart_data"] = {
+        "labels": labels,
+        "count_values": [categories[k]["count"] for k in cat_keys],
+        "amount_values": [float(categories[k]["amount"]) for k in cat_keys],
+    }
+
+    return result
+
+
+def calculate_replenishment_summary(part_results: list) -> dict:
+    """
+    计算补货建议生成情况统计数据
+
+    按优先级分类统计：
+    - priority=1: 急需补货
+    - priority=2: 建议补货
+    - priority=3: 可选补货
+
+    Args:
+        part_results: 配件汇总结果列表（字典或 ReplenishmentPartSummary 对象）
+
+    Returns:
+        补货建议统计字典
+    """
+    urgent = {"count": 0, "amount": Decimal("0")}
+    suggested = {"count": 0, "amount": Decimal("0")}
+    optional = {"count": 0, "amount": Decimal("0")}
+
+    for item in part_results:
+        # 兼容字典和对象两种形式
+        if isinstance(item, dict):
+            priority = int(item.get("priority", 0))
+            amount = _to_decimal(item.get("total_suggest_amount", 0))
         else:
-            suggest_cnt = int(pr.get("total_suggest_cnt", 0))
-            suggest_amount = Decimal(str(pr.get("total_suggest_amount", 0)))
-            cost_price = Decimal(str(pr.get("cost_price", 0)))
-            avg_sales = Decimal(str(pr.get("total_avg_sales_cnt", 0)))
-            priority = int(pr.get("priority", 2))
-        
-        # 总体统计
-        stats["total_parts_cnt"] += 1
-        stats["total_suggest_cnt"] += suggest_cnt
-        stats["total_suggest_amount"] += suggest_amount
-        
-        # 优先级分布
+            priority = getattr(item, "priority", 0)
+            amount = _to_decimal(getattr(item, "total_suggest_amount", 0))
+
         if priority == 1:
-            stats["priority_high_cnt"] += 1
-            stats["priority_high_amount"] += suggest_amount
+            urgent["count"] += 1
+            urgent["amount"] += amount
         elif priority == 2:
-            stats["priority_medium_cnt"] += 1
-            stats["priority_medium_amount"] += suggest_amount
-        else:
-            stats["priority_low_cnt"] += 1
-            stats["priority_low_amount"] += suggest_amount
-        
-        # 价格区间分布: <50低价, 50-200中价, >200高价
-        if cost_price < 50:
-            stats["price_low_cnt"] += 1
-            stats["price_low_amount"] += suggest_amount
-        elif cost_price <= 200:
-            stats["price_medium_cnt"] += 1
-            stats["price_medium_amount"] += suggest_amount
-        else:
-            stats["price_high_cnt"] += 1
-            stats["price_high_amount"] += suggest_amount
-        
-        # 周转频次分布: 月均销量 >=5高频, 1-5中频, <1低频
-        if avg_sales >= 5:
-            stats["turnover_high_cnt"] += 1
-            stats["turnover_high_amount"] += suggest_amount
-        elif avg_sales >= 1:
-            stats["turnover_medium_cnt"] += 1
-            stats["turnover_medium_amount"] += suggest_amount
-        else:
-            stats["turnover_low_cnt"] += 1
-            stats["turnover_low_amount"] += suggest_amount
-        
-        # 补货金额分布: >=5000大额, 1000-5000中额, <1000小额
-        if suggest_amount >= 5000:
-            stats["replenish_large_cnt"] += 1
-            stats["replenish_large_amount"] += suggest_amount
-        elif suggest_amount >= 1000:
-            stats["replenish_medium_cnt"] += 1
-            stats["replenish_medium_amount"] += suggest_amount
+            suggested["count"] += 1
+            suggested["amount"] += amount
+        elif priority == 3:
+            optional["count"] += 1
+            optional["amount"] += amount
+
+    total_count = urgent["count"] + suggested["count"] + optional["count"]
+    total_amount = urgent["amount"] + suggested["amount"] + optional["amount"]
+
+    return {
+        "urgent": urgent,
+        "suggested": suggested,
+        "optional": optional,
+        "total_count": total_count,
+        "total_amount": total_amount,
+    }
+
+
+# ============================================================
+# LLM 分析函数
+# ============================================================
+
+import os
+import json
+import time
+from langchain_core.messages import SystemMessage, HumanMessage
+
+
+def _load_prompt(filename: str) -> str:
+    """从 prompts 目录加载提示词文件"""
+    prompt_path = os.path.join(
+        os.path.dirname(os.path.dirname(os.path.dirname(os.path.dirname(__file__)))),
+        "prompts",
+        filename,
+    )
+    with open(prompt_path, "r", encoding="utf-8") as f:
+        return f.read()
+
+
+def _format_decimal(value) -> str:
+    """将 Decimal 格式化为字符串，用于填充提示词"""
+    if value is None:
+        return "0"
+    return str(round(float(value), 2))
+
+
+def _get_season_from_date(date_str: str) -> str:
+    """
+    根据日期字符串获取季节
+
+    Args:
+        date_str: 日期字符串，格式如 "2024-01-15" 或 "20240115"
+
+    Returns:
+        季节名称：春季/夏季/秋季/冬季
+    """
+    from datetime import datetime
+
+    try:
+        # 尝试解析不同格式的日期
+        if "-" in date_str:
+            dt = datetime.strptime(date_str[:10], "%Y-%m-%d")
         else:
-            stats["replenish_small_cnt"] += 1
-            stats["replenish_small_amount"] += suggest_amount
-    
-    return stats
-
-
-def _calculate_risk_stats(part_ratios: list) -> dict:
-    """计算风险统计数据"""
-    stats = {
-        "shortage_cnt": 0,
-        "shortage_amount": Decimal("0"),
-        "stagnant_cnt": 0,
-        "stagnant_amount": Decimal("0"),
-        "low_freq_cnt": 0,
-        "low_freq_amount": Decimal("0"),
+            dt = datetime.strptime(date_str[:8], "%Y%m%d")
+        month = dt.month
+    except (ValueError, TypeError):
+        # 解析失败时使用当前月份
+        month = datetime.now().month
+
+    if month in (3, 4, 5):
+        return "春季(3-5月)"
+    elif month in (6, 7, 8):
+        return "夏季(6-8月)"
+    elif month in (9, 10, 11):
+        return "秋季(9-11月)"
+    else:
+        return "冬季(12-2月)"
+
+
+def _parse_llm_json(content: str) -> dict:
+    """
+    解析 LLM 返回的 JSON 内容
+
+    尝试直接解析，如果失败则尝试提取 ```json 代码块中的内容。
+    """
+    text = content.strip()
+
+    # 尝试直接解析
+    try:
+        return json.loads(text)
+    except json.JSONDecodeError:
+        pass
+
+    # 尝试提取 ```json ... ``` 代码块
+    import re
+    match = re.search(r"```json\s*(.*?)\s*```", text, re.DOTALL)
+    if match:
+        try:
+            return json.loads(match.group(1))
+        except json.JSONDecodeError:
+            pass
+
+    # 尝试提取 { ... } 块
+    start = text.find("{")
+    end = text.rfind("}")
+    if start != -1 and end != -1 and end > start:
+        try:
+            return json.loads(text[start : end + 1])
+        except json.JSONDecodeError:
+            pass
+
+    # 解析失败
+    raise json.JSONDecodeError("无法从 LLM 响应中解析 JSON", text, 0)
+
+
+def llm_analyze_inventory_overview(stats: dict, statistics_date: str = "", llm_client=None) -> tuple[dict, dict]:
+    """
+    LLM 分析库存概览
+
+    Args:
+        stats: calculate_inventory_overview 的输出
+        statistics_date: 统计日期
+        llm_client: LLM 客户端实例，为 None 时自动获取
+
+    Returns:
+        (llm_analysis_dict, usage_dict)
+    """
+    from ..llm import get_llm_client
+
+    if llm_client is None:
+        llm_client = get_llm_client()
+
+    current_season = _get_season_from_date(statistics_date)
+
+    prompt_template = _load_prompt("report_inventory_overview.md")
+    prompt = prompt_template.format(
+        part_count=stats.get("part_count", 0),
+        total_valid_storage_cnt=_format_decimal(stats.get("total_valid_storage_cnt")),
+        total_valid_storage_amount=_format_decimal(stats.get("total_valid_storage_amount")),
+        total_avg_sales_cnt=_format_decimal(stats.get("total_avg_sales_cnt")),
+        overall_ratio=_format_decimal(stats.get("overall_ratio")),
+        total_in_stock_unlocked_cnt=_format_decimal(stats.get("total_in_stock_unlocked_cnt")),
+        total_in_stock_unlocked_amount=_format_decimal(stats.get("total_in_stock_unlocked_amount")),
+        total_on_the_way_cnt=_format_decimal(stats.get("total_on_the_way_cnt")),
+        total_on_the_way_amount=_format_decimal(stats.get("total_on_the_way_amount")),
+        total_has_plan_cnt=_format_decimal(stats.get("total_has_plan_cnt")),
+        total_has_plan_amount=_format_decimal(stats.get("total_has_plan_amount")),
+        current_season=current_season,
+        statistics_date=statistics_date or "未知",
+    )
+
+    messages = [HumanMessage(content=prompt)]
+    response = llm_client.invoke(messages)
+
+    try:
+        analysis = _parse_llm_json(response.content)
+    except json.JSONDecodeError:
+        logger.warning(f"库存概览 LLM JSON 解析失败，原始响应: {response.content[:200]}")
+        analysis = {"error": "JSON解析失败", "raw": response.content[:200]}
+
+    usage = {
+        "provider": response.usage.provider,
+        "model": response.usage.model,
+        "prompt_tokens": response.usage.prompt_tokens,
+        "completion_tokens": response.usage.completion_tokens,
     }
-    
-    for pr in part_ratios:
-        valid_storage = Decimal(str(pr.get("valid_storage_cnt", 0) or 0))
-        avg_sales = Decimal(str(pr.get("avg_sales_cnt", 0) or 0))
-        out_stock = Decimal(str(pr.get("out_stock_cnt", 0) or 0))
-        cost_price = Decimal(str(pr.get("cost_price", 0) or 0))
-        
-        # 呆滞件: 有库存但90天无出库
-        if valid_storage > 0 and out_stock == 0:
-            stats["stagnant_cnt"] += 1
-            stats["stagnant_amount"] += valid_storage * cost_price
-        
-        # 低频件: 无库存且月均销量<1
-        elif valid_storage == 0 and avg_sales < 1:
-            stats["low_freq_cnt"] += 1
-        
-        # 缺货件: 无库存且月均销量>=1
-        elif valid_storage == 0 and avg_sales >= 1:
-            stats["shortage_cnt"] += 1
-            # 缺货损失估算：月均销量 * 成本价
-            stats["shortage_amount"] += avg_sales * cost_price
-    
-    return stats
+    return analysis, usage
-def _build_suggestion_summary(suggestion_stats: dict) -> str:
+def llm_analyze_sales(stats: dict, statistics_date: str = "", llm_client=None) -> tuple[dict, dict]:
     """
-    基于预计算的统计数据构建结构化补货建议摘要
-    
-    摘要包含：
-    - 补货总体规模
-    - 优先级分布
-    - 价格区间分布
-    - 周转频次分布
-    - 补货金额分布
+    LLM 分析销量
+
+    Args:
+        stats: calculate_sales_analysis 的输出
+        statistics_date: 统计日期
+        llm_client: LLM 客户端实例
+
+    Returns:
+        (llm_analysis_dict, usage_dict)
     """
-    if suggestion_stats["total_parts_cnt"] == 0:
-        return "暂无补货建议"
-    
-    lines = []
-    
-    # 总体规模
-    lines.append(f"### 补货总体规模")
-    lines.append(f"- 涉及配件种类: {suggestion_stats['total_parts_cnt']}种")
-    lines.append(f"- 建议补货总数量: {suggestion_stats['total_suggest_cnt']}件")
-    lines.append(f"- 建议补货总金额: {suggestion_stats['total_suggest_amount']:.2f}元")
-    lines.append("")
-    
-    # 优先级分布
-    lines.append(f"### 优先级分布")
-    lines.append(f"| 优先级 | 配件数 | 金额(元) | 占比 |")
-    lines.append(f"|--------|--------|----------|------|")
-    total_amount = suggestion_stats['total_suggest_amount'] or Decimal("1")
-    
-    if suggestion_stats['priority_high_cnt'] > 0:
-        pct = suggestion_stats['priority_high_amount'] / total_amount * 100
-        lines.append(f"| 高优先级 | {suggestion_stats['priority_high_cnt']} | {suggestion_stats['priority_high_amount']:.2f} | {pct:.1f}% |")
-    if suggestion_stats['priority_medium_cnt'] > 0:
-        pct = suggestion_stats['priority_medium_amount'] / total_amount * 100
-        lines.append(f"| 中优先级 | {suggestion_stats['priority_medium_cnt']} | {suggestion_stats['priority_medium_amount']:.2f} | {pct:.1f}% |")
-    if suggestion_stats['priority_low_cnt'] > 0:
-        pct = suggestion_stats['priority_low_amount'] / total_amount * 100
-        lines.append(f"| 低优先级 | {suggestion_stats['priority_low_cnt']} | {suggestion_stats['priority_low_amount']:.2f} | {pct:.1f}% |")
-    lines.append("")
-    
-    # 价格区间分布
-    lines.append(f"### 价格区间分布 (按成本价)")
-    lines.append(f"| 价格区间 | 配件数 | 金额(元) | 占比 |")
-    lines.append(f"|----------|--------|----------|------|")
-    if suggestion_stats['price_low_cnt'] > 0:
-        pct = suggestion_stats['price_low_amount'] / total_amount * 100
-        lines.append(f"| 低价(<50元) | {suggestion_stats['price_low_cnt']} | {suggestion_stats['price_low_amount']:.2f} | {pct:.1f}% |")
-    if suggestion_stats['price_medium_cnt'] > 0:
-        pct = suggestion_stats['price_medium_amount'] / total_amount * 100
-        lines.append(f"| 中价(50-200元) | {suggestion_stats['price_medium_cnt']} | {suggestion_stats['price_medium_amount']:.2f} | {pct:.1f}% |")
-    if suggestion_stats['price_high_cnt'] > 0:
-        pct = suggestion_stats['price_high_amount'] / total_amount * 100
-        lines.append(f"| 高价(>200元) | {suggestion_stats['price_high_cnt']} | {suggestion_stats['price_high_amount']:.2f} | {pct:.1f}% |")
-    lines.append("")
-    
-    # 周转频次分布
-    lines.append(f"### 周转频次分布 (按月均销量)")
-    lines.append(f"| 周转频次 | 配件数 | 金额(元) | 占比 |")
-    lines.append(f"|----------|--------|----------|------|")
-    if suggestion_stats['turnover_high_cnt'] > 0:
-        pct = suggestion_stats['turnover_high_amount'] / total_amount * 100
-        lines.append(f"| 高频(≥5件/月) | {suggestion_stats['turnover_high_cnt']} | {suggestion_stats['turnover_high_amount']:.2f} | {pct:.1f}% |")
-    if suggestion_stats['turnover_medium_cnt'] > 0:
-        pct = suggestion_stats['turnover_medium_amount'] / total_amount * 100
-        lines.append(f"| 中频(1-5件/月) | {suggestion_stats['turnover_medium_cnt']} | {suggestion_stats['turnover_medium_amount']:.2f} | {pct:.1f}% |")
-    if suggestion_stats['turnover_low_cnt'] > 0:
-        pct = suggestion_stats['turnover_low_amount'] / total_amount * 100
-        lines.append(f"| 低频(<1件/月) | {suggestion_stats['turnover_low_cnt']} | {suggestion_stats['turnover_low_amount']:.2f} | {pct:.1f}% |")
-    lines.append("")
-    
-    # 补货金额分布
-    lines.append(f"### 单配件补货金额分布")
-    lines.append(f"| 补货规模 | 配件数 | 金额(元) | 占比 |")
-    lines.append(f"|----------|--------|----------|------|")
-    if suggestion_stats['replenish_large_cnt'] > 0:
-        pct = suggestion_stats['replenish_large_amount'] / total_amount * 100
-        lines.append(f"| 大额(≥5000元) | {suggestion_stats['replenish_large_cnt']} | {suggestion_stats['replenish_large_amount']:.2f} | {pct:.1f}% |")
-    if suggestion_stats['replenish_medium_cnt'] > 0:
-        pct = suggestion_stats['replenish_medium_amount'] / total_amount * 100
-        lines.append(f"| 中额(1000-5000元) | {suggestion_stats['replenish_medium_cnt']} | {suggestion_stats['replenish_medium_amount']:.2f} | {pct:.1f}% |")
-    if suggestion_stats['replenish_small_cnt'] > 0:
-        pct = suggestion_stats['replenish_small_amount'] / total_amount * 100
-        lines.append(f"| 小额(<1000元) | {suggestion_stats['replenish_small_cnt']} | {suggestion_stats['replenish_small_amount']:.2f} | {pct:.1f}% |")
-    
-    return "\n".join(lines)
+    from ..llm import get_llm_client
+    if llm_client is None:
+        llm_client = get_llm_client()
-def generate_analysis_report_node(state: dict) -> dict:
+    current_season = _get_season_from_date(statistics_date)
+
+    prompt_template = _load_prompt("report_sales_analysis.md")
+    prompt = prompt_template.format(
+        total_avg_sales_cnt=_format_decimal(stats.get("total_avg_sales_cnt")),
+        total_avg_sales_amount=_format_decimal(stats.get("total_avg_sales_amount")),
+        has_sales_part_count=stats.get("has_sales_part_count", 0),
+        no_sales_part_count=stats.get("no_sales_part_count", 0),
+        total_out_stock_cnt=_format_decimal(stats.get("total_out_stock_cnt")),
+        total_storage_locked_cnt=_format_decimal(stats.get("total_storage_locked_cnt")),
+        total_out_stock_ongoing_cnt=_format_decimal(stats.get("total_out_stock_ongoing_cnt")),
+        total_buy_cnt=_format_decimal(stats.get("total_buy_cnt")),
+        current_season=current_season,
+        statistics_date=statistics_date or "未知",
+    )
+
+    messages = [HumanMessage(content=prompt)]
+    response = llm_client.invoke(messages)
+
+    try:
+        analysis = _parse_llm_json(response.content)
+    except json.JSONDecodeError:
+        logger.warning(f"销量分析 LLM JSON 解析失败，原始响应: {response.content[:200]}")
+        analysis = {"error": "JSON解析失败", "raw": response.content[:200]}
+
+    usage = {
+        "provider": response.usage.provider,
+        "model": response.usage.model,
+        "prompt_tokens": response.usage.prompt_tokens,
+        "completion_tokens": response.usage.completion_tokens,
+    }
+    return analysis, usage
+
+
+def llm_analyze_inventory_health(stats: dict, statistics_date: str = "", llm_client=None) -> tuple[dict, dict]:
     """
-    生成分析报告节点
-    
-    输入: part_ratios, llm_suggestions, allocated_details, part_results
-    输出: analysis_report
+    LLM 分析库存健康度
+
+    Args:
+        stats: calculate_inventory_health 的输出
+        statistics_date: 统计日期
+        llm_client: LLM 客户端实例
+
+    Returns:
+        (llm_analysis_dict, usage_dict)
     """
-    start_time = time.time()
-    
-    task_no = state.get("task_no", "")
-    group_id = state.get("group_id", 0)
-    dealer_grouping_id = state.get("dealer_grouping_id", 0)
-    dealer_grouping_name = state.get("dealer_grouping_name", "")
-    brand_grouping_id = state.get("brand_grouping_id")
-    statistics_date = state.get("statistics_date", "")
-    
-    part_ratios = state.get("part_ratios", [])
-    part_results = state.get("part_results", [])
-    allocated_details = state.get("allocated_details", [])
-    
-    logger.info(f"[{task_no}] 开始生成分析报告: dealer={dealer_grouping_name}")
-    
+    from ..llm import get_llm_client
+
+    if llm_client is None:
+        llm_client = get_llm_client()
+
+    current_season = _get_season_from_date(statistics_date)
+
+    prompt_template = _load_prompt("report_inventory_health.md")
+    prompt = prompt_template.format(
+        total_count=stats.get("total_count", 0),
+        total_amount=_format_decimal(stats.get("total_amount")),
+        shortage_count=stats.get("shortage", {}).get("count", 0),
+        shortage_count_pct=stats.get("shortage", {}).get("count_pct", 0),
+        shortage_amount=_format_decimal(stats.get("shortage", {}).get("amount")),
+        shortage_amount_pct=stats.get("shortage", {}).get("amount_pct", 0),
+        stagnant_count=stats.get("stagnant", {}).get("count", 0),
+        stagnant_count_pct=stats.get("stagnant", {}).get("count_pct", 0),
+        stagnant_amount=_format_decimal(stats.get("stagnant", {}).get("amount")),
+        stagnant_amount_pct=stats.get("stagnant", {}).get("amount_pct", 0),
+        low_freq_count=stats.get("low_freq", {}).get("count", 0),
+        low_freq_count_pct=stats.get("low_freq", {}).get("count_pct", 0),
+        low_freq_amount=_format_decimal(stats.get("low_freq", {}).get("amount")),
+        low_freq_amount_pct=stats.get("low_freq", {}).get("amount_pct", 0),
+        normal_count=stats.get("normal", {}).get("count", 0),
+        normal_count_pct=stats.get("normal", {}).get("count_pct", 0),
+        normal_amount=_format_decimal(stats.get("normal", {}).get("amount")),
+        normal_amount_pct=stats.get("normal", {}).get("amount_pct", 0),
+        current_season=current_season,
+        statistics_date=statistics_date or "未知",
+    )
+
+    messages = [HumanMessage(content=prompt)]
+    response = llm_client.invoke(messages)
+
     try:
-        # 计算风险统计
-        risk_stats = _calculate_risk_stats(part_ratios)
-        
-        # 计算补货建议统计 (基于完整数据)
-        suggestion_stats = _calculate_suggestion_stats(part_results)
-        
-        # 构建结构化建议汇总
-        suggestion_summary = _build_suggestion_summary(suggestion_stats)
-        
-        # 加载 Prompt
-        prompt_template = _load_prompt("analysis_report.md")
-        
-        # 填充 Prompt 变量
-        prompt = prompt_template.format(
-            dealer_grouping_id=dealer_grouping_id,
-            dealer_grouping_name=dealer_grouping_name,
-            statistics_date=statistics_date,
-            suggestion_summary=suggestion_summary,
-            shortage_cnt=risk_stats["shortage_cnt"],
-            shortage_amount=f"{risk_stats['shortage_amount']:.2f}",
-            stagnant_cnt=risk_stats["stagnant_cnt"],
-            stagnant_amount=f"{risk_stats['stagnant_amount']:.2f}",
-            low_freq_cnt=risk_stats["low_freq_cnt"],
-            low_freq_amount="0.00",  # 低频件无库存
-        )
-        
-        # 调用 LLM
+        analysis = _parse_llm_json(response.content)
+    except json.JSONDecodeError:
+        logger.warning(f"健康度 LLM JSON 解析失败，原始响应: {response.content[:200]}")
+        analysis = {"error": "JSON解析失败", "raw": response.content[:200]}
+
+    usage = {
+        "provider": response.usage.provider,
+        "model": response.usage.model,
+        "prompt_tokens": response.usage.prompt_tokens,
+        "completion_tokens": response.usage.completion_tokens,
+    }
+    return analysis, usage
+
+
+def llm_analyze_replenishment_summary(stats: dict, statistics_date: str = "", llm_client=None) -> tuple[dict, dict]:
+    """
+    LLM 分析补货建议
+
+    Args:
+        stats: calculate_replenishment_summary 的输出
+        statistics_date: 统计日期
+        llm_client: LLM 客户端实例
+
+    Returns:
+        (llm_analysis_dict, usage_dict)
+    """
+    from ..llm import get_llm_client
+
+    if llm_client is None:
         llm_client = get_llm_client()
-        response = llm_client.invoke(
-            messages=[HumanMessage(content=prompt)],
-        )
-        
-        # 解析 JSON 响应
-        response_text = response.content.strip()
-        # 移除可能的 markdown 代码块
-        if response_text.startswith("```"):
-            lines = response_text.split("\n")
-            response_text = "\n".join(lines[1:-1])
-        
-        report_data = json.loads(response_text)
-        
-        # 复用已计算的统计数据
-        total_suggest_cnt = suggestion_stats["total_suggest_cnt"]
-        total_suggest_amount = suggestion_stats["total_suggest_amount"]
-        
-        execution_time_ms = int((time.time() - start_time) * 1000)
-        
-        # 创建报告对象
-        # 新 prompt 字段名映射到现有数据库字段：
-        # overall_assessment -> replenishment_insights
-        # risk_alerts -> urgency_assessment
-        # procurement_strategy -> strategy_recommendations
-        # expected_impact -> expected_outcomes
-        # execution_guide 已移除，置为 None
-        report = AnalysisReport(
-            task_no=task_no,
-            group_id=group_id,
-            dealer_grouping_id=dealer_grouping_id,
-            dealer_grouping_name=dealer_grouping_name,
-            brand_grouping_id=brand_grouping_id,
-            report_type="replenishment",
-            replenishment_insights=report_data.get("overall_assessment"),
-            urgency_assessment=report_data.get("risk_alerts"),
-            strategy_recommendations=report_data.get("procurement_strategy"),
-            execution_guide=None,
-            expected_outcomes=report_data.get("expected_impact"),
-            total_suggest_cnt=total_suggest_cnt,
-            total_suggest_amount=total_suggest_amount,
-            shortage_risk_cnt=risk_stats["shortage_cnt"],
-            excess_risk_cnt=risk_stats["stagnant_cnt"],
-            stagnant_cnt=risk_stats["stagnant_cnt"],
-            low_freq_cnt=risk_stats["low_freq_cnt"],
-            llm_provider=getattr(llm_client, "provider", ""),
-            llm_model=getattr(llm_client, "model", ""),
-            llm_tokens=response.usage.total_tokens,
-            execution_time_ms=execution_time_ms,
-            statistics_date=statistics_date,
-        )
-        
-        # 保存到数据库
-        result_writer = ResultWriter()
-        try:
-            result_writer.save_analysis_report(report)
-        finally:
-            result_writer.close()
-        
-        logger.info(
-            f"[{task_no}] 分析报告生成完成: "
-            f"shortage={risk_stats['shortage_cnt']}, "
-            f"stagnant={risk_stats['stagnant_cnt']}, "
-            f"time={execution_time_ms}ms"
-        )
-        
+
+    current_season = _get_season_from_date(statistics_date)
+
+    prompt_template = _load_prompt("report_replenishment_summary.md")
+    prompt = prompt_template.format(
+        total_count=stats.get("total_count", 0),
+        total_amount=_format_decimal(stats.get("total_amount")),
+        urgent_count=stats.get("urgent", {}).get("count", 0),
+        urgent_amount=_format_decimal(stats.get("urgent", {}).get("amount")),
+        suggested_count=stats.get("suggested", {}).get("count", 0),
+        suggested_amount=_format_decimal(stats.get("suggested", {}).get("amount")),
+        optional_count=stats.get("optional", {}).get("count", 0),
+        optional_amount=_format_decimal(stats.get("optional", {}).get("amount")),
+        current_season=current_season,
+        statistics_date=statistics_date or "未知",
+    )
+
+    messages = [HumanMessage(content=prompt)]
+    response = llm_client.invoke(messages)
+
+    try:
+        analysis = _parse_llm_json(response.content)
+    except json.JSONDecodeError:
+        logger.warning(f"补货建议 LLM JSON 解析失败，原始响应: {response.content[:200]}")
+        analysis = {"error": "JSON解析失败", "raw": response.content[:200]}
+
+    usage = {
+        "provider": response.usage.provider,
+        "model": response.usage.model,
+        "prompt_tokens": response.usage.prompt_tokens,
+        "completion_tokens": response.usage.completion_tokens,
+    }
+    return analysis, usage
+
+
+# ============================================================
+# LangGraph 并发子图
+# ============================================================
+
+from typing import TypedDict, Optional, Any, Annotated, Dict
+
+from langgraph.graph import StateGraph, START, END
+
+
+def _merge_dict(left: Optional[dict], right: Optional[dict]) -> Optional[dict]:
+    """合并字典，保留非 None 的值"""
+    if right is not None:
+        return right
+    return left
+
+
+def _sum_int(left: int, right: int) -> int:
+    """累加整数"""
+    return (left or 0) + (right or 0)
+
+
+def _merge_str(left: Optional[str], right: Optional[str]) -> Optional[str]:
+    """合并字符串，保留非 None 的值"""
+    if right is not None:
+        return right
+    return left
+
+
+class ReportLLMState(TypedDict, total=False):
+    """并发 LLM 分析子图的状态"""
+
+    # 输入：四大板块的统计数据（只读，由主函数写入）
+    inventory_overview_stats: Annotated[Optional[dict], _merge_dict]
+    sales_analysis_stats: Annotated[Optional[dict], _merge_dict]
+    inventory_health_stats: Annotated[Optional[dict], _merge_dict]
+    replenishment_summary_stats: Annotated[Optional[dict], _merge_dict]
+
+    # 输入：统计日期（用于季节判断）
+    statistics_date: Annotated[Optional[str], _merge_str]
+
+    # 输出：四大板块的 LLM 分析结果（各节点独立写入）
+    inventory_overview_analysis: Annotated[Optional[dict], _merge_dict]
+    sales_analysis_analysis: Annotated[Optional[dict], _merge_dict]
+    inventory_health_analysis: Annotated[Optional[dict], _merge_dict]
+    replenishment_summary_analysis: Annotated[Optional[dict], _merge_dict]
+
+    # LLM 使用量（累加）
+    total_prompt_tokens: Annotated[int, _sum_int]
+    total_completion_tokens: Annotated[int, _sum_int]
+    llm_provider: Annotated[Optional[str], _merge_dict]
+    llm_model: Annotated[Optional[str], _merge_dict]
+
+
+def _node_inventory_overview(state: ReportLLMState) -> ReportLLMState:
+    """并发节点：库存概览 LLM 分析"""
+    stats = state.get("inventory_overview_stats")
+    statistics_date = state.get("statistics_date", "")
+    if not stats:
+        return {"inventory_overview_analysis": {"error": "无统计数据"}}
+
+    try:
+        analysis, usage = llm_analyze_inventory_overview(stats, statistics_date)
         return {
-            "analysis_report": report.to_dict(),
-            "end_time": time.time(),
+            "inventory_overview_analysis": analysis,
+            "total_prompt_tokens": usage.get("prompt_tokens", 0),
+            "total_completion_tokens": usage.get("completion_tokens", 0),
+            "llm_provider": usage.get("provider", ""),
+            "llm_model": usage.get("model", ""),
         }
-        
     except Exception as e:
-        logger.error(f"[{task_no}] 分析报告生成失败: {e}", exc_info=True)
-        
-        # 返回空报告，不中断整个流程
+        logger.error(f"库存概览 LLM 分析失败: {e}")
+        return {"inventory_overview_analysis": {"error": str(e)}}
+
+
+def _node_sales_analysis(state: ReportLLMState) -> ReportLLMState:
+    """并发节点：销量分析 LLM 分析"""
+    stats = state.get("sales_analysis_stats")
+    statistics_date = state.get("statistics_date", "")
+    if not stats:
+        return {"sales_analysis_analysis": {"error": "无统计数据"}}
+
+    try:
+        analysis, usage = llm_analyze_sales(stats, statistics_date)
+        return {
+            "sales_analysis_analysis": analysis,
+            "total_prompt_tokens": usage.get("prompt_tokens", 0),
+            "total_completion_tokens": usage.get("completion_tokens", 0),
+            "llm_provider": usage.get("provider", ""),
+            "llm_model": usage.get("model", ""),
+        }
+    except Exception as e:
+        logger.error(f"销量分析 LLM 分析失败: {e}")
+        return {"sales_analysis_analysis": {"error": str(e)}}
+
+
+def _node_inventory_health(state: ReportLLMState) -> ReportLLMState:
+    """并发节点：健康度 LLM 分析"""
+    stats = state.get("inventory_health_stats")
+    statistics_date = state.get("statistics_date", "")
+    if not stats:
+        return {"inventory_health_analysis": {"error": "无统计数据"}}
+
+    try:
+        analysis, usage = llm_analyze_inventory_health(stats, statistics_date)
+        return {
+            "inventory_health_analysis": analysis,
+            "total_prompt_tokens": usage.get("prompt_tokens", 0),
+            "total_completion_tokens": usage.get("completion_tokens", 0),
+            "llm_provider": usage.get("provider", ""),
+            "llm_model": usage.get("model", ""),
+        }
+    except Exception as e:
+        logger.error(f"健康度 LLM 分析失败: {e}")
+        return {"inventory_health_analysis": {"error": str(e)}}
+
+
+def _node_replenishment_summary(state: ReportLLMState) -> ReportLLMState:
+    """并发节点：补货建议 LLM 分析"""
+    stats = state.get("replenishment_summary_stats")
+    statistics_date = state.get("statistics_date", "")
+    if not stats:
+        return {"replenishment_summary_analysis": {"error": "无统计数据"}}
+
+    try:
+        analysis, usage = llm_analyze_replenishment_summary(stats, statistics_date)
         return {
-            "analysis_report": {
-                "error": str(e),
-                "task_no": task_no,
-            },
-            "end_time": time.time(),
+            "replenishment_summary_analysis": analysis,
+            "total_prompt_tokens": usage.get("prompt_tokens", 0),
+            "total_completion_tokens": usage.get("completion_tokens", 0),
+            "llm_provider": usage.get("provider", ""),
+            "llm_model": usage.get("model", ""),
         }
+    except Exception as e:
+        logger.error(f"补货建议 LLM 分析失败: {e}")
+        return {"replenishment_summary_analysis": {"error": str(e)}}
+
+
+def build_report_llm_subgraph() -> StateGraph:
+    """
+    构建并发 LLM 分析子图
+
+    四个 LLM 节点从 START fan-out 并发执行，结果 fan-in 汇总到 END。
+    """
+    graph = StateGraph(ReportLLMState)
+
+    # 添加四个并发节点
+    graph.add_node("inventory_overview_llm", _node_inventory_overview)
+    graph.add_node("sales_analysis_llm", _node_sales_analysis)
+    graph.add_node("inventory_health_llm", _node_inventory_health)
+    graph.add_node("replenishment_summary_llm", _node_replenishment_summary)
+
+    # fan-out: START → 四个节点
+    graph.add_edge(START, "inventory_overview_llm")
+    graph.add_edge(START, "sales_analysis_llm")
+    graph.add_edge(START, "inventory_health_llm")
+    graph.add_edge(START, "replenishment_summary_llm")
+
+    # fan-in: 四个节点 → END
+    graph.add_edge("inventory_overview_llm", END)
+    graph.add_edge("sales_analysis_llm", END)
+    graph.add_edge("inventory_health_llm", END)
+    graph.add_edge("replenishment_summary_llm", END)
+
+    return graph.compile()
+
+
+# ============================================================
+# 主节点函数
+# ============================================================
+
+
+def _serialize_stats(stats: dict) -> dict:
+    """将统计数据中的 Decimal 转换为 float，以便 JSON 序列化"""
+    result = {}
+    for k, v in stats.items():
+        if isinstance(v, Decimal):
+            result[k] = float(v)
+        elif isinstance(v, dict):
+            result[k] = _serialize_stats(v)
+        elif isinstance(v, list):
+            result[k] = [
+                _serialize_stats(item) if isinstance(item, dict) else (float(item) if isinstance(item, Decimal) else item)
+                for item in v
+            ]
+        else:
+            result[k] = v
+    return result
+
+
+def generate_analysis_report_node(state: dict) -> dict:
+    """
+    分析报告生成主节点
+
+    串联流程：
+    1. 统计计算（四大板块）
+    2. 并发 LLM 分析（LangGraph 子图）
+    3. 汇总报告
+    4. 写入数据库
+
+    单板块 LLM 失败不影响其他板块。
+
+    Args:
+        state: AgentState 字典
+
+    Returns:
+        更新后的 state 字典
+    """
+    from .state import AgentState
+    from ..models import AnalysisReport
+    from ..services.result_writer import ResultWriter
+
+    logger.info("[AnalysisReport] ========== 开始生成分析报告 ==========")
+    start_time = time.time()
+
+    part_ratios = state.get("part_ratios", [])
+    part_results = state.get("part_results", [])
+
+    # ---- 1. 统计计算 ----
+    logger.info(f"[AnalysisReport] 统计计算: part_ratios={len(part_ratios)}, part_results={len(part_results)}")
+
+    inventory_overview_stats = calculate_inventory_overview(part_ratios)
+    sales_analysis_stats = calculate_sales_analysis(part_ratios)
+    inventory_health_stats = calculate_inventory_health(part_ratios)
+    replenishment_summary_stats = calculate_replenishment_summary(part_results)
+
+    # 序列化统计数据（Decimal → float）
+    io_stats_serialized = _serialize_stats(inventory_overview_stats)
+    sa_stats_serialized = _serialize_stats(sales_analysis_stats)
+    ih_stats_serialized = _serialize_stats(inventory_health_stats)
+    rs_stats_serialized = _serialize_stats(replenishment_summary_stats)
+
+    # ---- 2. 并发 LLM 分析 ----
+    logger.info("[AnalysisReport] 启动并发 LLM 分析子图")
+
+    statistics_date = state.get("statistics_date", "")
+
+    subgraph = build_report_llm_subgraph()
+    llm_state: ReportLLMState = {
+        "inventory_overview_stats": io_stats_serialized,
+        "sales_analysis_stats": sa_stats_serialized,
+        "inventory_health_stats": ih_stats_serialized,
+        "replenishment_summary_stats": rs_stats_serialized,
+        "statistics_date": statistics_date,
+        "inventory_overview_analysis": None,
+        "sales_analysis_analysis": None,
+        "inventory_health_analysis": None,
+        "replenishment_summary_analysis": None,
+        "total_prompt_tokens": 0,
+        "total_completion_tokens": 0,
+        "llm_provider": None,
+        "llm_model": None,
+    }
+
+    try:
+        llm_result = subgraph.invoke(llm_state)
+    except Exception as e:
+        logger.error(f"[AnalysisReport] LLM 子图执行异常: {e}")
+        llm_result = llm_state  # 使用初始状态（所有分析为 None）
+
+    # ---- 3. 汇总报告 ----
+    inventory_overview_data = {
+        "stats": io_stats_serialized,
+        "llm_analysis": llm_result.get("inventory_overview_analysis") or {"error": "未生成"},
+    }
+    sales_analysis_data = {
+        "stats": sa_stats_serialized,
+        "llm_analysis": llm_result.get("sales_analysis_analysis") or {"error": "未生成"},
+    }
+    inventory_health_data = {
+        "stats": ih_stats_serialized,
+        "chart_data": ih_stats_serialized.get("chart_data"),
+        "llm_analysis": llm_result.get("inventory_health_analysis") or {"error": "未生成"},
+    }
+    replenishment_summary_data = {
+        "stats": rs_stats_serialized,
+        "llm_analysis": llm_result.get("replenishment_summary_analysis") or {"error": "未生成"},
+    }
+
+    total_tokens = (
+        (llm_result.get("total_prompt_tokens") or 0)
+        + (llm_result.get("total_completion_tokens") or 0)
+    )
+    execution_time_ms = int((time.time() - start_time) * 1000)
+
+    # ---- 4. 写入数据库 ----
+    report = AnalysisReport(
+        task_no=state.get("task_no", ""),
+        group_id=state.get("group_id", 0),
+        dealer_grouping_id=state.get("dealer_grouping_id", 0),
+        dealer_grouping_name=state.get("dealer_grouping_name"),
+        brand_grouping_id=state.get("brand_grouping_id"),
+        inventory_overview=inventory_overview_data,
+        sales_analysis=sales_analysis_data,
+        inventory_health=inventory_health_data,
+        replenishment_summary=replenishment_summary_data,
+        llm_provider=llm_result.get("llm_provider") or "",
+        llm_model=llm_result.get("llm_model") or "",
+        llm_tokens=total_tokens,
+        execution_time_ms=execution_time_ms,
+        statistics_date=state.get("statistics_date", ""),
+    )
+
+    try:
+        writer = ResultWriter()
+        report_id = writer.save_analysis_report(report)
+        writer.close()
+        logger.info(f"[AnalysisReport] 报告已保存: id={report_id}, tokens={total_tokens}, 耗时={execution_time_ms}ms")
+    except Exception as e:
+        logger.error(f"[AnalysisReport] 报告写入数据库失败: {e}")
+
+    # 返回更新后的状态
+    return {
+        "analysis_report": report.to_dict(),
+        "llm_provider": llm_result.get("llm_provider") or state.get("llm_provider", ""),
+        "llm_model": llm_result.get("llm_model") or state.get("llm_model", ""),
+        "llm_prompt_tokens": llm_result.get("total_prompt_tokens") or 0,
+        "llm_completion_tokens": llm_result.get("total_completion_tokens") or 0,
+        "current_node": "generate_analysis_report",
+        "next_node": "end",
+    }
@@ -140,7 +140,7 @@ class SQLAgent:
                     out_stock_ongoing_cnt, stock_age, out_times, out_duration,
                     transfer_cnt, gen_transfer_cnt,
                     part_biz_type, statistics_date,
-                    (in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt + transfer_cnt + gen_transfer_cnt) as valid_storage_cnt,
+                    (in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt) as valid_storage_cnt,
                     ((out_stock_cnt + storage_locked_cnt + out_stock_ongoing_cnt + buy_cnt) / 3) as avg_sales_cnt
                 FROM part_ratio
                 WHERE group_id = %s
@@ -159,7 +159,7 @@ class SQLAgent:
             # 优先处理有销量的配件
             sql += """ ORDER BY 
                 CASE WHEN ((out_stock_cnt + storage_locked_cnt + out_stock_ongoing_cnt + buy_cnt) / 3) > 0 THEN 0 ELSE 1 END,
-                (in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt + transfer_cnt + gen_transfer_cnt) / NULLIF((out_stock_cnt + storage_locked_cnt + out_stock_ongoing_cnt + buy_cnt) / 3, 0) ASC,
+                (in_stock_unlocked_cnt + on_the_way_cnt + has_plan_cnt) / NULLIF((out_stock_cnt + storage_locked_cnt + out_stock_ongoing_cnt + buy_cnt) / 3, 0) ASC,
                 ((out_stock_cnt + storage_locked_cnt + out_stock_ongoing_cnt + buy_cnt) / 3) DESC
             """
@@ -53,8 +53,8 @@ class AgentState(TypedDict, total=False):
     dealer_grouping_name: Annotated[str, keep_last]
     statistics_date: Annotated[str, keep_last]
-    # part_ratio 原始数据
-    part_ratios: Annotated[List[dict], merge_dicts]
+    # part_ratio 原始数据（使用 keep_last，因为只在 fetch_part_ratio 节点写入一次）
+    part_ratios: Annotated[List[dict], keep_last]
     # SQL Agent 相关
     sql_queries: Annotated[List[str], merge_lists]
@@ -619,23 +619,14 @@ class AnalysisReportResponse(BaseModel):
     group_id: int
     dealer_grouping_id: int
     dealer_grouping_name: Optional[str] = None
-    brand_grouping_id: Optional[int] = None
     report_type: str
-    
-    # JSON 字段，使用 Any 或 Dict 来接收解析后的对象
-    replenishment_insights: Optional[Dict[str, Any]] = None
-    urgency_assessment: Optional[Dict[str, Any]] = None
-    strategy_recommendations: Optional[Dict[str, Any]] = None
-    execution_guide: Optional[Dict[str, Any]] = None
-    expected_outcomes: Optional[Dict[str, Any]] = None
-    
-    total_suggest_cnt: int = 0
-    total_suggest_amount: float = 0
-    shortage_risk_cnt: int = 0
-    excess_risk_cnt: int = 0
-    stagnant_cnt: int = 0
-    low_freq_cnt: int = 0
-    
+
+    # 四大板块（统计数据 + LLM 分析）
+    inventory_overview: Optional[Dict[str, Any]] = None
+    sales_analysis: Optional[Dict[str, Any]] = None
+    inventory_health: Optional[Dict[str, Any]] = None
+    replenishment_summary: Optional[Dict[str, Any]] = None
+
     llm_provider: Optional[str] = None
     llm_model: Optional[str] = None
     llm_tokens: int = 0
@@ -664,17 +655,19 @@ async def get_analysis_report(task_no: str):
         if not row:
             return None
-            
-        # 辅助函数：解析 JSON 字符串
+
+        # 解析 JSON 字段
         def parse_json(value):
-            if not value:
+            if value is None:
                 return None
+            if isinstance(value, dict):
+                return value
             if isinstance(value, str):
                 try:
                     return json.loads(value)
-                except json.JSONDecodeError:
+                except (json.JSONDecodeError, TypeError):
                     return None
-            return value
+            return None
         return AnalysisReportResponse(
             id=row["id"],
@@ -682,22 +675,11 @@ async def get_analysis_report(task_no: str):
             group_id=row["group_id"],
             dealer_grouping_id=row["dealer_grouping_id"],
             dealer_grouping_name=row.get("dealer_grouping_name"),
-            brand_grouping_id=row.get("brand_grouping_id"),
             report_type=row.get("report_type", "replenishment"),
-            
-            replenishment_insights=parse_json(row.get("replenishment_insights")),
-            urgency_assessment=parse_json(row.get("urgency_assessment")),
-            strategy_recommendations=parse_json(row.get("strategy_recommendations")),
-            execution_guide=parse_json(row.get("execution_guide")),
-            expected_outcomes=parse_json(row.get("expected_outcomes")),
-            
-            total_suggest_cnt=row.get("total_suggest_cnt") or 0,
-            total_suggest_amount=float(row.get("total_suggest_amount") or 0),
-            shortage_risk_cnt=row.get("shortage_risk_cnt") or 0,
-            excess_risk_cnt=row.get("excess_risk_cnt") or 0,
-            stagnant_cnt=row.get("stagnant_cnt") or 0,
-            low_freq_cnt=row.get("low_freq_cnt") or 0,
-            
+            inventory_overview=parse_json(row.get("inventory_overview")),
+            sales_analysis=parse_json(row.get("sales_analysis")),
+            inventory_health=parse_json(row.get("inventory_health")),
+            replenishment_summary=parse_json(row.get("replenishment_summary")),
             llm_provider=row.get("llm_provider"),
             llm_model=row.get("llm_model"),
             llm_tokens=row.get("llm_tokens") or 0,
 """
 数据模型 - 分析报告
+四大板块：库存概览、销量分析、库存健康度、补货建议
 """
 from dataclasses import dataclass, field
-from decimal import Decimal
 from datetime import datetime
-from typing import Optional, Dict, Any
+from typing import Any, Dict, Optional
 @dataclass
 class AnalysisReport:
-    """AI补货建议分析报告"""
-    
+    """分析报告数据模型"""
+
     task_no: str
     group_id: int
     dealer_grouping_id: int
-    
+
     id: Optional[int] = None
     dealer_grouping_name: Optional[str] = None
     brand_grouping_id: Optional[int] = None
     report_type: str = "replenishment"
-    
-    # 报告各模块 (字典结构)
-    replenishment_insights: Optional[Dict[str, Any]] = None
-    urgency_assessment: Optional[Dict[str, Any]] = None
-    strategy_recommendations: Optional[Dict[str, Any]] = None
-    execution_guide: Optional[Dict[str, Any]] = None
-    expected_outcomes: Optional[Dict[str, Any]] = None
-    
-    # 统计信息
-    total_suggest_cnt: int = 0
-    total_suggest_amount: Decimal = Decimal("0")
-    shortage_risk_cnt: int = 0
-    excess_risk_cnt: int = 0
-    stagnant_cnt: int = 0
-    low_freq_cnt: int = 0
-    
+
+    # 四大板块
+    inventory_overview: Optional[Dict[str, Any]] = field(default=None)
+    sales_analysis: Optional[Dict[str, Any]] = field(default=None)
+    inventory_health: Optional[Dict[str, Any]] = field(default=None)
+    replenishment_summary: Optional[Dict[str, Any]] = field(default=None)
+
     # LLM 元数据
     llm_provider: str = ""
     llm_model: str = ""
     llm_tokens: int = 0
     execution_time_ms: int = 0
-    
+
     statistics_date: str = ""
     create_time: Optional[datetime] = None
-    def to_dict(self) -> dict:
-        """转换为字典"""
+    def to_dict(self) -> Dict[str, Any]:
+        """将报告转换为可序列化的字典"""
         return {
+            "id": self.id,
             "task_no": self.task_no,
             "group_id": self.group_id,
             "dealer_grouping_id": self.dealer_grouping_id,
             "dealer_grouping_name": self.dealer_grouping_name,
             "brand_grouping_id": self.brand_grouping_id,
             "report_type": self.report_type,
-            "replenishment_insights": self.replenishment_insights,
-            "urgency_assessment": self.urgency_assessment,
-            "strategy_recommendations": self.strategy_recommendations,
-            "execution_guide": self.execution_guide,
-            "expected_outcomes": self.expected_outcomes,
-            "total_suggest_cnt": self.total_suggest_cnt,
-            "total_suggest_amount": float(self.total_suggest_amount),
-            "shortage_risk_cnt": self.shortage_risk_cnt,
-            "excess_risk_cnt": self.excess_risk_cnt,
-            "stagnant_cnt": self.stagnant_cnt,
-            "low_freq_cnt": self.low_freq_cnt,
+            "inventory_overview": self.inventory_overview,
+            "sales_analysis": self.sales_analysis,
+            "inventory_health": self.inventory_health,
+            "replenishment_summary": self.replenishment_summary,
             "llm_provider": self.llm_provider,
             "llm_model": self.llm_model,
             "llm_tokens": self.llm_tokens,
             "execution_time_ms": self.execution_time_ms,
             "statistics_date": self.statistics_date,
+            "create_time": self.create_time.isoformat() if self.create_time else None,
         }
@@ -46,9 +46,8 @@ class PartRatio:
     @property
     def valid_storage_cnt(self) -> Decimal:
-        """有效库存数量 = 在库未锁 + 在途 + 计划数 + 主动调拨在途 + 自动调拨在途"""
-        return (self.in_stock_unlocked_cnt + self.on_the_way_cnt + self.has_plan_cnt + 
-                Decimal(str(self.transfer_cnt)) + Decimal(str(self.gen_transfer_cnt)))
+        """有效库存数量 = 在库未锁 + 在途 + 计划数"""
+        return self.in_stock_unlocked_cnt + self.on_the_way_cnt + self.has_plan_cnt
     @property
     def valid_storage_amount(self) -> Decimal:
@@ -325,8 +325,8 @@ class ResultWriter:
     def save_analysis_report(self, report: AnalysisReport) -> int:
         """
-        保存分析报告
-        
+        保存分析报告（四大板块 JSON 结构）
+
         Returns:
             插入的报告ID
         """
@@ -338,20 +338,18 @@ class ResultWriter:
                 INSERT INTO ai_analysis_report (
                     task_no, group_id, dealer_grouping_id, dealer_grouping_name,
                     brand_grouping_id, report_type,
-                    replenishment_insights, urgency_assessment, strategy_recommendations,
-                    execution_guide, expected_outcomes,
-                    total_suggest_cnt, total_suggest_amount, shortage_risk_cnt,
-                    excess_risk_cnt, stagnant_cnt, low_freq_cnt,
+                    inventory_overview, sales_analysis,
+                    inventory_health, replenishment_summary,
                     llm_provider, llm_model, llm_tokens, execution_time_ms,
                     statistics_date, create_time
                 ) VALUES (
                     %s, %s, %s, %s, %s, %s,
-                    %s, %s, %s, %s, %s,
-                    %s, %s, %s, %s, %s, %s,
-                    %s, %s, %s, %s, %s, NOW()
+                    %s, %s, %s, %s,
+                    %s, %s, %s, %s,
+                    %s, NOW()
                 )
             """
-            
+
             values = (
                 report.task_no,
                 report.group_id,
@@ -359,27 +357,20 @@ class ResultWriter:
                 report.dealer_grouping_name,
                 report.brand_grouping_id,
                 report.report_type,
-                json.dumps(report.replenishment_insights, ensure_ascii=False) if report.replenishment_insights else None,
-                json.dumps(report.urgency_assessment, ensure_ascii=False) if report.urgency_assessment else None,
-                json.dumps(report.strategy_recommendations, ensure_ascii=False) if report.strategy_recommendations else None,
-                json.dumps(report.execution_guide, ensure_ascii=False) if report.execution_guide else None,
-                json.dumps(report.expected_outcomes, ensure_ascii=False) if report.expected_outcomes else None,
-                report.total_suggest_cnt,
-                float(report.total_suggest_amount),
-                report.shortage_risk_cnt,
-                report.excess_risk_cnt,
-                report.stagnant_cnt,
-                report.low_freq_cnt,
+                json.dumps(report.inventory_overview, ensure_ascii=False) if report.inventory_overview else None,
+                json.dumps(report.sales_analysis, ensure_ascii=False) if report.sales_analysis else None,
+                json.dumps(report.inventory_health, ensure_ascii=False) if report.inventory_health else None,
+                json.dumps(report.replenishment_summary, ensure_ascii=False) if report.replenishment_summary else None,
                 report.llm_provider,
                 report.llm_model,
                 report.llm_tokens,
                 report.execution_time_ms,
                 report.statistics_date,
             )
-            
+
             cursor.execute(sql, values)
             conn.commit()
-            
+
             report_id = cursor.lastrowid
             logger.info(f"保存分析报告: task_no={report.task_no}, id={report_id}")
             return report_id