bm-cartonizer 0.3.0

bm产品装箱（重量合规、SKU 优先）

Cartonizer（装箱求解器）

一个以“重量合规 + SKU尽量不混装”为核心目标的装箱求解器。

目标与约束

• 默认 strict 模式下每箱重量必须满足 12.0 kg ≤ weight ≤ 22.5 kg（可配置）。
• manual_like 模式用于 ERP 已发货手工分箱口径：最低重量是软约束，超重仍是硬约束。
• 尽量保证同 SKU 装在一起；默认每箱 SKU 种类 ≤ 3，必要时可放宽。
• 不允许旋转（按固定朝向判断尺寸可放入）。
• 默认只做快速体积与尺寸过滤；可选 3D 校验。
• 方案完成后支持箱型替换（更小体积）与数量整形（每箱 SKU qty 尽量为 5/10 的整数倍）。

输入与输出

输入格式与输出格式详见 AGENTS.md 的定义，保持稳定以便后续发布 PyPI。

运行命令

在项目根目录执行：

# 安装开发依赖
pip install -e ".[dev]"

# 运行测试
pytest -q

# 运行示例
python -m cartonizer.cli --input examples/order.json
# 可行性验证
python -m cartonizer.cli --input examples/bm_data.json --geometry-check --geometry-viz-dir output
# ERP 手工分箱口径
python -m cartonizer.cli --input examples/bm_data.json --geometry-check --profile manual_like

CLI 参数说明

• --input: 输入 JSON 路径（必填）。
• --geometry-check: 对每个箱执行 3D 几何校验（需要安装 py3dbp）。
• --geometry-viz-dir: 输出几何可视化文件的目录（可选）。
• --profile: strict 或 manual_like，默认 strict。

ERP 已发货样本导出

可用只读工具导出 ERP 已发货手工分箱作为回归 fixture：

python tools/export_erp_shipped_cases.py

默认导出已发货手工分箱中的有效回归样本：

• 手工方案至少 2 箱。
• 每箱重量不低于 12kg。
• 每箱 SKU 种类不超过 6。
• 只读 ERP 数据，不写回业务库。

后续继续优化时，可先阅读： docs/cartonizer_optimization_prompt.md

打包与发布（PyPI）

1) 构建本地包

python -m build

2) 上传到 PyPI

为避免在命令行或文档中泄露 Token，推荐使用环境变量：

$env:TWINE_USERNAME="__token__"
$env:TWINE_PASSWORD="<你的PyPI Token>"
python -m twine upload dist/*

如需上传到 TestPyPI：

$env:TWINE_USERNAME="__token__"
$env:TWINE_PASSWORD="<你的TestPyPI Token>"
python -m twine upload --repository testpypi dist/*

分箱思路（详细版）

1) 可行性判定（重量区间）

订单总重为 W，箱数 B 需满足：

• min_weight * B ≤ W ≤ max_weight * B 推导：
• B_min = ceil(W / max_weight)
• B_max = floor(W / min_weight) 如果 B_min > B_max，strict 模式直接判定 infeasible；manual_like 模式允许继续搜索并把低重箱记录到 metrics。

2) Stage A：SKU 聚合装箱（主解）

逐件分配（不旋转），优先保持 SKU 聚合并满足 SKU 种类限制：

1. 放入已有箱：优先放入已有同 SKU 的箱，其次放入 SKU 种类更少的箱。
2. 箱数搜索：从 B_min 起尝试 B_min+1 / B_min+2。
3. 必要时放宽 SKU 限制：若严格限制失败，允许更多 SKU，但仍以少 SKU 为优先。

3) Stage B：修复 underweight（< min_weight）

处理所有低于最小重量的箱：

1. 轻箱合并（若合并后重量/体积均不超限）
2. 从重箱搬小件到轻箱（保证 donor 仍 ≥ min_weight）
3. 跨箱交换（swap）使两箱都落入区间
   优先同 SKU，再必要时跨 SKU。

4) 动态箱数与自动降级

若主解失败，会按顺序自动降级尝试：

• 利用率目标：0.8 → 0.75 → 0.70 → 0.60
• 体积阈值：必要时放宽到 fill_rate=0.95
• SKU 限制：必要时允许更多 SKU，但仍尽量少

5) Stage C：箱型替换与数量整形

在满足重量/体积/尺寸的前提下：

• 箱型替换优化：能放下的情况下优先换成体积更小的箱型
• 数量整形：尽量让每箱内每个 SKU 的数量为 5/10 的整数倍（无法满足时保留原值）

6) Stage D：几何可行性校验（可选）

默认仅做“尺寸 + 体积阈值”的快速过滤。
若启用 --geometry-check，使用 py3dbp 做真实 3D 校验。
仅对最终方案进行 3D 验证与可视化输出。

备注

• 当前策略不追求“箱数最少”，而是强调“重量合规 + SKU 聚合优先”。
• 若需要成本优化、体积利用率二级目标，可在后续版本扩展。