用途：面向直送门店（DSD）与零售分销场景，帮助设计高效配送路线，在满足零售收货时间窗、理货要求和服务水平承诺的同时降低配送成本。
主要能力：先做初始评估，梳理业务背景（产品类型、门店数量、车辆与司机数量、当前路线效率、配送频率）、运营约束（各门店时间窗、收货时段、司机班次与加班规则、理货与卸货时间）、车辆特征（容积、重量、托盘位、冷藏要求、限高与危化品限制、尾板与手推车等设备）、服务要求（预售还是纯配送、是否含理货、退换货政策、订单量上下限、必送与可选门店）。
路线类型：固定路线（同店同序同日，适合高量稳定需求）、动态路线（按订单每日优化，适合需求波动大的网络）、混合路线（核心门店固定、弹性门店动态分配，实践中常见）、预售路线（司机提前一天到店取单，次日回访补货，常见于零食与饮料）。
优化模型：将 DSD 路线视为带时间窗的车辆路径问题（VRPTW）的特例，目标函数最小化行驶成本、车辆固定成本、服务时间成本与迟到惩罚；约束包括每店仅访问一次、车辆容积与重量容量、时间窗、路径连续性（流量守恒）、时间一致性、司机班次时长，以及服务时间等于卸货时间加理货时间。
使用方式：资料给出基于 Google OR-Tools 的 Python 实现示例，类 DSDRouteOptimizer 接收门店 DataFrame（含 store_id、lat、lon、demand_cube、demand_weight、time_window_start、time_window_end、service_time、merchandising_time）、仓库位置与车辆配置，计算距离与时间矩阵后调用 optimize_routes(num_vehicles, max_route_time) 求解并输出路线与指标；另有 PreSellRouteOptimizer 用于协调预售与配送路线。
适用场景：饮料、面包烘焙、零食、乳制品、特色食品等高频小批量、时间窗严格、司机兼做理货的行业。
限制：资料未提供该技能的安装命令、收费与价格、平台支持范围及实际效果数据；示例中的距离用欧氏距离近似、速度取固定值，实际使用需替换为真实路网数据。