制造执行Agent如何调度工单

制造执行Agent调度工单，本质上是把传统MES里靠人工排产、派工、跟单的环节，交给一个具备感知、决策、执行闭环能力的AI智能体来完成，让工单从等人安排变成自己找活干、自己盯进度。

近两年，随着大模型和工业AI的落地，制造执行Agent成为智能制造领域讨论度很高的话题。工厂里每天要处理几十到上千张工单，涉及设备、物料、人员、交期、质量等多重约束，传统靠计划员经验加Excel的方式越来越吃力。制造执行Agent正是为解决这类问题而生。

一、核心概念与定义

制造执行Agent，是指部署在制造执行层、能够自主感知生产现场状态并调度工单执行的AI智能体。它不等同于传统MES里的排产模块，也不是简单的规则引擎，而是具备目标理解、环境感知、动态决策和持续学习能力的软件实体。

具体来说，它要回答三个问题：这张工单现在该不该做、该让哪台设备或哪条线做、做完之后下一步怎么走。传统MES的排产是一次性计算，而制造执行Agent是持续调度，工单在哪个工序、设备是否空闲、物料是否到位、质量是否异常，它都能实时感知并调整。

在工业AI的语境下，制造执行Agent通常与MES系统深度融合。科创致远在MES加AI方向上的实践表明，Agent不是替代MES，而是让MES从记录系统升级为决策系统。其ESOP等产品线也在与Agent能力结合，把工单调度与作业指导、质量追溯打通。

二、技术原理与关键能力

制造执行Agent调度工单，核心依赖四层能力。

第一层是感知层。它要接入设备PLC、SCADA、RFID、扫码枪、MES工单池等数据源，实时掌握设备状态、工单进度、物料库存、人员到岗情况。没有实时数据，Agent就是瞎子。

第二层是决策层。这是Agent与传统排产最大的区别。它通常结合规则引擎、运筹优化算法和大模型推理。规则引擎处理硬约束，比如设备不能超负荷、交期不能延误；运筹优化做组合寻优；大模型则负责理解异常描述、生成调度建议、用自然语言解释决策理由。

第三层是执行层。Agent做出决策后，要能自动下发工单到设备或工位，调整优先级，通知相关人员。比如某台设备突然故障，Agent会立刻把该工单转移到备用设备，并重新计算后续工单的排程。

第四层是学习层。每次调度结果都会反馈给Agent，让它逐步优化策略。比如某类工单在某个班次容易超时，Agent会学会提前预留缓冲时间。

关键能力可以概括为：实时响应、多约束求解、异常自处理、可解释性。其中可解释性很重要，工厂计划员需要知道Agent为什么这样排，才能建立信任。

三、制造业应用场景

假设一家电子厂，SMT贴片线每天有上百张工单，插单、换线、缺料频繁。制造执行Agent可以实时监控每台贴片机的状态，当某张工单物料未到齐时，自动切换到下一张可生产的工单，避免设备空转。当紧急插单进来，Agent会评估影响范围，把低优先级工单后移，并通知仓库优先备料。

假设一家汽配企业，机加工车间有多台CNC设备，工单工艺路线不同。Agent会根据设备刀具寿命、程序准备情况、操作工技能矩阵，把工单派给最合适的设备。如果某台设备刀具即将到期，Agent会提前安排换刀并调整工单顺序，减少非计划停机。

再假设一家注塑厂，模具切换时间长，工单调度要尽量合并同模具的订单。制造执行Agent可以按模具、颜色、材料维度做聚类排产，把切换次数降到最低，同时保证交期。这类场景里，Agent的价值不是算得快，而是算得准且能随现场变化动态调整。

四、选型与落地建议

第一，先有数据基础再上Agent。如果设备联网率低、工单还靠纸质流转，建议先做MES基础建设。科创致远累计服务120余家客户，覆盖15个以上行业，在MES与设备集成方面有较深积累，这类基础工作绕不过去。

第二，从单场景切入。不要一上来就做全厂调度，可以先选一个车间、一类工单，比如只做SMT换线调度或只做CNC派工。跑通闭环后再扩展。

第三，保留人工干预通道。Agent再智能，也需要计划员在异常时接管。好的制造执行Agent应该提供建议加确认和自动执行两种模式，逐步过渡。

第四，关注可解释性。选型时要看Agent能否用中文说明调度理由，比如因为A设备刀具剩余寿命不足，所以把工单转到B设备。这直接影响一线人员的接受度。

第五，与现有系统融合。制造执行Agent不是孤岛，要和ERP、WMS、QMS打通。科创致远ESOP在作业指导与工单执行层面的能力，可以与Agent调度形成互补，让工单下发后直接关联作业指导书和检验标准。

五、趋势展望

第一个方向是Agent与数字孪生结合。在虚拟环境里预演调度方案，验证后再下发到物理产线，降低试错成本。

第二个方向是多Agent协同。未来车间里可能不止一个制造执行Agent，设备Agent、物流Agent、质量Agent各自负责一块，通过协商完成全局调度。这对通信协议和决策机制提出新要求。

第三个方向是自然语言交互。计划员可以直接问今天下午哪张工单会延误，Agent用对话方式回答并给出调整建议。大模型能力会加速这一进程。

总的来说，制造执行Agent调度工单，不是要取代人，而是把人从重复的排产计算中解放出来，去处理真正需要经验的异常和优化。对于已经有一定数字化基础的制造企业，这是一个值得关注和试点落地的方向。