智能排产Agent的决策逻辑

智能排产Agent的决策逻辑，本质上是把“订单-物料-设备-人员-交期”这五个变量的动态博弈，从人工经验判断变成可解释、可追溯的实时计算过程。

一、为什么排产这件事，传统APS和Excel都搞不定

很多工厂的计划员都有类似体验：ERP里导出的订单列表看着清楚，真到排产就抓瞎。插单来了怎么办？某台注塑机突然故障，后面三天计划全乱。不少企业上过APS高级排程系统，结果发现它更像一个“一次性计算器”——算一次要几十分钟，算完现场已经变了。

业内常见的困境是：排产不是算力问题，是决策频率问题。订单在变、设备状态在变、物料到货在变，一天变几十次，传统系统跟不上这个节奏。智能排产Agent要解决的，就是让排产从“一天一算”变成“随时响应”。

二、智能排产Agent到底是什么

可以把它理解为一个驻留在制造执行层的决策代理。它和APS的区别在于：APS是工具，Agent是角色。工具等人来用，角色主动感知环境、做出判断、给出建议甚至直接执行。

具体来说，智能排产Agent通常具备三个特征。第一，它是事件驱动的，设备停机、物料延迟、新订单插入都会触发重新决策。第二，它具备约束推理能力，能同时考虑换型时间、设备产能、交期优先级、人员技能矩阵。第三，它的决策过程是可解释的，计划员能看到“为什么把这单排到这条线”，而不是只给一个结果。

三、决策逻辑的核心：从约束求解到多目标权衡

排产Agent的底层决策逻辑，可以拆成四层。

感知层负责采集实时数据：设备OEE、在制品位置、物料库存、人员到岗情况。这一层的关键是数据颗粒度，如果设备状态还是靠人工报工，Agent的决策质量会大打折扣。

建模层把排产问题转化为约束满足问题。硬约束包括设备可用时间、工艺路线顺序、物料齐套性；软约束包括换型次数最少、交期满足率最高、在制品库存最低。这里有个关键点：多目标之间往往冲突，Agent需要根据当前场景动态调整权重。比如月底冲交付时，交期权重调高；平时则优先考虑换型优化。

求解层是计算引擎。传统APS用启发式规则或线性规划，智能排产Agent更多采用强化学习加约束传播的混合策略。好处是能在秒级给出可行解，而不是追求理论最优解——排产场景里，及时可用的次优解比迟到的最优解有价值得多。

执行层把决策结果推送给MES或人工确认。这里有个设计细节：Agent是给出“建议排程”还是直接“下发排程”，取决于企业的管理成熟度。多数工厂会先经过人工确认环节，逐步建立信任。

四、三个典型应用场景

假设一家电子厂，SMT贴片车间有12条线，每天面临几十个工单的换线排产。换型时间从20分钟到90分钟不等，取决于产品相似度。智能排产Agent的做法是：在订单池中识别可合并生产的工单组，按换型矩阵聚类，把相似工艺的产品排在一起。当某个工单的物料未齐套时，Agent自动用备用工单填补空档，而不是让产线空等。

假设一家汽配企业，注塑车间有大型压机，模具切换成本极高。排产Agent的决策逻辑会偏向“合并批次”，哪怕牺牲部分交期，也要减少换模次数。同时它要监控模具寿命，在模具接近保养阈值时提前调整排程。这类场景里，Agent的价值不在于算得多快，而在于它记得住每套模具的剩余寿命和每个产品的工艺相似度。

再假设一家装备制造企业，属于项目型生产，每台设备都是定制化。排产Agent在这里的角色更像“瓶颈资源调度器”。它重点跟踪龙门铣、落地镗这类关键设备的排队情况，根据项目交期倒排工序。当某台关键设备出现故障时，Agent会模拟“外协还是等待”两种方案对总交期的影响，给出量化对比。

五、落地建议：先窄后宽，先辅后主

如果企业考虑引入智能排产Agent，有几个实操层面的建议。

第一，不要一上来就做全厂排产。选一个瓶颈车间或一条产线做试点，数据基础好、边界清晰。全厂排产涉及的变量太多，初期容易失控。

第二，先做“建议型Agent”再做“执行型Agent”。让计划员看到Agent的推荐逻辑，对比自己的判断，逐步校准。业内经验是，当Agent的建议采纳率稳定在80%以上时，再考虑自动下发。

第三，数据质量比算法更重要。设备状态如果靠人工每两小时报一次，Agent的决策就是滞后的。至少要打通设备PLC信号和MES报工，让Agent看到秒级状态。

第四，保留人工干预入口。排产是管理行为，不是纯计算问题。计划员需要能拖拽调整、锁定工单、设置优先级。Agent的角色是副驾驶，不是自动驾驶。

六、趋势：从排产Agent到制造决策网络

往后看两三年，智能排产Agent会往三个方向走。

一是多Agent协同。排产Agent和物料Agent、设备维护Agent、质量Agent之间会形成协商机制。比如排产Agent想把某工单排到某设备，维护Agent提示该设备后天需要保养，两者自动协商出替代方案。

二是从排产延伸到“排产-排程-排班”一体化。目前很多工厂这三件事是分开做的，计划员排产、调度员排程、车间排班。Agent有机会把三层决策统一到一个时间轴上。

三是可解释性会成为标配。制造场景里，计划员不信任“黑箱”给出的排程。未来Agent需要能回答“为什么这单排在后面”“如果换一种排法交期会怎样”这类问题，用反事实推理建立信任。

对于制造业来说，智能排产Agent不是要替代计划员的经验，而是把经验从重复计算中解放出来。那些真正需要人判断的异常、协商、取舍，才是计划员该花时间的地方。