夜雨聆风我用 AI 做了一套宠物食品配方软件
才发现最难的不是写配方
很多人听到“AI 做宠物食品配方”，第一反应是：输入一句话，让 AI 生成一张配方表。
但真正做下来以后，我越来越确定一件事：配方不是文案，不能交给 AI 随口发挥。
宠物食品配方背后，有营养标准、原料指标、成本、工艺、标签、法规、供应链、批次追溯和市场对标。任何一个环节出错，生成出来的配方再漂亮，也没有业务价值。
所以我做这套软件时，目标从来不是“让 AI 替代配方师”。我真正想做的是：把宠物食品配方研发，从一件靠经验驱动的手艺活，变成一套可计算、可追溯、会学习的后台系统。
从配方计算器到研发后台系统，我做了八步
这套系统不是一开始就完整搭好的。它是从一个很小的本地配方工作台开始，一步一步长成了研发后台。每一步背后，都不是技术炫耀，而是一个真实的业务判断。
一开始，我没有马上让 AI 写代码，而是先研究全球成熟的配方软件，比如 BESTMIX、Format Solutions、Animal Diet Formulator 这些专业系统。
看完以后，我发现一个共同点：专业配方软件从来不是只算营养。它们真正解决的是一个系统问题：成本、原料、法规、工厂、批次、标签和追溯，最终都要放到同一个业务框架里。
第一版，我做了一个本地配方工作台。用户可以选择犬猫、生命阶段、产品形态，比如膨化干粮、湿粮、鲜粮、冻干，再选择对应的营养目标。
系统内置 AAFCO 营养标准，把蛋白、脂肪、钙磷比、牛磺酸、氨基酸等做成可计算规则，再接入最低成本优化。
也就是说，在满足营养标准、原料上下限和基础约束的前提下，系统可以计算出成本更优的原料组合。
它不一定能生产，也不一定合规，更不一定能长期稳定。
第二步，我把数据从浏览器迁入 SQLite 数据库。原料库、当前配方、历史配方、学习记录、版本历史、审计日志，全部持久化保存。
同时增加后台登录、角色权限、版本管理、导出和审计。真实企业里，配方不是一个人随手改完就结束。
从这一刻起，它不再是一个“配方计算器”，而是开始变成一个“研发后台”。
后面，我继续把系统往企业场景里推进，把功能拆成 P0、P1、P2 三层。
P0 是基础企业化模块：产品规格、标签生成、审批流、供应商档案和价格管理。P1 是工厂追溯模块：生产批次、原料批号、QA/LIMS 化验结果、ERP/MES/WMS 集成日志。P2 是多市场、多工厂、多法规体系的扩展。
否则，研发页面上的配方再漂亮，到工厂也可能变成另一回事。配方研发不是孤立动作，而是企业运营链条的一部分。
到这个阶段，我才开始真正接入 AI。但我给 AI 的定位非常明确：AI 是研发助手、诊断助手、学习助手，不是最终裁判。
它可以解释某个指标为什么不达标，可以建议哪些原料可以调整，可以分析成本结构，可以根据历史配方学习原料偏好，可以把市场竞品的公开标签整理成结构化信息，也可以根据化验异常和历史数据生成诊断建议。
AI 不能直接拍板配方。AI 应该参与配方研发流程，而不是替人承担专业责任。这是我从第一天就定下的边界。
很多人做 AI 系统，最后变成在页面上加一个聊天框。但我认为这不是最有价值的方向。
真正有价值的 AI，不是问一次答一次，而是能把企业每天发生的数据沉淀下来。所以我在后台增加了学习事件和学习状态，记录配方、供应商价格、化验结果、法规校验、审批、批次和集成日志。
然后 AI 可以从这些数据里持续生成建议：哪些原料高频使用？哪个品类成本基线偏高？哪些供应商价格波动大？哪些化验指标经常异常？哪些配方结构更容易通过优化？哪些原料组合在历史配方里更稳定？
接下来，我做了一个全球产品对标库，把 Open Farm、Stella、Zooplus、Amazon Japan、希尔斯、皇家等公开产品信息逐步结构化。
这里记录的，不是商业机密，也不是复刻配方，而是公开标签能够确认的信息：原料构成、营养指标、功能卖点、产品定位、适用对象和标签表达。
全价主食，可以参考其结构和营养逻辑。功能粮，可以研究其功能表达和原料方向。处方粮，只做公开信息研究和专业对标，不直接复刻。零食和补充剂单独分类，不被误判为主食配方。
这对研发非常重要。因为产品不是在实验室里凭空产生的，它一定要放到市场坐标里去看。
功能粮不是处方粮。这句话看起来简单，但在产品开发里非常重要。
肾脏管理、泌尿管理、胃肠护理、低敏水解、体重管理、皮肤被毛、关节护理，每一种背后的营养逻辑、理化指标和验证方式都不一样。
所以系统里必须划清边界。
功能粮可以按全价主食基础合规，再叠加功能成分、营养方向和对标指标。处方粮只能做公开信息研究和专业参考，不做治疗承诺，不直接生成商业处方。
这套软件怎么用：一条完整研发闭环
这套软件不是打开以后让 AI 随便生成一个配方。它的使用路径，更接近一个真实研发部门的工作流程。
系统读取原料库、配方库、市场对标库和历史学习记录。用户不是从空白页面开始，而是在企业自己积累的数据上工作。真正的研发不是从“灵感”开始，而是从企业自己的原料、成本、供应商、标准和历史经验开始。
系统首先要确定产品对象：犬还是猫，幼年、成年还是老年，全价主食、功能粮、处方粮研究还是功能零食，膨化干粮、主食湿粮、低温鲜粮还是冻干。这一步会决定营养标准、原料候选集和约束逻辑。
用户可以手动添加原料，也可以从配方库或市场标杆模板载入基础结构。系统会立刻计算成本、营养指标和关键约束，比如蛋白、脂肪、钙磷比、能量、牛磺酸、氨基酸等指标。
在满足营养标准和原料约束的前提下，系统自动计算更合理的配比。用户可以锁定某些原料，也可以设置上下限，或者排除不想使用的成分。这里优化的不是数学上看起来最便宜的极值，而是真实可执行的方案。
系统会逐项显示哪些指标达标、哪些偏低、哪些超标。过去靠经验翻标准文件的事情，被变成了可视化检查。尤其是多个营养指标、多个产品形态、多种法规口径同时存在的时候，系统化校验比人工反复检查更稳定。
AI 开始解释这个配方为什么不平衡：问题来自哪类原料，优先应该调整蛋白源、脂肪源还是矿物质，是钙磷比问题，还是某个氨基酸指标不够，是营养问题，还是成本结构问题。AI 的作用是提供建议，不是替研发人员拍板。
进入对标库，查看成熟产品的标签结构。先看全球同类产品怎么设计，再回到自己的配方逻辑里做判断。不是照抄竞品，而是知道成熟市场在做什么，同类产品如何表达，功能卖点如何呈现，营养指标大概落在哪些区间。
系统记录配方名称、成本、营养状态、创建人、创建时间和版本信息。每次修改不会覆盖原始版本，而是形成版本记录。这对研发复盘非常重要，因为配方开发经常不是一次完成，而是多轮调整。
配方确定后，可以建立产品规格，生成标签字段，进入审批流。同时关联供应商价格、原料批号、生产批次、QA 化验结果，以及 LIMS、ERP、MES 的集成日志。配方从研发页面进入了工厂和供应链。
每一次保存配方、修改原料、更新价格、完成化验、生成标签、审批通过，都会成为学习事件。系统慢慢形成企业自己的知识：哪些原料常用，哪些供应商价格波动大，哪些配方结构成本更优，哪些指标最容易异常，哪些产品类型最容易被投诉。
AI 可以参与配方研发，但不能替人承担专业责任
做完这套系统，我对 AI 在配方研发里的定位，有了更清晰的判断。
- 解释营养指标为什么不达标
- 建议哪类原料可以调整方向
- 分析当前配方的成本结构
- 从历史数据里识别高频原料和成本规律
- 把竞品公开标签整理成结构化对标信息
- 根据化验异常数据生成诊断建议
- 在约束条件变化后快速重新评估配方
- 判断原料数据库是否正确
- 确认营养标准版本是否最新
- 替代工艺约束和适口性判断
- 最终拍板配方是否可以送产
- 承诺处方粮的治疗效果
- 替代供应链批次风险的现场判断
- 承担合规边界的法律责任
这张边界表背后，有一个核心逻辑：AI 最擅长的是在有结构的数据里找规律、做计算、给建议。但这些能力必须建立在人已经构建好的业务框架上才有意义。
如果底层营养标准是错的，原料数据是过时的，约束条件没有设好，AI 会非常高效地生成一个错误结论。所以 AI 不是万能钥匙，AI 更像放大器。它会放大系统能力，也会放大底层错误。
真正难的不是让 AI 写配方
做完这套软件，我反而更清楚了一件事：AI 最容易做的，是生成一张看起来像配方的表。
真正难的，是这张表能不能被验证、能不能被审批、能不能被生产、能不能被追溯，出了问题能不能解释。
配方研发不是一次性创作，而是一个从原料、标准、成本、工艺、标签到批次的连续过程。很多 AI 工具的问题，是只停在“生成结果”这一层。
所以，真正难的不是 AI 写出一张配方表。真正难的是这张配方表背后的每一个数据，都能找到来源；每一次修改，都能留下记录；每一个版本，都能进入企业流程。
这些问题，不是靠 AI 的能力解决的，而是靠业务逻辑的设计解决的。而业务逻辑的设计，恰恰需要行业经验，而不是单纯的编程能力。
如果你觉得 AI 离你的工作很远，很可能是因为你还没有把自己最熟悉的业务场景，转化成一套说得清楚的逻辑。那才是关键的一步，而不是先学编程。
未来拉开差距的，不是会不会用 AI，而是谁能把经验变成系统
我在做这套软件的过程中，越来越相信一件事：未来宠物食品企业的竞争，不只是品牌竞争，也不只是渠道竞争。更深层的竞争，是研发系统的竞争。
谁能把经验沉淀成数据，谁能把数据变成判断，谁能把判断变成可执行流程，谁就会在下一轮竞争里占到主动。
今天很多工厂的配方管理，还停留在“资深配方师 + Excel + 经验判断”的阶段。这个模式不是不能用，但它有三个问题：经验不可转移，判断不可追溯，数据不可积累。
AI 提供的，不是一个更聪明的“配方生成器”，而是一个把人的经验系统化的工具。但系统化这件事本身，仍然需要真正懂行业的人来主导。
做这件事之前，我跟很多人一样，认为“软件开发”是另一个专业领域的事，和我隔着一道专业的墙。做完以后，我的感受是：AI 把这道墙拆矮了很多，但没有完全拆掉。
拆掉的部分，是“把逻辑变成代码”这一步。还没拆掉的部分，是“把行业经验转化成清晰逻辑”这一步。
后者，仍然是人最难被替代的能力。也是最值得深耕的能力。
AI 时代真正拉开差距的，不是会不会使用某一个工具，而是谁能把自己的行业经验，拆成规则、数据、流程和系统。
如果你是宠物食品行业的从业者，你手里最重要的资产，不是某一个软件，也不是某一个 AI 工具，而是那些你以为“理所当然”，但行业里大多数人其实并不清楚的专业判断。把它们说清楚，是一切数字化的起点。
公众号：老于宠物 · 工厂数字化系列
