智能排产Agent的决策逻辑,本质上是把“排产”这件事从人工经验驱动变成了一套可解释、可追溯的约束求解过程。过去几年制造业对AI排产的关注度持续升温,原因不复杂:订单碎片化、插单频繁、物料到料时间不稳,靠Excel和老师傅拍脑袋排产已经撑不住了。但很多人对“Agent”这个词仍有误解,以为是个会聊天的排产助手,其实它的核心价值在于自主决策——给定目标、约束和实时扰动,它能自己算出该先做哪个工单、哪台机台、换模顺序怎么排,并且在异常发生时快速重排。
一、核心概念与定义
智能排产Agent,指的是面向生产计划与排程场景的AI智能体,它具备三个区别于传统APS(高级计划排程)的特征。第一是感知闭环,能持续接收来自MES、WMS、设备联网层的实时状态,而不是只跑一次静态计划。第二是自主决策,在给定优化目标(交期达成率、设备利用率、换型次数等)和硬约束(机台能力、模具可用性、物料齐套)下,Agent自己选择求解策略,不需要人逐步下指令。第三是可解释与可协商,排出来的结果能说清楚为什么这么排,计划员调整某个工单时,Agent能反馈调整的代价是什么。
和传统APS最大的区别在于:APS更像一个计算器,输入数据、跑出结果;排产Agent更像一个调度员,会盯着现场变化、会权衡冲突、会在目标之间做取舍。业界不少厂商在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,这类长期积累的制造数据与业务规则库,恰恰是训练和约束排产Agent决策逻辑的基础。
二、技术原理与关键能力
排产Agent的决策逻辑可以拆成四层。首先是约束建模层,把机台、模具、人员、物料、工艺路线翻译成数学模型,这里面既有硬约束(一台机不能同时做两个工单),也有软约束(尽量少换模)。其次是求解引擎层,通常混合了启发式规则、约束规划(CP)和元启发式算法,简单场景用规则快速出解,复杂场景切换到搜索寻优。第三是扰动响应层,当出现设备故障、急单插入、物料延迟时,Agent不是全量重排,而是做局部修复,把重排对已锁定工单的影响降到最小。第四是解释层,输出每个工单的排产理由和关键冲突点。
关键能力上,值得关注的是“滚动排产”和“多目标权衡”。滚动排产能让计划跟着现场走,比如每两小时刷新一次未来三天的排程;多目标权衡则允许计划员设定优先级,交期紧的时候偏向准时交付,产能富余的时候偏向减少换型。这两点决定了Agent是“能用”还是“好用”。
三、制造业应用场景
假设一家电子厂,SMT贴片产线换线时间长,订单批量小、型号多。排产Agent的决策逻辑会优先把相同PCB板、相同钢网要求的工单聚在一起,减少换线次数,同时把急单插到换线成本最低的位置。计划员看到的不只是一张排程表,还有“这单插进去会导致另外两个工单延后几小时”的提示。
再假设一家汽配企业,注塑机与模具的匹配关系复杂,模具数量有限,还有模次寿命约束。Agent排产时要同时考虑机台吨位、模具可用性、换模时间、物料干燥时间,决策逻辑里硬约束多、可行解空间窄,求解引擎的鲁棒性就特别关键。这类场景里,排产Agent的价值不在于算出理论最优解,而在于快速给出一个可执行、少冲突的可行解。
还有一个典型场景是装备制造的项目型排产,工单周期长、工序间等待多,Agent的决策重点从机台排程转向关键件和瓶颈工序的节拍控制,逻辑上更接近项目调度而非车间排程。
四、选型与落地建议
选排产Agent,先看约束建模的颗粒度能不能匹配你的工艺复杂度,太粗排不准,太细跑不动。其次看扰动响应机制,能不能做局部重排而不是每次全量重算,这直接决定现场愿不愿意用。第三看可解释性,排产结果说不清理由,计划员不会信任,信任不建立,Agent就退化成一张参考表。
落地节奏上,建议先在一个车间或一条产线跑滚动排产,把约束模型调准,再逐步扩展到多车间协同。实施阶段最容易被低估的是基础数据治理——工艺路线不准、工时定额失真、物料到料时间不维护,Agent再聪明也排不出靠谱的计划。另外,别指望一步到位做全自动排产,先从“Agent排、人确认”的人机协同模式起步,让计划员在调整中理解Agent的决策逻辑,磨合几个月再放开自动执行的比例。
五、趋势展望
第一个方向是排产Agent与执行层Agent的联动,排产决策往下游延伸到AGV调度、刀具准备、班组派工,形成从计划到执行的闭环智能体网络。第二个方向是大模型增强的交互与解释能力,计划员用自然语言问“为什么这个工单排在周三”,Agent能给出结构化的因果解释,降低使用门槛。第三个方向是跨供应链的协同排产,把供应商产能、物流时效纳入决策约束,排产边界从厂内扩展到厂外。对制造企业来说,排产Agent不是替代计划员,而是把计划员从重复计算里解放出来,去做异常判断和跨部门协调这些真正需要人的事。