1、智能助手的定位与价值

1.1、业务流程中的功能定位

现代制造业的APS排程与执行标准流程

       在现代制造业的APS排程与执行标准流程中，智能排程与插单助手深度嵌入核心业务流，横跨第4、5、6步，扮演参谋、大脑与执行官的三重角色。

第4步与第5步之间：作为“决策参谋”

       计划员审核并下达正式生产订单（第4步）与APS系统执行高级排程（第5步）之间，智能助手承担“模拟与评估”职责。面对急单插单，它基于实时设备状态、物料齐套情况和历史排程数据，快速开展“假设分析”，即时反馈插单对现有订单的影响，辅助计划员科学决策。

第5步内部：作为“计算大脑”

       在APS系统高级排程环节（第5步），智能助手整合设备状态、物料、质量历史等数据，进行多维度智能计算。除考虑产能约束外，还结合质量风险、换线成本、人员技能等因素，生成更优、更柔性的排程方案。

第5步至第6步之间：作为“执行桥梁”

       排程方案生成后，智能助手通过自动化工具，直接将确认后的生产工单下发至MES系统（第6步），实现“计划”到“执行”的无缝衔接，避免人工操作误差，确保计划准确落地。

1.2、核心业务价值

       智能排程与插单助手的引入，本质是对传统计划模式的重构。其核心价值在于将计划员从繁琐的数据搬运和低效试错中解放，聚焦战略性决策，具体体现在以下三个维度：

决策模式跃迁：从“经验驱动”到“数据智能驱动”

       传统排程依赖经验“拍脑袋”，风险高。智能助手整合ERP、MES等多源数据，构建全局可视视图，瞬间模拟排程方案连锁反应，让决策有据可依，杜绝信息盲区误判。

响应速度质变：从“小时级”到“分钟级”敏捷交付

       传统APS排程耗时久，难应市场需求。智能助手凭借高效算法与并行计算，将排程压缩至分钟级，急单几分钟内即可给出准确交期，提升客户满意度与竞争力。

执行落地闭环：从“计划孤岛”到“端到端协同”

       传统流程计划与执行断层，人工操作易出错。智能助手打通全链路，实现“一键排程，自动下发”，消除误差，确保计划与执行一致，达成无缝协同。

2、智能助手的架构与实现

2.1、整体架构设计

       智能排程与插单助手的架构设计遵循“数据驱动、场景解耦、闭环协同”的核心原则。它不仅是算法的堆砌，更是对制造现场复杂约束的深度建模。本架构基于“5M1E”要素进行数字化重构，将生产资源映射为AI可理解的“感知-逻辑-行动”三层结构。

5M1E：人 (Man)、机 (Machine)、料 (Material)、法 (Method)、测 (Measurement)、环 (Environment)

2.2、基础设施构建

2.2.1、智能体创建

采用Coze云端智能体搭建。

若数据、业务敏感、涉密，可采用私有化部署方式：本地部署的 Dify + LLM（大语言模型）。

2.2.2、插件创建

主要为：资源感知工具、APS计算工具、业务执行工具、质量分析工具，这4类工具（API接口调用）。

资源感知工具

• 作用：负责实时抓取生产要素的状态（物料、设备、日历、物流）。

• 为什么创建：排程不能“瞎排”。必须先确认料够不够、机器坏没坏、是不是工作日、外购件何时到。这组工具解决了数据输入的问题，为排程提供真实依据。

APS计算工具

• 作用：核心算法引擎，负责产能仿真、有限排程运算和结果输出。

• 为什么创建：这是最核心的逻辑层。普通系统无法处理复杂的约束冲突（如插单冲突），需要这组工具进行复杂的数学运算和逻辑推演，给出最优解。

业务执行工具

• 作用：将计算好的计划落地（下发工单）并通知相关人员。

• 为什么创建：排程结果如果只是停留在屏幕上就没有价值。这组工具负责闭环落地，把虚拟的计划变成MES里的正式指令，并推送到人，驱动生产。

质量分析工具

• 作用：查询历史良率和异常案例。

• 为什么创建：排程不仅要“快”，还要“稳”。如果某台设备历史良率低，或者某种工艺常出问题，排程时应尽量规避。这组工具引入了质量维度的约束，避免盲目排产导致废品增加。

2.2.3、数据库创建

有两张数据表：user_preferences、aps_context_state。

user_preferences（用于存储用户排程策略偏好）

• 核心目的：赋予业务决策权。

• 为什么建：数学上的最优解不等于业务上的最优解。有的企业看重交期，有的看重成本。

• 作用：它像“导航偏好”（如“躲避拥堵”或“高速优先”），告诉AI在满足硬性约束的前提下，应该优先满足哪种业务目标（如：交期优先 > 换线最少）。

aps_context_state（用于存储当前的排程状态和临时数据）

• 核心目的：确保计算的一致性。

• 为什么建：排程计算耗时且复杂，如果直接读取实时变化的生产数据，计算过程中数据一旦变动（如设备突然故障），结果就会出错。

• 作用：它像一个“快照”或“存档”，把计算所需的所有数据锁定在这一刻，让AI在一个稳定、封闭的环境中推演，避免“边算边变”。

2.2.4、知识库创建

离散制造APS决策中枢包含：Resource_Aware.md、Technology_And_Quality.md、Environment_And_Energy.md、Supply_Chain_Collaboration.md、Business_Value.md，5个文件。

Resource_Aware.md

• 核心作用：硬性约束。

• 为什么建：解决“能不能做”的问题。

• 简述：明确设备能力（精度、吨位）和物理限制。防止系统把“高精度订单”派给“低精度机器”，或把“大模具”塞进“小机器”，确保计划物理上可行。

Technology_And_Quality.md

• 核心作用：工序逻辑。

• 为什么建：解决“怎么做”的问题。

• 简述：规定生产步骤（先粗后精）、换模时间和外协规则。防止出现“跳工序”生产，并精确计算准备时间，避免计划与实际工艺脱节。

Environment_And_Energy.md

• 核心作用：环境约束。

• 为什么建：解决“何时做更省/稳”的问题。

• 简述：引入电费峰谷、温湿度、缓存区空间等变量。让排程避开高电价时段（降成本）或高湿天气（保质量），实现绿色、低成本生产。

Supply_Chain_Collaboration.md

• 核心作用：外部协同。

• 为什么建：解决“物料齐套”的问题。

• 简述：关联供应商交期和客户优先级。确保“料不到不排产”（防停工待料），且“VIP客户优先排”（保交付），打通厂内外数据孤岛。

Business_Value.md

• 核心作用：优化目标。

• 为什么建：解决“什么是好计划”的问题。

• 简述：设定算账的逻辑（成本公式、KPI权重）。告诉系统是要“保交付”还是要“省成本”，让排程结果直接服务于企业经营目标。

2.3、核心工作流设计

Smart_Scheduling_Workflow：智能排程与插单的“中央处理器”

• 核心定义：连接数据、规则与执行的自动化逻辑编排引擎。

• 为什么要创建：为了解决单一工具无法处理复杂业务闭环的问题。它不仅负责计算，还承担了记忆存储、策略决策和异常处理的职责，确保系统既“聪明”又“稳健”。

核心作用与功能详解

1. 状态与偏好记忆（存储机制）

   • 作用：在工作流中设置数据节点，存储用户偏好（如侧重交期还是成本）和当前的排程状态（如锁定订单、临时调整数据）。

   • 价值：确保排程具有上下文连续性，让系统“记住”用户的习惯和当下的临时约束，而不是每次都从冷启动开始。

2. 策略动态调整（重试机制）

   • 作用：这是工作流最“聪明”的地方。当排程计算失败（如资源冲突、死锁）触发重试时，工作流会根据用户最初要求的排程语气/策略来判断如何重试。

     • 刚性策略：如果用户要求“必须满足交期”，重试时工作流会坚持核心约束，尝试调整次要资源或加班，绝不轻易妥协交期。

     • 柔性策略：如果用户要求“尽量优化”，重试时工作流可能会自动放宽非核心约束（如允许轻微延期），以换取排程方案的生成。

   • 价值：让系统的纠错过程也符合用户的业务意图，避免“死板重试”或“胡乱妥协”。

3. 全链路自动化编排（核心逻辑）

   • 作用：按顺序调用工具（感知环境 -> 读取知识库 -> 执行计算 -> 输出结果）。

   • 价值：将复杂操作封装为“一键式”服务，屏蔽后台复杂性，让用户专注于决策而非操作。

4. 临时数据管理（上下文管理）

   • 作用：在排程过程中，管理工作流的中间状态和临时数据（如计算过程中的临时排程表、冲突记录）。

   • 价值：保证计算过程的可追溯性，如果用户需要，可以随时查看“为什么排不进去”或“哪里发生了冲突”。

简述：工作流负责调度执行，将零散的工具和规则整合成自动化、标准化的生产力，并能根据用户策略智能重试。

2.4、人设与提示词

2.5、模型配置与参数设置

生成多样性

• 设置分析：设置为 0.2（低惩罚值，但非零）。

• 原因：追求稳定性与防死锁。

  • 为何不设为 0：绝对为 0 容易导致模型陷入“死循环”或复读机模式（无限重复同一句话）。

  • 为何设为 0.2：这个数值极低，既保留了排程术语（如“工序A”、“机床1”）的绝对一致性，避免因追求多样性而乱改专业名词；同时又给了模型一个微小的“刹车”，防止它在逻辑卡顿时无限重复废话，确保指令输出的健壮性。

输入及输出设置

• 设置分析：携带上下文轮数设为 6。

• 原因：满足多轮交互的逻辑闭环。

  • 排程往往不是一次完成的，通常需要经历“用户提需求 -> 系统反馈冲突 -> 用户调整偏好 -> 系统重试”的过程。

  • 保留 6 轮上下文，足以让模型覆盖完整的“冲突-调整”链路，记住用户刚才修改的约束条件，避免因“失忆”导致反复报错。

上下文管理

• 设置分析：缓存/存储 开启，时长设为 259200s（约 3 天）。

• 原因：实现长周期的状态记忆。

  • 排程业务通常具有持续性（如周一排程，周三可能需要微调）。

  • 开启长时存储是为了让工作流具备长期记忆，能够跨会话读取之前的排程状态、用户偏好和锁定数据，确保用户不需要每次重新输入背景信息。

深度思考

• 设置分析：开启，且程度设为 高。

• 原因：强制进行复杂逻辑推理。

  • 排程涉及资源冲突检测、优先级排序、时间窗计算等复杂逻辑，普通的快速回答容易产生逻辑漏洞。

  • 开启深度思考能强制模型在输出结果前进行链式推理（先思考约束，再计算排程），模拟人类的思维过程，从而大幅提高排程方案的可行性和准确率。

2.6、交互体验配置

2.6.1、开场白

2.6.2、用户问题建议

2.7、智能助手整体预览

3、智能助手调优与实战应用

3.1、参数调优与验证

3.1.1、模型参数调优

测试项：生成多样性

目标：确保术语严谨，防止复读机。      

• 执行动作：
  • 将滑块固定在 0.2（如截图所示）。
  • 压力测试：故意输入模糊指令（如“帮我排一下，随便排”），观察模型反应。
• 验证标准：
  • ✅ 通过：模型使用标准术语（如“工序A”、“机床1”）回复，没有生造词，且没有陷入“好的好的好的...”的循环。
  • ❌ 失败：模型开始胡言乱语（如把“机床”称为“铁盒子”），或者无限重复同一句话。

测试项：上下文记忆

目标：覆盖完整的“冲突-调整”链路。

• 执行动作：
  • 保持携带上下文轮数为 6。
  • 模拟多轮对话：
    1. 用户：“排一下订单A。”
    2. 助手：“冲突，机床1没空。”
    3. 用户：“那就延后。”
    4. 助手：“延后会影响订单B。”
    5. 用户：“不管订单B，先做A。”
    6. 用户：“对了，刚才说的订单A是哪个客户的？”
• 验证标准：
  • ✅ 通过：在第6轮，助手能准确回答订单A的客户信息（说明记忆未丢失）。
  • ❌ 失败：助手回答“请提供订单号”或忘记了之前的冲突背景。

测试项：深度思考

目标：强制逻辑推理，避免拍脑袋。

• 执行动作：
  • 保持深度思考开关为 开启，程度为 高。
  • 逻辑陷阱测试：输入一个明显违反物理约束的需求（例如：要求1小时内完成需要2小时工序的任务，且不允许多机并行）。
• 验证标准：
  • ✅ 通过：助手的“思考过程”中显示它计算了时间差，明确指出了“时间不足”的逻辑矛盾，并给出风险提示。
  • ❌ 失败：助手直接给出了一个不可能完成的排程表，或者只是简单回复“做不到”而没有分析原因。

3.1.2、基础连通性验证

• 测试内容：
  • 输入：“你好”。
  • 输入：“查一下 CNC-05 的负载”。
• 预期结果：
  • 助手能正确调用工作流工具。
  • 能正确解析截图左侧定义的变量（如 equipName）。
  • 回复格式整洁，没有代码乱码。

3.1.3、核心业务逻辑验证

场景A：正常排程

测试指令示例：MO-20260403-001 数量 100，要求 4 月 15 日完工；MO-20260403-002 数量 200，要求 4 月 18 日完工。请采用交期优先策略进行排程。

验证重点：策略一致性

预期输出特征：输出的排程表必须符合 final_strategy 定义的逻辑（如交期优先）。

场景B：紧急插单

测试指令示例：插入急单 MO-20260403-003，数量 50，要求 4 月 16 日完工。请采用交期优先策略重新排程。

验证重点：

• 冲突检测与调整：验证系统是否识别出新订单与原计划的时间/资源冲突，并自动调整旧订单时间。
• 急单优先性：验证 MO-20260403-003 是否被强制安排在 4 月 16 日前。

预期输出特征：

• 影响提示：回复中包含“检测到插单冲突，已自动推迟订单 MO-xxxx 至 x 月 x 日”的说明。
• 排程结果：MO-20260403-003 排在 4 月 16 日完工，受影响的旧订单（如 MO-20260403-002）完工时间顺延。

3.2、场景化操作指南

场景一：标准排程作业（含产线确认）

业务背景：计划员需要下达新计划，但系统需要明确具体的物理产线才能进行精确计算。
操作目标：完成订单信息录入，并响应系统的参数请求，生成基准计划。

1. 第一轮交互：下达订单指令

   • 操作：用户在对话框输入订单基础信息。
   • 示例话术：

     “MO-20260403-001 数量 100，要求 4 月 15 日完工；MO-20260403-002 数量 200，要求 4 月 18 日完工。请采用交期优先策略进行排程。”

2. 第二轮交互：响应系统追问（关键步骤）

   • 系统行为：系统识别到缺少产线ID，会暂停计算并反问。
   • 系统提示：“为了准确为您执行交期优先策略的排程计算，请提供目标产线 ID...”
   • 用户操作：用户需根据提示补充产线信息。
   • 示例话术：

     “产线 ID 是 01。”

3. 最终结果：查看排程表

   • 系统反馈：系统基于01的产能和日历，输出最终的排程表格。
   • 解读：确认MO-001和MO-002已按顺序排在01产线上，且满足交期要求。

场景二：紧急插单（计划调整）

业务背景：已有排好的计划正在执行，突然接到加急订单，需要强行插入。
操作目标：在保持上下文（已知产线）的情况下，快速插入急单并查看影响。

1. 操作话术示例

   • 说明：由于在场景一中已经告知了产线ID，此处直接发送急单即可，无需重复。
   • 示例话术：

     “插入急单 MO-20260403-003，数量 50，要求 4 月 16 日完工。请重新排程。”

2. 系统反馈解读

   • 冲突提示：系统会显示“⚠️ 插单预警”，指出为了插入MO-003，原计划中的MO-002将被推迟。
   • 新排程表：MO-003被强制安排在16日前，MO-002顺延。

3. 注意事项

   • 如果开启了新对话，系统会忘记产线ID，需要重新提供。
   • 插单后，建议检查被推迟订单的“最晚容忍时间”，防止违约。

4、总结与展望

4.1、核心价值回顾

       通过构建基于大模型的智能排程助手，实现了生产计划从“被动记录”向“主动决策”的跨越，其核心价值体现在以下四个维度：

交互变革：零门槛的自然语言交互

• 告别繁琐表单：打破了传统APS系统复杂的参数配置壁垒。计划员无需在层层菜单中查找，只需通过自然语言（如“插入急单”、“交期优先”）即可完成复杂指令下达。
• 智能意图识别：系统具备上下文理解能力，能够自动提取订单号、数量、交期等关键实体，将非结构化文本转化为结构化排程指令。

决策智能：动态冲突检测与自动平衡

• 即时影响分析：在面对“紧急插单”场景时，系统不再是简单的追加任务，而是能自动识别资源冲突。
• 全局最优解：通过算法实时计算，系统自动推演旧订单的顺延影响，并给出“交期优先”或“成本优先”的平衡方案，将原本需要数小时的调整工作压缩至秒级完成。

流程闭环：人机协作的引导式排程

• 缺失信息主动追问：针对排程必须的参数（如产线ID），系统具备主动反问能力（如截图所示），确保计算依据的准确性，避免了传统系统因参数缺失导致的报错或空跑。
• 透明化决策过程：系统不仅输出排程结果，还能解释调整原因（如“因插单冲突，已推迟MO-xxx”），增强了计划员对AI决策的信任度。

敏捷响应：大幅提升计划柔性与效率

• 应对不确定性：极大提升了工厂应对“插单、急单、设备故障”等突发状况的响应速度。
• 释放人力价值：将计划员从繁琐的Excel计算和机械调整中解放出来，使其能专注于更高价值的供应链协同与异常处理工作。

       不仅是一个排程工具，更是一位懂业务、会思考、能对话的AI计划专家，实现了生产调度从“数字化”向“智能化”的质的飞跃。

4.2、后续演进方向

       为了进一步巩固智能体在工业场景的落地价值，后续演进将围绕“体验升级”与“虚实融合”两大主线展开，旨在构建一个更精准、更高效、更具人文关怀且高度仿真的智能排程生态系统。

智能体能力的全面跃升：更准、更快、更懂你

• 更准确（Accuracy）：引入“工业机理+大模型”的双重校验机制。后续将把工厂的工艺约束、设备参数等机理模型植入智能体，使其在回答排程问题时，不仅符合逻辑，更符合物理世界的生产规律，杜绝“一本正经胡说八道”的幻觉，确保排程方案的工程可行性。
• 更高效（Efficiency）：从“单轮问答”进化为“多智能体协同”。未来将部署“架构师”、“执行者”、“质检员”等多个专家智能体并行工作，大幅缩短复杂排程任务的推理与计算时间，实现秒级响应与方案生成。
• 更人性化（Humanization）：具备“长期记忆”与“情感感知”。智能体将记住计划员的偏好（如特定的排程习惯、关注的指标），并能感知用户的焦虑情绪（如面对延期时的急躁），主动提供安抚性话术与建设性建议，从冷冰冰的工具转变为有温度的“认知伙伴”。
• 更方便（Convenience）：实现“伴随式”与“多模态”交互。打破对话框的限制，支持语音输入、截图识别等多种输入方式，并将智能体嵌入到ERP、MES等业务系统的每一个操作界面中，让用户在任何业务场景下都能“随叫随到”，无需切换系统。

数字孪生深度融合：搭建工厂产线集成与模拟预演

• 全要素产线集成：构建与物理工厂1:1映射的数字化产线。后续将打通底层PLC、SCADA等控制系统，实时同步设备状态、物料库存与人员技能数据，让智能体“看”到的工厂与现场完全一致，消除信息孤岛。
• What-if 模拟预演：打造“排程沙盒”。在下发正式指令前，智能体将在数字孪生体中进行高保真仿真运行。用户可以直观地看到：“如果插入这个急单，产线会不会堵塞？”、“如果设备故障，对交付有什么影响？”。
• 虚实闭环优化：建立“仿真-执行-反馈”的进化闭环。实际生产中的数据将实时回传至数字孪生体，修正仿真模型的精度，使智能体的预演能力随着生产天数的增加而越来越精准，真正实现“在虚拟中试错，在现实中避坑”。