首页行业百科制造业老系统 AI 改造:无 API 场景的智能体落地方法

制造业老系统 AI 改造:无 API 场景的智能体落地方法

2026-11-18 20:04:36

ERP 换过两代,MES 上线三年,可车间那套运行了十几年的生产登记系统还在用——它没有接口,只有界面。每到月末,计划员要先把工单从 ERP 导出,再一条条录入老系统的表单里;财务要在银行客户端、供应商网页后台和 Excel 之间来回切换,把同一笔数据录入三遍。系统越来越多,人却越来越像“人肉接口”。这正是很多制造企业在推进制造业老系统 AI 改造时最先遇到的障碍:模型并不缺,缺的是让 AI 安全走进那些没有 API 的界面。

本文不讲概念,只讲方法:无 API 的老系统能不能被智能体接管、能接管到什么程度、怎么保证每一步可核对、企业应该从哪一类任务开始试跑。文中涉及的能力与边界,以 Soiawork(中文名「树芽工作」)的企业级 AI 智能体平台实践为准。实在智能自 2018 年起投入 AI 与自动化,累计服务 6,000+ 企业客户;在这类“界面级”任务中,老系统数据搬运是最常见的起点之一。

制造业老系统 AI 改造:无 API 场景的智能体落地方法_图1

一、先看清堵点:问题不在 AI,在“没有入口”

制造业的数据分布在 ERP、MES、WMS、供应商系统、网页后台、桌面软件、文件和表格里。有接口的部分,过去十年已经被集成项目解决得差不多了;真正遗留的,恰恰是那些“还在跑、但没人敢动”的部分。

老系统通常有三种形态

  • 只有客户端、没有接口的桌面程序:数据只能靠人点菜单、查条件、看结果,再手工录入或复制出来。
  • 客户或供应商提供的网页后台:需要登录、查询、导出,但不对外开放 API,也不允许企业自行改造。
  • 早期自研系统:接口文档缺失,原开发者已离职,没人说得清字段背后的业务含义。

三种形态的共同点在于:数据仍在使用,业务仍依赖它,但对外只留下“人”这一个入口。

为什么“再开一个接口”经常走不通

  • 供应商已停止维护,或者开口就是一笔难以立项的报价。
  • 生产系统停机窗口排不出来,没有哪个车间愿意为了一次集成停线。
  • 改造周期以季度计,而业务下个月的盘点就要用数。

无 API 不等于进不了 AI 工作流

关键判断是:一个系统能否进入 AI 工作流,取决于智能体有没有“操作界面”的能力,而不只取决于它有没有接口。

  • 有接口的系统,通过连接器取数与写入,走的是最高效的通道。
  • 没有接口的系统,通过设备(Soia Worker)在授权范围内操作本机软件与网页,走的是和人一样的操作路径:登录、查询、录入、保存、回读。
  • 在 Soiawork 中,连接器、设备、知识库、技能、工作流可以在同一个任务里组合使用,不必为了一个老系统另起一套技术栈。

这也解释了一件事:为什么这两年的智能体开始真正进入制造业现场。实在智能公开的产品数据显示,OSWorld 任务成功率 90.2%(2026 年 7 月,实在智能产品);这类“像人一样操作界面”的能力基线已经到了可用区间。但请注意,这是任务能力的参考指标,不等于任何具体业务场景的准确率;业务上是否可靠,要看企业的核对机制。

二、无 API 场景的智能体落地方法:四步闭环

无 API 场景最大的风险不是“做不了”,而是“做了但说不清”。智能体在界面上点了几下、写没写进去、哪条失败了,如果没有记录,IT 不敢放行,业务不敢签字。所以这套方法的核心不是“让 AI 点鼠标”,而是把搬运变成一条可追溯的链路。

第一步:确认对象与授权,先把边界画清楚

  • 明确系统、账号、字段与操作范围:哪个系统、用哪个账号、能读哪些字段、能不能写、写哪些记录。
  • 明确时间窗与数据范围:只处理当日新增,还是覆盖近三个月;哪些订单属于本次范围。
  • 授权写进配置,而不是口头约定:谁能发任务、能发到什么程度,由管理员在组织与权限层面设定。

在 Soiawork 中,这一步落在工作空间与账号授权上:智能体拿到的是一份“被允许做什么”的清单,而不是一个万能账号。

第二步:按规则执行搬运,逐条记录来源与目标

具体动作可以归为三类:查询、录入、同步。

  • 查询:从老系统按条件查出目标记录,把界面上的数据取出来,转成结构化结果。
  • 录入:把 ERP 或表格里的记录写进老系统表单,按字段映射规则逐项填写。
  • 同步:两边的记录做增量比对,只处理有差异的部分,不整批重写。

无论哪一类,都要求逐条记录来源与目标:来自哪个系统的哪条记录、映射到目标系统的哪个字段、什么时间、用哪个账号执行。固定不变的步骤用工作流固化下来,避免每次执行都靠临场判断;易变的规则(比如字段对应关系)放进知识库,改动时不用重做流程。

第三步:回读核对,不信任“我以为写成功了”

这是整套方法里最容易被跳过、也最不该跳过的一步。

  • 写入之后,重新进入目标系统查询该条记录,比对状态、关键字段与预期是否一致。
  • 不一致的记录不静默跳过,直接进入异常队列。
  • 回读结果与原操作记录一并留痕,供事后复盘。
智能体的价值不在于“跑通了一次”,而在于每一次运行都能被核对。

第四步:输出结果与失败清单

任务的产出应该是三样东西:更新后的记录、处理结果、失败清单。

  • 失败项必须单独列出,并附上原因与恢复方式——是账号无权限、字段超长、目标系统报错,还是编码规则不一致。
  • 失败清单交给具体的人,而不是给人一份“全部成功”的假象。
  • 恢复动作可以是修正后重跑,也可以是人工手工处理,但责任边界要清楚。

在 Soiawork 中,任务的产物、过程、异常、人工介入都会进入运行记录,业务人员看目标与结果,实施人员看连接与异常,管理员看权限、成本与审计边界。

三、从一次任务到组织能力:技能、自动任务与运行记录

如果只停留在“帮某个岗位跑一次”,那它只是一次自动化,不是组织的 AI 能力。制造业老系统 AI 改造的真正收益,来自把有效实践沉淀下来。

把有效路径沉淀为技能

  • 一次成功的搬运路径,可以被整理成技能:固定的查询条件、字段映射、核对规则、异常判定。
  • 同类任务下次直接调用技能,不必重新摸索界面。
  • 技能可被团队复用,新接手的同事不用再问“这个字段是从哪来的”。

用自动任务固定节奏

  • 日结类、巡检类、对账类工作,天然适合配置为自动任务,按时间或事件触发。
  • 例如每日班前巡检库存异动、每周汇总多系统经营数据、每月初完成一次跨系统台账同步。
  • 触发规则明确,运行结果可预期,人才有余力处理异常。

用运行记录回答“到底做了什么”

  • 每一次运行留下任务、过程、产物、异常与人工介入记录。
  • 出问题时能回溯到具体哪一步,而不是只能回答“大概是系统问题”。
  • 这也是后续扩大范围的依据:哪些任务稳定,哪些还经常需要人接手。

四、制造业可以先试跑的几类任务

不是所有任务都适合作为第一个。适合先做的任务通常符合:每日或每周重复发生、输入与结果清楚、有明确时限和验收人、当前人工耗时与错误可测量、可以从“读、汇总、提醒”这类低风险动作起步。

  • 老系统数据搬运:在缺少稳定接口的系统之间查询、录入、同步,交付更新后的记录、处理结果与失败清单。
  • 供应链巡检:核对供应商、采购、库存、在途与交付信息,交付差异清单、风险摘要与待处理事项。
  • 报表汇总:从多个系统和文件收集数据,按统一规范整理,交付日报、周报、经营摘要与来源明细。
  • 异常通知:持续检查业务状态、数据变化与任务失败,交付异常说明、影响范围、责任人与处理入口。

与制造业务紧密关联的两类延伸场景也值得关注:

  • 物料齐套与排产支持:把 BOM、库存、在途、工单进度从不同系统汇集,输出齐套差异与缺料清单,供计划员决策——注意,排产方案本身仍由计划员确认。
  • 财务对账与凭证准备:把银行流水、供应商对账单、内部台账做三方比对,输出差异明细与待确认事项;凭证的最终审核与入账仍由财务责任人完成。

在 Soiawork 中,这几类任务共用的能力是同几样:连接器取有接口的数据、设备操作没接口的界面、知识库查规则与依据、技能复用已验证的方法、工作流固定步骤、自动任务按节奏运行。

五、三个脱敏场景的落地形态

以下场景用于说明方法如何落到具体工作,其中复现验证与演示环境的内容不作为客户成效。

复现验证场景:工单变更同步到无接口的老生产登记系统。 在复现验证环境中,我们模拟了一家制造企业的典型情况:ERP 中的工单变更需要同步到一套只有客户端界面的老登记系统。智能体按授权登录、逐条录入、回读核对,输出更新记录与失败清单;因编码规则不一致导致的部分记录被单独列出并附恢复方式。这类场景验证的是“链路可追溯”,而不是处理速度提升多少。

复现验证场景:多系统供应链巡检。 在复现验证环境中,智能体从采购系统、库存系统与供应商网页后台分别取数,按统一规范比对在途与到货状态,输出差异清单与待处理事项,并标注每一条差异的来源系统。

演示样例:跨系统对账差异清单。 在演示环境中,智能体把一份流水明细与一份内部台账做比对,输出差异条目、差异类型与建议处理入口。演示数据仅用于说明输出形态,不构成对任何企业实际效果的说明。

六、人机分工与不能越过的边界

无 API 场景的智能体落地方法,前提是把“谁负责什么”说清楚。

  • 业务负责人确认目标、范围、规则、完成标准,以及是否扩大范围。
  • 一线人员提供真实样例、处理现场判断、验收结果与异常。
  • 数字化与 IT 团队确认系统条件、账号范围、连接方式与维护责任。
  • 智能体在授权范围内取得信息、执行确定步骤、整理结果并说明异常。

需要明确的边界有三条:

  • 涉及质量责任、生产控制、资金支付、账号权限变更等高风险影响的操作,由授权人员确认后才执行。
  • 处方审核、法务判断、财务入账等专业判断,仍由具备资质的责任人决定,智能体只做信息汇集与差异提示。
  • 不承诺任何未经验证的准确率、覆盖率或节省比例;所有效果以企业自己的核对结果为准。

常见问题解答

1. 现有系统要不要改造?是不是必须先开接口?

不需要。这套方法的设计前提就是“不改系统”。有接口的走连接器,没接口的走设备操作界面,两条路径在同一个任务里并存。改造老系统通常是更大的工程,可以独立立项,但不必成为 AI 落地的前置条件。

2. 账号和数据权限怎么控制?

三件事:一是账号范围明确,用哪个账号、能读能写哪些字段,写在配置里;二是操作范围明确,只处理指定时间窗、指定类型的记录;三是全程留痕,每条搬运都有来源、目标、时间与执行账号。管理员在组织与权限层面设定边界,业务侧只能在边界内发任务。

3. AI 录错了谁负责?

责任在设计里。回读核对会把“写没写进去、写得对不对”变成可查的事实,失败清单会把异常交回具体的人;高风险操作保留人工确认环节。换句话说,智能体承担的是执行与提示,业务责任人承担判断与验收——这也是为什么第一个任务建议从读取、汇总、提醒这类低风险动作开始。

4. 这和现有的 RPA、BI 是什么关系?

定位不同。BI 解决“看清”,把数据汇总成报表;RPA 解决“按固定脚本重复执行”;智能体解决“理解目标、组织上下文、选择路径、说明异常”。三者常常是配合关系:BI 告诉你哪里有问题,智能体去跨系统查证与处理,确定性强的步骤用工作流固定下来。已有的自动化资产不必推倒,可以作为技能的一部分被调用。

5. 从哪个场景开始最稳妥?

选一项每天或每周都在重复、输入输出清楚、有明确验收人、当前耗时与出错情况能说清楚的任务。制造业里最常见的是老系统之间的台账同步、跨系统报表汇总、供应商与库存巡检。范围先划小,先跑通一条链路,再谈扩展。

制造业老系统 AI 改造,不需要一次推翻什么。更稳妥的路径是:挑一项每天都在重复、输入与结果清楚、有明确验收人的搬运任务,让智能体先真实执行一次;核对产出的记录、来源与失败清单,确认异常能被发现、能被恢复;再决定要不要固化为技能、配置成自动任务、扩展到相邻流程。所谓无 API 场景的智能体落地方法,本质上就是把“人肉接口”一步步换成可核对、可复用、可追责的组织能力。有任务,找 Soia;Soia 让智能生长,让工作进化。

立即领取行业头部企业 AI 应用案例

资深 AI Agent 技术专家将为您定制数字员工解决方案

立即获取方案