摘要：在工业APS领域，概率性生成的LLM（如72B参数模型）为何频频翻车？本文深度复盘摩杰斯（Moges）从“启发式加权”到“混合整数规划（MIP）”的架构演进。我们将揭秘如何通过“端侧小模型语义解析 + 约束求解器全局最优”的混动架构，完美解决机加工场景中刚性外协与动态产能溢出的时空约束难题。附核心建模逻辑与性能压测数据。

---

0x01 背景：当“搜索引擎逻辑”遇上“组合爆炸”

早期，我们的APS引擎采用经典的多目标加权评分机制（MCDM）。这本质上是一个类似PageRank的排序算法：

1# 伪代码：旧版启发式评分逻辑
2def calculate_score(order):
3    score = 0
4    score += order.customer_level * 10      # 优质客户加分
5    score += (1 / order.remaining_days) * 20 # 交期紧迫加分
6    score -= order.external_process_count * 5 # 外协多减分（惩罚）
7    # ... 更多规则
8    return score
9
10# 策略：贪心算法 (Greedy Strategy)
11schedule = sorted(orders, key=calculate_score, reverse=True)

痛点：这种 O(n log n) 的贪心策略在低复杂度场景下尚可，但一旦面对机加工车间的 NP-Hard问题（如：五轴机床互斥、刀具寿命约束、外协物流时间窗），它极易陷入局部最优（Local Optima），甚至产生资源死锁（Deadlock）。

为了解决这个问题，我们曾尝试引入 72B参数的大语言模型 进行端到端排程。结果？惨败。

• 幻觉（Hallucination）：LLM编造不存在的空闲时间窗。
• 非确定性：同样的输入，三次推理得出三个不同的计划，工厂无法执行。
• 延迟（Latency）：推理耗时分钟级，无法应对车间秒级插单。

结论：工业排程是确定性约束求解问题，绝不是概率性文本生成问题。用LLM做排程，就像用蒙特卡洛模拟去控制伺服电机——理论很性感，工程很骨感。

---

0x02 架构重构：Hybrid Architecture（混动范式）

我们最终确立了 "Symbolic AI (OR-Tools) + Sub-symbolic AI (Quantized LLM)" 的双引擎架构。

2.1 交互层：端侧量化小模型 (Edge LLM)

• 选型：Qwen-2.5B-Int4 (知识蒸馏 + 量化)。
• 部署：单卡 RTX 3060 即可跑满，推理延迟 <200ms。
• 职责：仅做 NLU (自然语言理解) 和 Intent Recognition (意图识别)。将人类模糊指令转化为结构化JSON约束。

Input (User):

“把那个急单插进去，如果内部五轴忙不过来，就发外协，但要算上物流时间。”

Output (LLM -> JSON):

1{
2  "action": "reschedule",
3  "priority_order_id": "MO-2026-089",
4  "constraints": {
5    "force_outsourcing_if_busy": true,
6    "machine_type": "5AXIS",
7    "include_logistics_time": true
8  },
9  "optimization_goal": "min_makespan"
10}

---

0x03 核心层：基于OR-Tools的混合整数规划 (MIP)

这是系统的“心脏”。我们将业务规则转化为严格的数学约束，利用 CP-SAT Solver 进行全局搜索。

3.1 外协约束的深度建模 (The Outsourcing Model)

机加工最痛的是外协。我们将其建模为二元分类与时空折叠：

A. 工艺强制外协 (Hard Constraint)

对于热处理、电镀等内部无法完成的工序，定义为固定外部节点：
Route_node ∈ { Internal_Machine, External_Vendor }
若 ProcessType == 'HeatTreatment'，则 ResourceGroup 强制锁定为 VendorPool。

B. 动态产能溢出 (Binary Decision Variable)

当内部负荷 Load > 100% 或无对应设备时，触发决策变量 x_ij：
min Z = Σ (Cost_internal * x_int + Cost_external * x_ext + Penalty_delay)
求解器会自动权衡：是内部加班划算，还是外协+物流划算？

C. 外协物流时空折叠 (Spatio-Temporal Folding)

拒绝简单的 +3天 估算。我们构建了全链路时间模型：

T_total = T_out_trans + T_queue_vendor + T_process + T_in_trans + T_qc

• T_queue_vendor：动态读取供应商产能负荷（通过SRM接口或经验曲线）。
• TimeWindow：严格计算发车与回厂时间窗，避免“料到了，人下班了”或“车到了，产线停了”。

3.2 求解流程

1. Constraint Propagation：传播硬约束（如：刀具互斥、工序先后）。
2. Branch and Bound：分支定界法搜索解空间。
3. Global Optimization：找到满足所有约束且目标函数（工期最短/成本最低）最优的解。
4. Result：输出100%可执行的工单序列，零幻觉。

---

0x04 性能压测与实战数据

在某精密零部件工厂（200+台CNC，日均500+工序）的实测对比：

表格

指标	旧版加权系统	72B LLM方案	摩杰斯混动架构
求解算法	Greedy Heuristic	Probabilistic Gen	CP-SAT (MIP)
外协逻辑	静态固定天数	逻辑缺失/幻觉	动态时空链建模
平均响应时间	2.5s	120s+	0.4s
计划可行率	82% (需人工调)	<50%	100%
硬件成本	Low	High (Multi-A100)	Low (Single GPU)

Dev视角的亮点：

• 可解释性：当计划员问“为什么外协？”时，系统能回溯到具体的约束冲突（如：Machine_05 Load > 1.2），而不是LLM的胡言乱语。
• 扩展性：新增约束（如“周五下午不排外协发货”）只需修改一行Python约束代码，无需重新训练模型。

---

0x05 总结

工业软件的核心壁垒不是模型参数量，而是对业务场景的数学抽象能力。

摩杰斯选择了一条更难但更正确的路：用小模型做交互，用数学求解器做决策。这不仅解决了“幻觉”问题，更将外协、物流等复杂变量纳入了全局最优解的计算范畴。

作者：昆山摩杰斯技术团队 | 标签：#APS #运筹优化 #OR-Tools #LLM #工业4.0 #混合整数规划