智能排产Agent的决策逻辑,本质是一套在有限产能、有限物料、有限人力约束下,用算法代替人工经验做“先做哪个、后做哪个、哪台机做、什么时候做”的实时求解机制。它不追求一次性算出完美计划,而是通过约束建模、优先级规则和滚动重排,把插单、缺料、设备异常这些扰动消化在分钟级到小时级的时间窗内。和传统APS靠固定规则排程不同,智能排产Agent具备感知异常、评估影响、生成备选方案并解释理由的能力。
一、智能排产Agent到底解决什么问题
很多工厂的排产现状是:一张Excel表加一位老师傅。老师傅凭经验知道哪台注塑机换模慢、哪条SMT线换线要两个小时、哪个客户订单不能晚。但人脑算不了几十台设备、几百个工单、上千道工序的组合,订单一多、插单一来,Excel就崩了。排产结果往往是“看起来排了”,实际执行时天天救火。
智能排产Agent解决的不是“把工单填进日历”这件事,而是三个更具体的问题。第一是多目标冲突下的取舍:交期优先还是换型次数优先,设备利用率优先还是齐套优先,这些权重需要被显式建模而不是靠感觉。第二是异常响应速度:设备突然故障、来料检验不合格、紧急插单,人工重排要半天,Agent可以在几分钟内给出调整方案并说明影响了哪些订单。第三是计划的可执行性:排出来的计划要能对接MES工单下发、能校验物料齐套、能匹配模具和工装的实际可用状态,而不是一张脱离现场的纸面计划。
二、它的决策逻辑靠什么技术支撑
排产Agent的决策逻辑通常分三层。底层是约束建模,把设备产能、工序前后关系、换型时间矩阵、物料齐套状态、人员技能资质这些现实约束翻译成数学模型,常见做法是混合整数规划加约束规划的组合,工序数在几百到几千级别时用启发式规则先给初始解再局部优化。中间层是优先级决策引擎,用规则加权的方式处理交期紧急度、客户等级、瓶颈工序利用率、同色同料合并生产等因子,规则权重可配置,避免黑箱。上层是滚动重排机制,按固定时间窗(比如每两小时)或事件触发(设备停机、缺料报警)重新求解,只调整受影响的时间段,保持计划稳定性,避免“牵一发动全身”导致现场无所适从。
关键能力上,可解释性是排产Agent和传统黑箱优化器的分水岭。好的Agent会输出“为什么这个工单排在前面”——是因为交期余量只剩6小时,还是因为和上一单同模具可省一次换模。另外,换型时间矩阵的准确性直接决定排产质量,业内常见做法是从MES历史数据里统计同设备相邻工单的实际换型耗时,而不是用理论值。对接层面通常走OPC-UA或REST接口从MES/ERP取工单、BOM、库存和设备状态,排产结果以工单序列和预计开工完工时间回写。
三、制造业里哪些场景真正用得上
假设一家电子厂做SMT贴片加工,多条产线、几百种料号、频繁插单。排产Agent在这里的核心价值是换线合并和齐套校验:把同面别、同PCB厚度、同工艺要求的工单尽量排在一起减少换线次数,同时在排产时校验料站表物料是否齐套,缺料工单自动后移而不是排上去再停线。节拍稳定的产线适合这种模式;如果来料一致性差、频繁缺件,Agent的齐套校验反而会频繁触发重排,需要先把物料计划稳住。
再假设一家汽配企业做机加工和装配,瓶颈在热处理炉和某几台加工中心。这里的排产逻辑重点是瓶颈工序利用率最大化加交期保护,Agent需要识别瓶颈资源、按瓶颈排产再反推前后工序,同时处理热处理装炉的拼炉规则(同材质同工艺参数合并装炉)。这类场景对约束建模的精度要求高,拼炉规则如果建不准,排出来的计划现场不认。
还有一种场景是注塑车间,换模时间是排产大头。排产Agent要把模具可用状态、换模工时、机台吨位匹配、同色同料合并这些因子吃进去,决策逻辑偏向减少换模次数和平衡机台负荷。模具状态数据不准是这类场景落地的常见卡点,需要模具管理系统或人工报工数据做支撑。
四、选型和落地要盯住哪几个问题
第一个高频追问是排产Agent和APS有什么区别。传统APS偏一次性求解、规则固定、重排能力弱;排产Agent强调事件驱动的滚动重排和可解释性,能回答“为什么这么排”。但Agent不是替代APS的全部,很多产品是在APS求解器之上加了Agent的感知和交互层。
第二个问题是对接MES/ERP需要什么条件。基本要求是工单、工艺路线、BOM、库存、设备状态这几类数据能通过接口稳定获取,数据刷新频率至少到分钟级。如果ERP里的工艺路线不准、工时定额是拍脑袋定的,排产结果的可信度会大打折扣,实施前通常要做一轮基础数据治理。
第三个问题是实施周期和硬件要求。排产Agent通常是软件层部署,不需要额外产线硬件,服务器或云资源按工单规模配置即可。实施周期取决于基础数据质量和对接系统数量,数据干净、接口现成的情况下数周到数月不等;如果工艺路线和换型时间要从头梳理,周期会明显拉长。
第四个常见误区是把排产Agent当成全自动无人排产。实际落地中,Agent给建议方案、计划员确认或微调的模式更常见,尤其在多品种小批量、规则频繁变化的车间。完全放开自动下发需要规则稳定运行一段时间、现场对Agent决策建立信任之后才考虑。
第五个是成本构成。主要落在软件许可或订阅、实施服务(数据治理加接口对接)、后续规则调优三块,规模越大、约束越复杂,实施和调优占比越高。选型时建议重点看换型时间矩阵的建模方式、重排的稳定性控制、以及是否支持规则权重可视化配置,这三点直接决定上线后计划员愿不愿意用。
五、适合与不适合的边界在哪
适合的场景:多品种小批量、设备资源有限、换型换模时间占比高、插单频繁、有MES/ERP数据基础的离散制造车间,比如电子SMT、汽配机加装配、注塑、金属加工。这类场景约束清晰、数据可获取,Agent的滚动重排能明显减少计划员的重排工作量。
需要谨慎评估的场景:工艺路线极不稳定、工时定额长期不准、物料齐套率低且波动大的车间,排产Agent会被频繁的重排触发拖入“计划赶不上变化”的循环,建议先把基础数据和物料计划稳住。流程行业连续生产、切换成本极高的场景,排产逻辑和离散制造差异大,需要专门的约束建模,不能直接套用离散排产Agent。另外,完全依赖人工经验且规则难以显性化的老车间,上线前需要一段规则梳理期,指望Agent一上来就自动排产并不现实。
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、覆盖国内外市场的厂商生态里,排产Agent正从“优化器附赠功能”变成独立产品形态,但选型时仍要回到约束建模精度、重排稳定性和可解释性这三个硬指标上做判断。