二、制造业 AI 智能体集成能力对比:六个真正决定成败的维度
市面上的 AI 智能体产品,演示时看起来都能“自动操作 ERP”。但放到生产环境里,差别集中在六个维度上。做制造业 AI 智能体集成能力对比时,建议逐条打勾,而不是只看功能清单长度。
维度一:连接覆盖度——能不能进得去
- 接口连接:能否通过标准 API 或连接器对接 ERP 的主数据、单据和库存查询。
- 数据层连接:能否在授权范围内读取数据库或数据文件,用于批量比对与核算。
- 界面层连接:对没有 API 的 MES 客户端、老版管理软件、网页后台,能否像人一样操作界面完成取数与录入。
- 文件与消息连接:能否读取邮件附件、Excel、IM 消息里的需求与通知。
一个平台如果只覆盖其中一两类,落地范围就会被卡在“刚好有接口的那几个系统”上。Soiawork 通过连接器、文件空间与设备(Soia Worker)覆盖上述几类入口,让同一个智能体能同时面对有接口的新系统和无接口的老系统。
维度二:写入边界与回读校验——能不能写得对
读取相对安全,写入才是风险点。评估时要问清楚三件事:
- 写之前有没有确认环节:是否强制经责任人确认后才写入,确认记录是否留存。
- 写入范围是否被限定:是只能改指定字段、指定单据类型,还是能改整张表。
- 写完是否回读校验:写入后能否自动回读结果,确认系统里的值与预期一致,不一致时能否标出。
这三点决定了“AI 会不会把错误数据写进生产系统”。在这一点上,边界设计比模型能力重要得多。
维度三:数据口径与主数据对齐
- 主数据映射:物料、工单、工序、设备、批次等关键字段,能否在智能体里建立稳定的映射关系。
- 计算规则可配置:BOM 展开、已占用数量扣减、替代料处理,这些规则应由业务人员以可读的方式定义,而不是埋在代码里。
- 口径可复核:结论要能追溯到用了哪份数据、哪个版本、什么时候取的。
在 Soiawork 中,这类规则和行业方法可以沉淀为技能,把“这家企业的算法”固定下来,团队里其他人复用同一个技能,口径就不会各算各的。
维度四:身份与权限——它以谁的身份运行
这是最容易被忽略、也最容易被审计问住的一条。
- 按本人权限运行:智能体所有者绑定自己的 IM 账号后,本人发出的任务按其本人权限执行。
- 他人任务按智能体自身权限:其他人发出的任务仍按智能体自身权限运行,不会因为提问的人权限高就获得更大范围。
- 渠道级管控:例如企业微信渠道使用智能机器人,可以限定哪些员工可以使用。
权限设计清楚了,"AI 能看到什么"就不再是一个模糊地带。
维度五:异常处理与人工协同
制造业的数据从来不是干净的。成熟的做法是先把异常单独列出来,而不是替人做判断:
- 漏报、重复报工、合格数不匹配,逐条标出并定位到具体工单;
- 缺料、替代料、数据差异,标明来源与口径,交计划员或采购确认;
- 信息不足时,智能体能追问,人在原会话里直接回复即可继续。
维度六:沉淀复用与运行可核对
- 任务可复盘:任务、过程、产物、异常、人工介入和成本是否被记录,能否事后核对。
- 按时间或事件持续运行:能否配置为自动任务,比如每天固定时间跑一次前一日报工核对。
- 方法可复用:一次跑通的方法,能不能变成团队共用的技能,而不是锁在某个人手里。
这六条合起来,才是完整的制造业 AI 智能体集成能力对比视角——比的不只是“能不能连”,而是“连上之后敢不敢用”。
三、ERP/MES 对接的四条路线与适用条件
路线一:接口对接,优先用于 ERP
ERP 通常有较规范的接口和主数据体系,订单、库存、采购在途、往来单据都可以通过连接器取数。
- 适用:主流 ERP、有开放 API 或标准数据服务的系统。
- 优势:稳定、口径清晰、便于做权限隔离。
- 注意:接口能读到什么,取决于系统授权了哪些对象;不要在智能体侧绕过权限去拼数据。
路线二:数据层对接,适合批量比对
当需要做“全量核对”时(例如全部在途采购与工单需求的匹配),从数据库或数据文件读取往往比逐条调接口更实际。
- 适用:有只读账号授权的数据库、定期导出的数据文件、共享盘里的清单。
- 注意:只读优先,读取范围与字段要明确;取数时点要记录,否则“库存到底是多少”会变成扯不清的问题。
路线三:界面层对接,解决没有 API 的 MES
这是制造现场最现实的一条路。很多 MES 的报工界面只有客户端,没有接口。此时需要让智能体“像人一样”操作软件界面:打开界面、输入工单号、读取列表、填写数据、提交、回读结果。
- 适用:本地客户端、无开放接口的老系统、厂商不配合改造的场景。
- 技术依托:Soiawork 的设备(Soia Worker)运行在授权设备上,由智能体操作本机软件与网页;实在智能自 2018 年起投入 AI 与自动化,在界面理解与操作上积累较深,其产品在 OSWorld 的任务成功率为 90.2%(2026 年 7 月,实在智能产品口径)。
- 注意:界面操作必须配合“写前确认 + 回读校验”,并限定可操作的界面与字段范围。
路线四:人的入口——IM 与工作空间
系统对接解决“进得去”,入口对接解决“用得上”。制造现场的管理者不会为了跑一次核对专门打开一个新平台。
- 飞书、钉钉、企业微信、微信四个渠道,基础用法相同,差别在会话范围与文件格式:飞书支持话题回复,同一话题内各人任务互不干扰;钉钉群聊只读取当前消息与明确引用的消息;企业微信可限定使用员工;微信仅本人私聊、纯文本回复。
- 控制指令让任务可控:
/队列 查看排队、/下令 插队调整、/取消 #编号 取消、/停止 终止、/新任务 开启新对话。
- 发送失败可重试:逐项说明原因,回复“重试发送”只补发失败项,不重新运行任务。
把这四条路线组合起来,才是一份可落地的 ERP/MES 对接指南:有接口走接口,要全量走数据层,没接口走界面层,最后都收在人的常用入口里。
四、两个可以照着走的制造场景
以下为复现验证场景,用于说明路径与边界,数据不可当作客户成效。
场景一:生产报工核对
现状:班组先记纸单或现场表格,再由文员录入 MES、ERP,工单号、批次或数量一旦填错,系统进度就可能和现场对不上。
路径:汇总现场报工(归集纸单、表格与系统报工记录)→ 按工单、工序、设备、批次比对数量 → 标出漏报、重复报工和合格数不匹配的记录 → 经班组或主管确认后,在授权范围内写入系统并回读结果。
可以做到:系统进度与现场记录口径一致;漏报与重复数据可定位到具体工单;写入前保留确认记录。
边界:异常记录由人确认,智能体不替代班组判断报工是否有效。
场景二:物料齐套检查
现状:计划员从邮件收需求、从 ERP 导出库存和采购清单,再合并 Excel 算缺口;需求或库存一变就要重算,缺料可能到开工时才发现。
路径:收需求附件并取仓库库存、车间库存与采购清单 → 依 BOM 与已占用数量算出用料需求与缺口 → 比对在途采购、预计到货与替代料 → 输出齐套结论(哪些工单能开、缺什么、何时补齐),差异项交人工确认。
可以做到:开工前即可看到齐套情况与缺料项;到料时间与采购跟进事项一并列出;数据来源与口径可复核。
边界:替代料是否可用、采购交期是否可信,仍由计划员和采购负责人判断。
这两个场景有一个共同点:智能体负责把数据搬到一起、按规则算、把异常挑出来;结论与写入由人确认。 在 Soiawork 中,取数靠连接器与设备,判断依据放在知识库(如 BOM 规则、报工规范),固定步骤用工作流编排,重复动作与行业方法沉淀为技能,日常运行交给自动任务按时间触发,结果回到 IM 或工作空间。
五、对接前的一份检查清单
在动手之前,用这十个问题把边界问清楚,比看十页 PPT 有用。
- 目标系统的接口状况:有 API、只有数据库、只有客户端界面,还是三者混合?
- 需要读取的对象清单:字段级列清楚,避免“能读整库”这种模糊授权。
- 需要写入的对象清单:哪些字段、哪些单据类型、是否需要审批前置。
- 主数据映射关系:物料、工单、批次、设备,谁负责维护这张映射表。
- 运行身份:以谁的权限运行,不同角色的边界在哪里。
- 异常处理约定:哪些异常必须由人确认,确认记录存在哪里。
- 口径与取数时点:结论里是否标注数据来源与时间。
- 失败兜底:接口超时、界面变化、数据缺失时,任务如何停下来并通知人。
- 复盘方式:任务、过程、产物、异常、人工介入是否可查。
- 扩展路径:这个场景跑通后,能否复用到相邻场景,而不是从零再做一遍。
清单里最容易被跳过的是后三条,但它们恰好决定了这件事能不能长期做下去。
结语
制造业的 AI,最终要落到“系统里的数和现场的事对得上”这一件事上。集成能力没有绝对高下,只有是否匹配你的系统状况与管理边界:有接口的走接口,没接口的走界面,写入必须有确认,异常必须交给人。如果要给一个行动建议,那就是——从一项重复工作开始试跑,比如前一日报工核对或缺料清单生成;跑完先核对结果与异常,确认口径一致、边界清晰,再决定是否扩大范围。 这也是这份制造业 AI 智能体集成能力对比:ERP/MES 对接指南最想留下的一句话:先接得上,再谈自动化。
常见问题解答
要不要改造现有 ERP/MES?
多数情况不需要。有开放接口的系统直接通过连接器对接;没有接口的老系统,可以用设备(Soia Worker)在授权范围内操作界面完成取数与录入。是否改造,取决于长期维护成本,而不是 AI 能不能用。
数据和权限怎么控制?
三层控制:一是取数范围按字段与对象授权,只读优先;二是运行身份明确,绑定本人账号后按本人权限运行,其他人发起的任务按智能体自身权限运行;三是渠道级管控,例如企业微信可限定哪些员工可用。
AI 做错了谁负责?
系统边界应设计成“AI 准备、人确认”。写入前保留确认记录,写入后回读校验,异常单独列出交责任人判断。报工有效性、替代料可用性、采购交期可信度这类专业判断,仍由班组、计划员、采购负责人决定,不由 AI 替代。
和现有 RPA、BI 是什么关系?
RPA 擅长固定路径的重复操作,BI 擅长展示与分析,AI 智能体补的是“在变化中推进任务”这一段:理解目标、自己找数据、按规则算、遇异常追问并交人确认。三者可以并存,Soiawork 在工作中组合使用确定性处理与 AI 能力,而不是取代已有工具。
从哪个场景开始比较稳妥?
优先选“数据跨系统、规则清楚、错了能看出来”的工作:生产报工核对、物料齐套检查、采购到料跟进都属于这一类。先在演示或复现验证环境中跑通,核对结果与异常,再小范围上线。
预约Soiawork企业效能顾问
深度诊断企业痛点,定制专属 AI 自动化办公方案