AB
AiBoss
チュートリアル

Claude Code

チュートリアル

用 Claude Code 通过生产计划案例学习供应链分析

面向数据科学家与供应链从业者的实操教程:借助 Claude Code 把生产计划优化案例变成可调参的本地应用,在改参数、看结果、追问代码的过程中补齐业务理解或编程能力。

供应链分析的学习难点不在算法本身,而在于两件事同时缺一:懂业务的人不写代码,会写代码的人没进过工厂。Claude Code 在这里的价值,是把一个真实运营案例的源码、样例数据和参数界面串起来,让学习者通过「改参数—看结果—追问原因」的方式边做边学。这篇教程面向两类读者:想理解运营场景的数据科学家,以及不会编程但熟悉流程的供应链从业者。文中会以工厂生产计划优化为例,完整走一遍从准备环境到跑通案例的流程。如果你还没安装过这个工具,可以先看站内的 Claude Code 介绍页了解基本形态。

准备工作

明确你要补的是哪一半

在动手之前先给自己定位,因为同一个案例对两类人的教学重点完全不同:

  • 数据科学家:重点在业务语义。什么是采购订单、什么是产线换型(setup)、在制品与在手库存分别意味着什么,这些概念在真实车间里如何对应到一张数据表。
  • 供应链从业者:重点在代码语义。每一行代码在做什么、参数改了会影响哪个输出、结果为什么是这样。

两类人最终要达成的能力是同一个:把一个运营问题翻译成可计算的形式,并在结果出来后判断它是否合理。

环境与账号

  • 安装 Claude Code 并完成登录授权。具体安装方式、支持的终端环境与账号类型,以官网当前信息为准。
  • 本地需要能运行 Python 脚本的环境,因为案例的求解代码与本地应用都基于 Python。版本要求以官网当前信息为准。
  • 准备一个工作目录,用来存放案例源码、样例数据集和生成的本地应用。

不需要预先掌握动态规划,也不需要会写前端。案例的界面由 Claude Code 根据源码生成,你只需要会改参数和提问题。

准备案例素材

每个案例应当包含三样东西,缺一不可:

  1. 一份源码:实现求解逻辑的 Python 脚本。
  2. 一份样例数据集:覆盖未来 12 个月的需求,包含每个客户、每个 SKU 的数量与交期。
  3. 一段业务背景说明:用运营语言写清楚这家工厂在做什么、决策者关心什么。

把这三样放进同一个目录,后续 Claude Code 才能把它们关联起来。

操作步骤

第一步:先把业务背景读成一张表

不要一上来就看模型。先设想自己是这家小型无线电设备工厂的生产计划经理:客户把采购订单发给商务团队,订单里写明数量和期望交期。例如客户 A 订购 100 件 SKU XX,交期 11 月 23 日;客户 B 订购 150 件 SKU YY,交期 11 月 30 日。你的任务是排产,在按时交付的前提下让总成本最低。

成本由三部分构成,这是整个案例的核心词汇表:

成本项含义在数据里对应什么
换型成本(setup cost)每次开启一轮生产所支付的固定费用一个标量参数,按「每次生产批次」计
生产成本(production cost)每生产一件产品的可变费用单位成本,乘以产量
持有成本(holding cost)一件产品存放一个月的费用单位月成本,乘以期末库存

样例中客户订单覆盖未来 12 个月。对数据科学家来说,这一步才是真正的课程:把「采购订单」「换型」「在手库存」这些词对应到车间里的实际动作,再对应到表里的字段。对供应链从业者来说,这只是把日常业务写成了一张数据表。

第二步:把权衡用运营语言说清楚

计划经理面对两个方向相反的目标:库存要低,但生产批次不能太多。可以用一个类比帮助理解:一级方程式赛车油箱满时车更重、跑得更慢,但每次进站加油都要损失时间,所以必须找到加油时机与加油量的平衡点。生产计划是同一个问题。

  • 如果完全按财务口径走,每月只生产当月所需,库存为零,但每个月都要付一次换型成本。
  • 如果完全按工厂口径走,大批量生产以摊薄换型,但库存堆积,资金被压在仓库里,持有成本上升。

两个极端之间需要算法来自动寻找平衡点。到这里,两类读者的认知汇合了:数据科学家明白了为什么需要优化,供应链从业者看到自己每天处理的权衡被写成了一个待最小化的成本函数。

第三步:认识求解方法,但不必从零实现

案例使用 Wagner-Whitin 算法,这是一个用动态规划求解批量决策问题的方法。教学上不建议展开推导,因为两类读者都不会从零手写它。更有效的做法是拿一个具体算例手工推一遍,全程不出现一行代码。

算例的输入参数如下:

  • 换型成本:500 美元/次
  • 持有成本:1 美元/件/月
  • 生产成本:50 美元/件

算法输出是一份生产计划,例如全年安排四轮生产:第 1 个月生产 550 件,覆盖前 5 个月的需求;第 6 个月生产 450 件,覆盖第 6、7、8 个月的需求,依此类推。把每一轮的累计成本画成曲线,就能直观看到算法如何在「多换型、低库存」与「少换型、高库存」之间取舍。

五分钟内,两类读者都看到了「一段代码解决一个运营问题」的完整闭环,接下来才是动手。

第四步:让 Claude Code 把案例部署成本地应用

这是整个流程中改变最大的一步。传统做法是打开 notebook 逐格阅读,对不写代码的人门槛很高;改成应用之后,案例变成了一组可以拖动的参数。

把案例交给 Claude Code 时,按下面的顺序给出信息:

  1. 告诉它案例的名称或标题,让它定位到对应目录。
  2. 让它读取该目录下的源码与样例数据集。
  3. 要求它把求解逻辑封装成一个本地应用,把所有输入参数暴露为可调项:换型成本、持有成本、生产成本、各月需求、交期等。
  4. 启动应用,确认默认参数下能复现出与手工算例一致的结果。

一个可用的提示词结构大致如下:

读取当前目录下的求解脚本和样例数据集。
把脚本封装成一个本地可运行的交互应用,
把换型成本、持有成本、单位生产成本、各月需求都做成可调输入,
默认值使用样例数据中的取值。
启动后请告诉我访问地址,并说明每个参数对应代码里的哪个变量。

最后一句很关键:要求它说明参数与变量的对应关系,等于让它在部署的同时做了一次代码导读。

第五步:用提问驱动学习

应用跑起来之后,学习才真正开始。准备两类问题,分别针对两类读者:

问题一:如果持有成本变成 2 美元/件/月,会有多少次换型?

这个问题对供应链从业者有难度,因为它要求把成本变化翻译成计划变化。Claude Code 应当说明:不需要改动任何代码,只需在界面上把持有成本参数改为 2 并重新运行,然后解释换型次数为什么变化、变化方向是否符合直觉。

问题二:如果交付提前期是 1 个月,应该采用哪个方案?

这个问题对纯分析背景的人有难度,因为它涉及运营约束而非算法本身。Claude Code 应当先解释「1 个月交付提前期」在业务上意味着什么,再说明它如何影响求解逻辑——例如需要把生产决策整体前移一个月,或对可行解加上前置约束——然后修改代码、重新运行并解释结果。

这两类问题的设计意图是:让每个人都在自己不熟悉的那一侧被推一把,而答案由 Claude Code 在具体代码和具体数据上给出,不是泛泛的概念解释。

一个完整示例

下面把上述步骤串成一个从头到尾可复现的最小流程。假设工作目录为 supply-chain-cases/production-planning,其中已有求解脚本与样例数据。

1. 进入目录并确认素材齐全

cd supply-chain-cases/production-planning
ls

应当能看到求解脚本、样例数据集和一份业务背景说明。三者缺一,先补齐再继续。

2. 先手工核对基准结果

在让 Claude Code 生成应用之前,先用默认参数(换型 500、持有 1、单位生产 50)跑一次原始脚本,记下输出的生产批次数量与总成本。这一步是为了后面验证应用没有改变计算逻辑。

python solve.py --setup-cost 500 --holding-cost 1 --unit-cost 50

脚本的实际名称与参数形式以你手上的源码为准;如果参数是通过配置文件传入的,就改配置文件。

3. 让 Claude Code 生成应用

在项目目录中启动 Claude Code,把第四步给出的提示词发过去。它会读取脚本、识别输入参数、生成界面代码并启动本地服务。启动后打开它给出的地址。

4. 复现基准结果

在界面上保持默认参数,运行一次,确认批次数量与总成本与第 2 步手工跑出的结果一致。不一致说明封装过程中逻辑被改动,需要让 Claude Code 解释差异来源。

5. 做参数实验

依次尝试以下改动,每次记录结果并让 Claude Code 解释:

  • 持有成本从 1 改为 2,观察换型次数与总成本的变化方向。
  • 换型成本提高,观察批次是否减少、库存是否上升。
  • 把某一月的需求翻倍,观察该月前后批次是否重新组合。

每次实验都追问一句「为什么」,让解释落在具体变量和具体计算上,而不是停留在「因为库存成本变高了」这种层面。

6. 加入交付提前期约束

提出第二个问题:如果交付提前期为 1 个月,方案应如何调整。观察 Claude Code 是修改了约束条件、调整了需求对齐方式,还是改动了目标函数,并核对修改后的结果是否仍然满足按时交付。

7. 沉淀自己的结论

把每次实验的参数、输出和解释整理成一张表。这张表就是学习成果:它记录的是「什么条件下该做什么决策」,而不是代码本身。

注意事项

  • 先核对再实验。 应用生成后必须与原始脚本的结果对齐,否则后续所有参数实验都建立在错误的基础上。
  • 不要让 Claude Code 替你跳过业务理解。 客户不会说「我需要一个带周期性检查策略的指数平滑预测模型」,他们只会说「我有库存问题」。中间那句「哪个指标受影响、库存水平驱动了哪些决策」必须由人来问,编码代理不会主动替你想。
  • 算法细节按需深入。 动态规划的推导对两类读者都不是必需项,需要时再让 Claude Code 展开讲解,不要一开始就陷进理论。
  • 参数与代码的对应关系要显式确认。 界面上的一个滑块背后可能对应多个变量,要求 Claude Code 明确说明映射关系,避免误以为改了一个参数其实改了三处。
  • 案例数据是教学用的。 样例数据集用于理解方法,不能直接当作生产环境的输入。
  • 工具能力与配额以官网当前信息为准。 可用模型、调用额度、支持的环境会变化,动手前先确认当前状态。