服装行业三库联动：成衣 / 布料 / 原料 一致性挑战

服装企业说"我要建仓储系统"，工程师以为是一个仓库的事。打开门一看 —— 是三个完全不同业务模型的仓库：

成衣库（挂装库）：SKU 多、季节性强、版型迭代快；用电动挂装链而不是货架。 布料库：按"色卡 / 批次 / 匹号"三维管理；同一布料不同批次有色差。 原料库：拉链 / 扣子 / 唛头 / 绣花线 等数百种辅料；缺一项即停产。

三库的入库、拣选、盘点逻辑完全不同。把通用 WMS 直接套上去，3 个月内必然失败。

成衣不是平摊堆放 —— 重力会让肩部变形、面料起皱。所以服装企业的成衣仓 90% 是 电动挂装链：每件成衣挂在衣架上，沿着环形传送系统走，到拣货位停下。

工程含义： - "库位"是动态的（衣架在链上移动），不是固定坐标 - 调度算法决定哪些 SKU 上链、哪些下链 —— 这是销售预测 × 库容约束的实时优化 - 入库速度直接限制销售吞吐：上不了链 = 卖不了货

这和电商立体库 / AGV 仓 / 货到人 都不是一种问题。挂装链调度是服装 WMS 的护城河之一。

布料不能简单按"米数"管理。一段布料的唯一身份由三个维度组成：

色卡：版本号。同 SKU 不同色卡是不同的布（哪怕看着像）。 批次：染缸不同的卷不能混用。哪怕是同色卡，染缸 A 和染缸 B 在标准光下会显出色差，混做一件衣服会被退货。 匹号：单卷的唯一编号。裁剪追溯：哪件成衣用了哪匹布，问题来了能精确定位。

一个 SKU 的库存 = 数百种"色卡 × 批次"组合。错版的代价 = 整批服装报废。WMS 必须把这三维当作一等公民，不能压成一个"批次号"了事。

一件 T 恤需要的辅料：拉链、商标、洗水唛、产地唛、合格证、备扣袋、缝纫线 …… 10-20 种。一件外套更多 —— 衬料 / 垫肩 / 装饰扣 / 织标 / 烫钻。

原料库的工程难点：缺其中任何一种 → 整批生产卡住。

库存预警必须三联动： - SKU 维度（每种辅料库存） - 配套件维度（一件衣服需要的所有辅料是否齐全） - 生产进度维度（在产订单未来 N 天会消耗多少）

三个维度任一失效，预警就是装饰品。原料库管理的本质是"配套完整性"，不是"单品库存"。

三库不是分别建 WMS 然后拼接 —— 是 一个数据模型的三个视图。

核心是 BOM（Bill of Materials）反向引用：成衣 SKU → 用了什么布料（哪个色卡 / 哪个批次范围）+ 用了什么原料（数量 / 配套）。

出库 SKU 时必须三库都满足：成衣有库 / 布料色卡批次匹配 / 原料齐套。任何一项不满足 → 出库锁定 + 缺料预警 + 自动触发补货流程。

颜色一致性：同一订单的多 SKU 必须使用同一色卡批次的布料，否则客户收到的整套服装色差不一致。这个约束在数据模型里要显式编码，不能靠仓管员记忆。

ERP：订单 / BOM / 销售 / 财务 —— 业务驱动。 WMS：库存 / 出入库 / 盘点 / 物理存储 —— 物流执行。

边界关键：ERP 给 WMS 入库需求（"今天到货 1000 米色卡 A03 的卡其布"），WMS 给 ERP 出库回执（"已出 SKU SS24-W001 共 30 件，对应订单 #12345"）。双向 MQ 实时同步，不用定时拉取。

WMS 不"看懂"业务 —— 它只忠实执行 ERP 的指令。这种边界清晰让两个系统都能独立演进：ERP 升级业务流程不影响 WMS；WMS 优化拣选路径不影响 ERP。

系统设计的"职责边界"比"功能列表"更值钱。

服装行业季度盘点是头等大事：不盘点，账实差异会累积到 5%+，财务数字失去意义。

传统人工盘点 1 周（关仓 / 盘 / 复核 / 调整）。RFID 通道盘 1 天： - RFID 标签缝在每件成衣 / 每卷布料的隐蔽位置 - RFID 通道（门式 / 桌面式）批量扫描 - 系统自动比对账实差异

RFID 不是万能：金属辅料会屏蔽信号、密集堆放会有读取盲区。所以补一道视觉盘点：摄像头 + 颜色 / 数量识别，专门处理 RFID 盲区货物。

盘点准确率 99.97% 的工程目标 = RFID 主盘 + 视觉补盘 + 人工抽查 三层叠加。

服装 WMS 上线节奏不是"三库同时上"。依赖关系倒推：

第一波 · 布料库：色卡 / 批次 / 匹号 主数据落地。 第二波 · 原料库：基于布料库的入库流程，扩展到辅料。 第三波 · 成衣库：基于前两库齐套，启动挂装链调度。

每波 1-2 个月，新一波基于前一波的运营反馈调整。

持续运营的关键是主数据治理：色卡命名规范、批次唯一性、SKU 与 BOM 的同步。错版的代价不是技术问题，是数据治理问题 —— 客户实物 vs 系统记录不一致 → 整批退货 → 商业信誉损失。

服装行业 WMS 真正的护城河 = 主数据治理 + 业务理解。这需要时间和现场陪跑，无法走捷径。