P2Predict

问题所在

零件的大部分成本在上游就已决定，而采购部门往往看不到设计评审。工程师可能会把公差收紧到超出应用需求，或将零件限定为只能由单一供应商供货；成本就这样一路传递下去，却没有留下任何数字。等到物料清单（BOM）送达采购部门时，高成本决策已经定型，剩下能谈的只有取整差额。

随后，报价来了。供应商对成本精确到分，而你手上只有去年的采购订单（PO），还有几天时间作出回应。把这种情况放到每一条采购项目上，成本漏洞无处不在：未经基准比较的溢价、未经成本核算的规格，以及财务部门追问节省的成本去了哪里时，你无法据理说明的数字。

答案早已藏在你的采购历史中，只是没人有时间把它们挖掘出来。

P2Predict 的功能

P2Predict 从你自己的采购数据中学习影响零件价格的因素：供应商、材料、尺寸、规格、地区。然后，它会为任何新的或拟议中的零件提供有依据的目标价格。品类经理可以用日常语言提问，得到的答案则基于你实际支付过的价格。

它在你的设备上运行，使用你的数据，并可通过团队已在使用的任何 AI Agent 操作。数据不会上传。不依赖供应商目录或云端，也不会按席位共享数据。

它是什么，又不是什么

P2Predict 是一款参数化价格预测工具。它从历史采购数据中学习基本定价结构，并据此对标任何零件的价格，无论是即将采购的零件，还是已经采购的零件。明确这一点正是核心所在，因此下面说明其实际适用范围。

它能做什么

• 根据你实际支付过的价格进行学习，并预测类似零件的合理价格。
• 将预测价格归因到各项规格和供应商，帮助你看清哪些因素影响价格。
• 为每项估算提供校准后的可能价格区间，并标出数据过于稀少、不足以支撑可信结论的情况。
• 随着你提供更多自己的采购历史，持续提升预测效果。

它不能做什么

• **它不是目标成本分析工具。**它不会根据原材料、人工和机器工时逐项估算零件成本，也无法告诉你供应商的真实成本或利润率。
• 它只了解数据展示过的情况。如果你询问的零件与你的历史记录中的零件截然不同，它会扩大价格区间，或建议你获取报价，而不是猜测。
• 按规格给出的细分结果，只展示你的数据中与价格相关联的因素。它反映的是你的市场情况，并不是解释零件成本成因的因果模型或工程模型。
• 它不会编造数据。没有相关历史数据，就没有模型。

它改变的对话

P2Predict 的价值就在这里体现出来。这些都是真实的问题，而现在，你的团队都能在几秒钟内得到答案，既有具体数字，也有相应的置信度。

“这份报价合理吗？”

你的品类经理把报价交给 Agent。

品类经理： “供应商对这个零件的报价是 14.20 美元。合理价格应该是多少？”

P2Predict： “12.40 美元。十次中有九次，实际价格会落在 10.80 至 13.90 美元之间。这份报价大约高了 15%。”

现在，你的品类经理清楚知道可以从哪里提出异议，而且有真实数据作为依据。

供应商反驳时：“你确定这个价格对吗？”

大多数谈判都会在这里陷入僵局。现在，你有了答案。请对方说明具体构成。

品类经理： “为什么是 12.40 美元？具体拆解一下。”

P2Predict： “供应商选择 +0.85 美元、加急交付 +1.20 美元、更严格的公差 +0.42 美元、尺寸 +0.40 美元。”

现在你可以逐项讨论成本构成：“我们说好的是标准交期。去掉 1.20 美元的加急费，价格就一致了。”逐项明细很难被轻易搪塞过去。

“如果我们更换供应商呢？”

固定规格，更换供应商，查看价格差异。

品类经理： “如果把这个 16 节电池组监控器从供应商 A 转到供应商 B，会怎样？”

P2Predict： “价格下降 37.7%，每件大约便宜 2.07 美元，并附有各项特征的价格明细作为依据。”

RFQ 更有针对性，寻源决策也更快。在会议室里，这个数字就是你的筹码。

在设计评审中：“这项特性值得吗？”

工程团队提出采用更严格的公差。在最终确定之前，先算出价格影响。

工程师： “我们想把公差从 ±0.1mm 提高到 ±0.05mm。”

品类经理对 Agent 说： “这会对成本产生什么影响？”

P2Predict： “每件增加 0.42 美元，涨幅 18%，可能的范围是 0.30 至 0.55 美元。”

现在，讨论的焦点变成了“这项要求值不值得多花 18%？”这是一个明码标价的权衡，大家可以依据数字作出决定。

在降本研讨会上：“设计为哪些不需要的东西付了钱？”

带着每项规格对应的价格参加会议。哪些特性确实增加了成本，哪些溢价可以协商，设计又为哪些应用根本用不到的东西付了钱。所有结论都以你自己的数据为依据，并附有置信度。

RFQ 分诊：“这 200 项里，哪些值得打电话沟通？”

把整份 RFQ 交给 Agent。每一项都会得到目标价格和价格范围。超出各自价格范围的 8 到 15 项值得打个电话，其余都是常规项目。团队可以把整个下午的时间都用在真正影响价格的项目上。

它会告诉你该对这个数字有多大把握

大多数工具只给你一个数字，就不管了。P2Predict 不仅给出数字，还会告诉你对这个数字有多大把握，精确到每个零件和具体金额。坦诚说明这一点正是关键：一个听起来很确定、实际上却错了的基准价，会在供应商核实的那一刻让你失去信誉。

三个真实零件，对应三种不同的置信区间。对于模型熟悉的零件，区间很窄；对于模型不熟悉的零件，它会坦诚地表示不确定。区间窄，就可以强势议价；区间宽，就先获取报价。你的品类经理始终清楚该如何应对。

• 每项估算都附有置信区间。“12.40 美元，而且十次中有九次，实际价格会落在 10.80 至 13.90 美元之间。”
• 如实标明模型擅长和不擅长的范围。 P2Predict 会标出它能够可靠地为哪些品类部分进行基准估价，哪些部分需要真实报价，这样就不会有人根据数据无法支撑的数字进行谈判。
• 每个数字都有依据。 每项估算都会拆解各项规格和供应商分别带来的影响，让你逐项讨论成本构成。

看看究竟是什么在影响价格

将 P2Predict 指向一个品类，它就会展示影响价格的因素。这些图表直接来自 Battery Management ICs 案例研究，基于任何人都能复现的公开目录数据构建。

供应商选择是影响价格的最大因素。 同一款单芯片，规格完全相同，按制造商排序：

对于同一零件，溢价最高的供应商定价约为高性价比选项的 4 倍。这是你可以带入谈判的数据，而且有自己的数据作为依据。

每项估算都会逐项拆解规格。 询问一个零件为何如此定价，你就能获得完整的拆解：

封装尺寸、供应商溢价、多芯架构：每一项都以美元计价，并且加总后恰好等于预测价格。这让你的品类经理可以说：“我知道自己付钱买的是什么，而这就是我想削减的项目。”

复杂度会体现在价格中，而不是被想当然地假设。 同一芯片的每个封装引脚都会增加成本，且呈单调递增：从 8 个引脚时的 $2.31 增至 48 个引脚时的 $4.88：

在从未用于训练、模型完全没有见过的 30 个零件上，预测价格有一半的情况与实际价格相差约 16% 以内，十分之九的情况相差 73% 以内。这表明模型在分析自己从未见过的零件时会展示推理过程，而不是要求你盲目信任它。

如何融入你的技术栈

使用 P2Predict 的不是你，而是你的 Agent。 它通过标准连接器与任何 AI Agent 通信——Claude、GPT 或本地模型皆可，因此你的品类经理不必学习新工具。他们只需向自己已经在使用的助手提问，由助手为他们运行分析。这是 Agent 优先的设计：没有仪表板，也没有应用，界面就是你已经在用的 Agent。

在底层，P2Predict 分为两层。数学层基于你的支出数据进行训练、预测价格、逐项拆解规格，并为每项估算提供经过校准的范围——这就是经得起推敲的统计结果。判断层位于其上，引导对话：该运行哪项分析、何时停止并向你索取更多数据，以及结果是否足够可靠，可以直接引用，还是需要先进行正式询价（RFQ）。它能防止能力较弱的 Agent 夸大不该夸大的数字。

所有操作都在你自己的机器上运行。采购数据是你最敏感的商业资产，因此 P2Predict 绝不会上传这些数据，也不会让第三方用这些数据训练模型。你可以搭配本地模型，让整个流程保持离线；也可以选择云端 Agent。无论哪种方式，你的原始支出数据都会留在原处，也无需与法务讨论数据驻留问题。

它可以与目标成本工具互补，但不会取代它们。自下而上的目标成本核算会根据材料、人工和机器工时逐步构建零件成本，估算制造成本应该是多少。P2Predict 不做这件事，也无意如此。它回答的是每位品类经理实际上都会问的另一个问题：市场上类似零件的成交价格是多少，我们应该预期下一个零件要付多少钱？

公共数据上的验证

三个经过实际验证的案例研究，均可使用任何人都能下载的数据从头到尾复现：

• 电池管理 IC: 最接近真实采购任务的案例。涵盖一小部分真实零件、可用于报价的供应商溢价杠杆，以及对模型优势和仍需真实报价之处的坦诚分析。
• 二手车: 易于理解的演练案例，价格跨度达数个数量级。
• 航空航天紧固件: 展示坦诚分析的案例。说明 P2Predict 如何让你了解数据本身设定的上限，从而不再追求数据无法支持的准确度。

每个案例都会先展示结果，说明哪些结果值得信赖，并明确指出每个数字的来源。

常见问题

真的免费吗？ 是的——营利性公司也可以免费使用。任何组织都可以免费将 P2Predict 用于自身运营、采购和基准分析。没有席位限制，没有试用期，也不用销售人员联系。只有在为第三方客户提供服务（咨询或顾问工作），或将其嵌入付费产品或服务时，才需要商业许可证。

这些数字有多可靠？ 每个估算都会给出一个范围，而不只是单个数字；这个范围会如实反映数据的稀疏程度：历史数据稀少时范围较宽，数据丰富时范围较窄。在公开案例研究中，预测价格有一半的概率与实际价格相差约 16% 以内，十分之九的概率相差 73% 以内。这是模型展示其推理依据，而不是要求你盲目信任它。

我的数据会离开我的设备吗？ 不会。P2Predict 完全在你的设备上训练和预测。唯一会离开设备的是 AI Agent 通常会发送给其自身模型的内容。搭配本地模型使用，也能让这些内容保持离线。

它适用于哪些 AI Agent？ 任何支持 MCP 的 Agent：Claude、基于 GPT 的 Agent，或在本地运行的模型。这正是 P2Predict 的核心理念：它是供 Agent 使用的一项能力，而不是需要你学习的新工具。没有仪表板，也无需单独登录。它会直接出现在你平时使用 Agent 开展工作的地方。

这是一个目标成本工具吗？ 不是。目标成本法会根据材料、人工和机器工时逐项计算零件成本。P2Predict 则根据市场对可比零件的实际收费进行基准分析。

为什么要开源？ 因为封闭工具只能实现供应商决定发布的功能。源码可用意味着你或你的 Agent 可以阅读每一行代码，根据公司的生态系统调整代码或接口，或将其接入自己的技术栈和其他工具，而不必等待任何人的路线图。封闭 API 无法提供这种掌控权。

谁开发了 P2Predict？ 它始于 2023 年，是我利用空闲时间、周末和零星晚上开发的项目。项目背景请见下文。

如果我想为团队部署，应该联系谁？ 其实不必联系任何人：只需运行一条 pip 命令即可安装，并在几分钟内使用自己的数据运行。请从 INSTALL.md 和 TECHNICAL.md 开始。如果你仍需要帮助、想申请商业许可证，或想分享数据集以供未来案例研究使用，请通过 ahmedhafsi.com/contact 联系我。乐意效劳。

构建者

P2Predict 由 Ahmed K. Hafsi 构建并维护。

经验

• 谈判卓越高级经理 — Infineon Technologies（2023 年至今）。负责亚洲地区的高风险交易，包括晶圆代工、OSAT 和战略供应商。
• 谈判卓越高级经理 — Dyson（2020–2023 年）。设计并领导全球谈判卓越能力建设：治理、KPI、工具和重新谈判活动。
• 谈判与博弈论高级管理顾问 — TWS Partners，慕尼黑和伦敦（2014–2019 年）。为工业领域客户提供谈判策略和应用博弈论方面的咨询。

教育与培训

• 卡尔斯鲁厄理工学院（KIT），电气工程与信息技术（2008–2014 年）。
• 哈佛法学院，谈判项目（2021 年）。谈判大师班：资深谈判者的高级策略。

P2Predict 源自这段工作经历：它提供采购团队真正需要的工具，让团队在走进谈判时，清楚自己的目标价和筹码。了解更多，请访问 ahmedhafsi.com。

试用 / 设置

• **与 Agent 一起设置：**参阅 INSTALL.md，了解如何安装、连接 AI 助手并为其指定数据。
• **了解其底层工作原理：**模型、数学原理和完整参考资料见 TECHNICAL.md。

相关项目

P2CLPFD — 用于后续决策的配套工具。P2Predict 告诉你零件的合理成本；P2CLPFD 则决定由谁获得采购量：根据产能、MOQ、份额上限、双源采购和批量折扣规则，在供应商中选出 TCO 最低的中标方案，并提供可在谈判现场展示的推理过程。采用 GPLv3 开源。了解更多，请访问 ahmedhafsi.com/p2clpfd。

许可

源代码可见，遵循 PolyForm Noncommercial License 1.0.0，并额外授予内部公司使用权限。

• **可免费用于内部用途，包括营利性公司。**任何组织都可以免费在内部将 P2Predict 用于自身运营、采购和基准分析。无需购买、申请许可或联系任何人。
• 仅在以下情况下需要商业许可证：（1）使用 P2Predict 为第三方客户提供咨询、顾问或采购服务；或（2）将其嵌入或集成到付费产品或服务中。

尽管基础许可证名称中包含“Noncommercial”，但额外授权明确涵盖营利性公司；限制针对的是向他人出售 P2Predict 的使用权，而不是企业使用。

如需商业许可证、洽谈合作或分享采购数据集，请联系：ahmedhafsi.com/contact。

© Ahmed K. Hafsi。P2Predict 为受版权保护的作品；除上述许可证授予的权利外，保留所有权利。