制造执行Agent调度工单,本质上是把过去靠人工排产、电话催办、Excel跟单的那套流程,交给一个能感知产线状态、会做判断、还能自己发起动作的软件智能体来接管。这两年制造业对AI Agent的关注度明显升温,原因不复杂——ERP管住了订单和物料,但车间现场那几百上千张工单怎么排、怎么插单、怎么在设备突然故障时重新分配,仍然高度依赖计划员的经验。制造执行Agent要解决的正是这段"最后一公里"的调度难题。
一、核心概念与定义
制造执行Agent是运行在制造执行系统层面的一种智能体软件。它不等同于传统的MES排产模块,区别在于主动性。传统MES的排产逻辑是"人设定规则、系统算结果",规则变了要重新配置。制造执行Agent则具备目标理解、环境感知和动作决策能力,能在工单执行过程中持续观察设备状态、物料齐套情况、人员到岗情况,发现偏差后自主调整工单顺序或触发异常处理流程。
放到工单调度这个场景里,它的角色类似一个不知疲倦的调度员。接收到ERP下达的生产订单后,Agent把订单拆解为工序级工单,结合工艺路线、设备能力、模具治具可用性、物料到位时间等约束条件,生成可执行的工单序列。执行过程中如果某台设备报障,Agent能判断受影响工单的优先级,决定是转机台、拆批量还是延后,并把调整结果同步回上游系统。
二、技术原理与关键能力
制造执行Agent的工单调度能力建立在几个技术组件之上。
感知层负责实时采集数据。设备联网采集运行状态和加工节拍,仓储系统提供物料齐套信息,报工终端反馈工序进度。Agent通过这些输入构建车间当前状态的动态画像,而不是依赖前一天晚上跑出来的静态排产表。
决策层是Agent的核心。常见做法是规则引擎与优化算法结合,再叠加一层基于大模型的推理能力。规则引擎处理硬约束,比如某道工序必须在特定设备上完成、某些产品必须连续生产。优化算法在约束空间内寻找交期满足率与设备利用率之间的平衡点。大模型则用于处理非结构化信息,比如当车间主任用自然语言说"这批急单先做",Agent能理解意图并转化为调度动作。
执行层负责把决策落地。Agent生成调整后的工单指令,下发给机台终端或班组看板,同时更新工单状态。遇到需要人工确认的环节,比如插单影响面较大时,Agent会发起审批请求而不是擅自执行。
技术指标上,业界通常关注几个维度:工单交期满足率、设备换型次数、异常响应时间、排产计算耗时。制造执行Agent的价值不在于单次排产算得多优,而在于面对扰动时的重调度速度和连续性。
部署方式上,制造执行Agent一般以软件模块形式嵌入现有MES架构,也可以作为独立服务层部署,通过接口与ERP、WMS、SCADA等系统对接。对已经运行MES的工厂,增量部署是主流选择。
三、制造业应用场景
假设一家电子厂做多品种小批量PCBA加工,每天有上百张工单在SMT和组装段流转。过去计划员每天早上花两小时排产,遇到贴片机换料频繁、某颗物料晚到,排好的顺序下午就乱了。制造执行Agent接管后,物料未齐套的工单自动挂起,齐套工单按交期和换型成本排序,贴片机换料次数明显下降。当某条线体出现品质异常停线,Agent在几分钟内把后续工单重新分配到其他线体,并同步通知仓库调整备料节奏。
再假设一家汽配企业做机加工,设备数量多、工序链条长,热处理环节是瓶颈。制造执行Agent会围绕热处理炉的容量做前序工序的拉动式排产,确保炉子不空转也不堵料。当某台CNC故障,Agent评估受影响工单是否可以在其他同类型设备上加工,如果工艺不允许,就调整后续工单顺序把损失降到最小。这类场景里,Agent的价值体现在对瓶颈资源的持续保护和异常时的快速再平衡。
还有一个典型场景是食品或日化行业的灌装包装线。这类产线换型清洗时间长,工单排序直接影响有效产出。制造执行Agent把换型时间矩阵纳入调度模型,把颜色、配方相近的工单排在一起,减少清洗次数。同时结合物料效期约束,优先消耗临近效期的原料批次。
四、选型与实施落地建议
选制造执行Agent方案,先看它跟现有系统的咬合度。工单调度不是孤立功能,它需要ERP的订单数据、WMS的库存数据、设备层的状态数据。如果Agent厂商只能提供算法模块,对接全靠甲方自己开发,落地周期会拉得很长。优先考虑在制造执行领域有长期积累的厂商,从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的这类厂商,在系统集成和现场理解上通常更扎实。
实施节奏上,不建议一上来就追求全自动无人调度。比较稳妥的路径是先让Agent做推荐、人来确认,跑一段时间积累信任后再逐步放开自动执行的范围。先从单一产线或单一工序段试点,验证调度逻辑跟实际生产节拍的匹配度,再横向推广。
数据质量是绕不开的前提。设备联网率不够、报工不及时、物料库存不准,Agent再聪明也调度不好。上线前把基础数据治理做到位,比选一个算法多先进的Agent更重要。
另外要关注Agent的可解释性。调度结果出来之后,计划员需要知道为什么这张工单排前面、那张排后面。如果Agent是个黑箱,现场人员不会信任它,用不了多久就会退回人工排产。选型时要求厂商提供调度决策的依据展示,这是实用性的硬指标。
五、趋势展望
第一个方向是Agent之间的协同。未来车间里可能不只有一个制造执行Agent,质量Agent、设备维护Agent、能耗Agent各管一摊,工单调度需要跨Agent协商。比如维护Agent判断某台设备需要提前保养,调度Agent就要评估保养窗口对工单交付的影响,双方协商出一个折中方案。
第二个方向是大模型让调度交互变得更自然。计划员不用再填一堆参数表单,直接说"下周有客户审厂,这批单子往前赶",Agent理解意图后给出调整方案和影响评估。交互门槛降下来,Agent的使用深度才会上去。
第三个方向是调度范围从车间内向供应链延伸。工单调度不再只盯着设备和人,而是把供应商交期、物流在途信息纳入决策视野,在物料到达之前就预判风险并调整工单顺序。制造执行Agent会逐渐成为连接计划层与执行层、甚至外延到供应端的智能调度中枢。