制造企业自然语言问数怎么做?SAP 物料与 ECN 查询的落地路径
周一早会上,计划经理问了一句:“这个物料在 1200 工厂还能不能用?上次 ECN 到底改了哪几个 BOM?”会议室安静了几秒,然后有人打开 SAP,一层层点菜单、换事务码、导出表格、翻邮件找变更通知。二十分钟过去,会上要的不是一张导出的表,而是一个能当场拍板的答案。
这类场景在制造企业里几乎每天都在发生。ERP 里明明有数据,但数据以“表”和“事务码”的形式存在,不以“问题”的形式存在。制造企业自然语言问数要解决的,正是这段距离——让业务人员用一句人话提问,系统自己去找到出处、拉出数据、标明口径,再把答案交回来。下面这篇文章,讲清楚两件事:自然语言问数的落地结构是什么,以及 SAP 物料查询与 ECN 变更查询这两个最常被问到的场景,具体该怎么做成可用、可核对、可追责的能力。
一、先厘清:制造企业的“问数”难在哪
很多企业试过聊天式报表,第一版演示很惊艳,上线两周就没人用了。原因通常不在模型,而在下面三点没解决。
1. 难的不是听懂人话,是答得有着落
- 口径不清:同一个“可用库存”,计划员指的是扣除已占用后的可用量,采购员指的是包含在途的量。自然语言提问不会自带口径,系统必须能说清“我按哪个口径算的”。
- 出处不明:答案来自哪个系统、哪张单据、取数时间是什么时候,如果不标出来,业务人员不敢用,尤其是要写进会议纪要或发给客户的结论。
- 实体不唯一:物料号有尾缀、有替代料、有工厂层级差异,一句话里的“A 物料”往往需要反问一次才能锁定。
2. SAP 里的“数”分三类,问法完全不同
- 主数据:物料描述、计量单位、物料类型、MRP 控制者、采购类型。这类问题相对稳定,适合沉淀成固定问答。
- 业务单据:库存、已占用、采购在途、工单状态、到料时间。这类数据每天在变,必须实时或准实时取,不能靠缓存。
- 变更与版本:ECN 变更单、BOM 有效期、工艺路线版本。这类数据最难,因为它有“时间轴”和“影响面”,问的不只是“是什么”,还有“什么时候生效、影响了谁”。
一句话总结:自然语言问数的门槛,不在语言模型,而在数据是否“可寻址”、口径是否“可声明”、结果是否“可回溯”。
在 Soiawork 的做法里,这三件事分别对应连接器(负责取到数)、知识库(负责说明口径与规则)、工作流(负责把取数、核对、输出固定成一条可复用的路径)。
二、自然语言问数的四层结构
想把“问数”做成能力而不是玩具,建议按四层来搭,缺一层就会在真实使用中暴露问题。
1. 语义层:把口语翻译成可执行的查询条件
- 意图分类:先判断这句话是查主数据、查库存与在途、查变更历史,还是查影响范围。四类问题的取数路径完全不同。
- 实体识别:从问句中提取物料号、工厂、BOM 用途、变更单号、时间范围。
- 澄清机制:当实体不唯一时主动反问,例如“您指的是 1200 工厂还是 1300 工厂的可用量?”——宁可多问一句,也不要给一个似是而非的答案。
2. 取数层:三条路,按系统条件选
- 有稳定接口:通过 OData、RFC 或数据库视图直接取,稳定、可审计,是首选。
- 只有网页后台或客户端:由设备(Soia Worker)在授权账号下操作本机 SAP 客户端或网页界面,按固定步骤查询并读回结果。实在智能在 OSWorld 上的任务成功率 90.2%(2026 年 7 月,实在智能产品),这类界面级操作是其中重要的能力组成。
- 只有导出文件:从文件空间接收导出的表格,按统一口径整理后再回答。
3. 依据层:知识库管“规则”,系统管“数据”
- 物料编码规则、替代料使用条件、BOM 有效期判定规则、ECN 审批与生效流程,这些应该放进知识库,回答时附引用来源。
- 数据本身永远从业务系统实时取,不把会变的数字写进知识库——这是很多项目踩过的坑。
4. 核对层:答案必须自带“三件套”
- 来源:取自哪个系统、哪个组织层级、什么时间取的。
- 口径:这个数字包含什么、排除了什么。
- 不确定项:哪些字段存在差异、哪些结论需要人工确认。
在 Soiawork 中,这四层可以由一条工作流串起来:意图识别 → 连接器取数 → 知识库查规则 → 生成带来源的回答 → 异常项转人工。跑通一次之后,把有效步骤沉淀为技能,下次同类问题直接复用。
三、SAP 物料查询怎么落地
物料查询是制造企业问数频率最高的场景,也是最容易做“浅”的场景。建议按下面三步推进。
1. 先圈定 5–10 个高频问题,别贪多
- “这个物料在 X 工厂的可用量是多少,扣了哪些占用?”
- “这个物料最近一次采购在途什么时候到?”
- “这个物料有没有替代料,替代关系是谁维护的?”
- “这个物料的主数据最近被谁改过、改了哪个视图?”
问题越具体,越容易定义清楚输入、输出和验收标准。相反,“帮我查一下物料情况”这种问法,做十次也不会有人满意。
2. 权限边界必须先谈清楚,再谈功能
- 以提问人本人的权限取数:谁能看到什么,跟着他在 SAP 里的角色走,不额外放大。
- 只读账号 + 操作留痕:查询类任务用只读账号,所有取数行为记录日志,谁问的、什么时候问的、取了什么,都能回溯。
- 敏感字段分级:成本、供应商价格这类字段,按角色决定是否呈现,回答里可以直接标注“该字段需要相应权限”。
在 Soiawork 中,连接器的账号范围、可访问的数据域、技能可调用的动作,都是配置项,由 IT 与业务共同确认后再放开。
3. 结果不是丢一张表,而是给一个能用的答案
- 主结论 + 明细表 + 来源:先给一句话结论,再附明细,最后标出处。
- 异常提示:比如“该物料存在两套 BOM,其中一套已过有效期,建议确认”。
- 一键追问:允许业务人员在答案基础上继续问“那 1300 工厂呢”,而不是重新组织语言。
这一步很关键。很多问数项目失败,是因为它把“导出表”换成了“聊天框里的表”,工作量并没有减少。
四、ECN 查询为什么更难,怎么解
工程变更单(ECN)查询是制造企业问数里难度最高、价值也最大的一类。它难在三点。
1. ECN 的难点:版本、有效期、影响面
- 版本:同一物料可能有多个 BOM 版本,问“BOM 是什么”必须先确定版本。
- 有效期:变更单带生效日期,问“现在能不能用”其实是在问“在某个时间点上,哪个版本有效”。
- 影响面:一次变更可能牵动在制工单、已下达采购订单、库存旧料、客户已确认的规格。这才是业务真正关心的。
2. 三类典型问法,对应三种处理方式
- 查变更内容:“这张 ECN 改了什么?”——取变更主记录与对象清单,输出变更前后对照。这类问题适合做成固定技能。
- 查变更历史:“这个物料近两年被改过几次?”——按物料号与时间范围检索,输出时间线与每次变更的摘要。
- 查影响范围:“这张 ECN 生效后,哪些工单和采购订单受影响?”——需要跨系统比对,属于典型的多步骤工作流:取变更生效日 → 取该日之后开工的工单 → 取未交货的采购订单 → 比对物料清单 → 输出影响清单和待处理事项。
3. 人机分工:变更结论必须由责任人签字
这里要说清楚边界。智能体可以做的事是:把散落在变更单、BOM、工单、采购订单里的信息汇总齐、比对清楚、把差异和疑点标出来。但“这次变更是否可以执行、旧料怎么处理、是否需要特采”这类判断,仍然由工艺、质量和计划的责任人决定。系统给的是依据和清单,不是结论。
在 Soiawork 的制造业方案里,这类能力被归到“图纸信息提取”和“老系统数据搬运与同步”等场景中:前者识别图号与版本、保留原图位置与依据;后者在缺少稳定接口的系统间完成查询、录入与同步。ECN 查询通常是两者的组合。
五、一条可复制的试跑路径
不要一上来就做“全公司问数平台”。更稳妥的方式是选一条具体链路,在复现验证环境中先跑通,再决定是否扩大。
下面这条路径来自复现验证场景(演示环境),描述的是典型流程,不代表某一客户的实测成效:
- 第一步,定义问题:选定“查某物料在某工厂的可用量与在途,并判断是否存在未生效或已过期的 BOM”。输入、输出、时限、验收人一次说清。
- 第二步,确认条件:确认可用的取数方式(接口还是界面操作)、账号权限范围、需要哪些字段、口径由谁确认。
- 第三步,跑一次真实任务:由智能体完成一次完整查询,输出结论、明细、来源与不确定项。
- 第四步,人工核对:业务人员拿答案和 SAP 原始界面比对,重点看口径是否一致、异常是否被标出。
- 第五步,沉淀为技能:把这次有效的步骤、字段映射、判定规则固化成技能,同类问题下次直接调用。
- 第六步,建立自动任务:当查询变成每天都要做的事,再设置自动任务按时运行,比如每天早上巡检“ECN 生效日临近但工单未切换”的物料,推送给计划与采购。
这条路径的核心是先验证“答得对”,再谈“答得快”。顺序反过来,项目大概率会在第三个月停摆。
六、三个常见误区,提前避开
- 误区一:把它做成“聊天版报表”。报表是给人看的全集,问数是给决策用的切片。回答里应该有结论和依据,而不是把二十列字段全铺开。
- 误区二:先接数据,后定口径。口径没定就接数据,接进来的只是更多互相矛盾的数字。正确顺序是先确认业务规则,再配置取数。
- 误区三:追求一次问对所有问题。自然语言问数的价值在于覆盖高频问题,而不是覆盖所有问题。先把 8 个问题答准,比把 80 个问题答得半准有用得多。
Soiawork 在这里的定位很明确:它是企业级 AI 智能体平台,通过连接器接系统、通过知识库管规则、通过技能沉淀方法、通过工作流固定步骤、通过自动任务保证按时运行,把一次成功的查询变成组织可复用的能力。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,这些积累主要就落在“跨系统、跨界面把事办完”这一段。
结语
制造企业自然语言问数,本质上不是让 AI 学会说话,而是让数据变得可问、可查、可核对。建议从一个具体的重复工作开始试跑——比如每天早上核对一次物料齐套,或者每周核对一次 ECN 影响清单;跑完之后认真核对结果与异常项,确认口径一致、来源可查、责任清晰,再决定是否扩大范围。 AI 组织的生长方式,从来不是一次性铺开,而是一项任务跑通、沉淀、再复制。有任务,找 Soia;有问题,你说呀。
常见问题解答
1. 做自然语言问数,需要先改造 SAP 或建数据中台吗?
多数情况下不需要。如果 SAP 有可用的接口,直接通过连接器取数;如果没有稳定接口,可以由设备在授权账号下操作客户端界面完成查询。数据中台能提升长期效率,但不应成为试跑的前置条件。建议先用现有条件跑通一条链路,再根据实际瓶颈决定是否补基础设施。
2. 数据和权限怎么控制?会不会越权看到不该看的数据?
核心原则是“跟着提问人本人的权限走”。查询使用只读账号,数据域和字段按角色分级,敏感字段(如成本、供应商价格)需额外授权才呈现。所有取数行为留有日志,可回溯谁在什么时间取了什么。权限范围在配置阶段由 IT 与业务共同确认,不默认放开。
3. AI 答错了谁负责?
分工要说在前面:智能体负责取数、汇总、比对、标注异常,并对每个结论标明来源与口径;业务责任人对判断性结论负责,比如 ECN 是否可执行、旧料如何处理、物料是否可替代。系统不替代工艺、质量、财务等专业判断。出现差异时,系统应把差异项列出转人工,而不是自行“圆”过去。
4. 和现有的 BI 报表、RPA 是什么关系?
三者解决不同问题。BI 解决“看全局、做分析”,适合固定指标和趋势;RPA 解决“按固定规则重复操作界面”,适合流程稳定的搬运;自然语言问数解决“临时、具体、跨系统的一次性提问”。实际落地中它们常常组合使用:问数负责取数和整理,RPA 或界面操作负责在没有接口时把数据拿到,BI 负责长期指标监控。
5. 从哪个场景开始最合适?
优先选同时满足四个条件的任务:每天或每周重复发生;输入、输出、时限和验收人清楚;需要跨系统、网页、客户端或表格协作;当前的人工耗时和出错情况可以测量。物料齐套检查、ECN 影响清单核对、供应商交付巡检,都是制造企业里比较典型的起点。



