首页行业百科PMC 接单评审智能体怎么做?交期产能自动校验的落地方案

PMC 接单评审智能体怎么做?交期产能自动校验的落地方案

2026-11-19 08:59:50阅读 3

销售在群里 @ 你:客户临时加 5,000 件,这周五能不能交?你回了一句“我确认一下”,然后开始翻 BOM 看版本对不对、进 ERP 查库存和占用、打电话问采购在途料什么时候到、再去车间问这条线这两天排了什么。两个小时后你给出了答复,但心里清楚:这个“能”是基于三个人的口头判断拼出来的,中间只要有一环变化就会变成“其实交不了”。

这件事的难点并不在“评审”这个动作本身,而在评审之前如何把四本账对齐。PMC 接单评审智能体要解决的,正是把这件事从“靠人跑、靠经验估、靠口头确认”变成“有数据依据、有冲突清单、有人拍板”。本文讲清三件事:接单评审智能体应该做成什么样、交期产能自动校验具体怎么落地、哪些环节必须保留给人决定。

PMC 接单评审智能体怎么做?交期产能自动校验的落地方案_图1

一、接单评审难在能对账的数据太少,评审本身其实不复杂

一次插单评审,至少要拉通四本账

  • 订单账:这张单的规格、数量、交期,以及客户在附件、邮件、聊天里提到的特殊要求(包装、标签、认证、分批交付)。
  • 物料账:有效 BOM 上的用料,减去已占用、加上在途,才是可用量。很多企业的 ERP 能查库存,但不会自动告诉你有多少已经被别的工单占用。
  • 产能账:不是“产线有没有空”,而是关键工序、关键设备在未来几天里的工时占用情况,以及换型、模具、班次带来的实际可用工时。
  • 资料账:图纸版本对不对、客户确认了没有、新料有没有承认书。资料缺口往往比物料缺口更晚被发现,也更容易在交付前出问题。

这四本账分别存放在 ERP、MES、PLM、采购台账和计划员的 Excel 里。四本账本身都有数据,问题是它们从来没有在同一个时间点被放在同一张表上对齐过。

系统建得越多,评审反而越慢的原因

原因通常有三个,而且都与技术无关。

  • 口径不统一:仓库说的“可用”是不含占用的物理库存,计划说的“可用”是扣掉安全库存和已分配后的量。两边都没错,但对不上。
  • 判断留在个人经验里:老计划员知道某台设备每月要保养两天、某个供应商的“三天到货”实际是五天。这些知识不在任何系统里。
  • 结论没有留痕:这次为什么能接、附加了什么条件,散落在聊天记录里,下次遇到同类订单还得重新问一遍。

所以在 Soiawork 里做这件事,重点往往不在训练一个多聪明的模型,而在用连接器把 ERP、MES、采购台账的数取到一处,用知识库把 BOM 版本规则、供应商实际到货周期、设备保养日历这些“隐性知识”沉淀下来,再让智能体按固定顺序去核。

二、PMC 接单评审智能体,本质上是做四个动作

1. 把订单和附件读成结构化输入

接单评审的第一步从来不是计算,而是“读懂客户到底要什么”。订单正文往往只有型号和数量,真正的约束条件藏在附件、图纸和邮件里。

  • 从订单和附件中提取规格、数量、交期、客户特殊要求,保留原文位置和单位,方便复核。
  • 对信息不全的订单,明确列出缺什么(缺图纸版本、缺包装要求、缺收货仓),而不是自己猜一个补上。
  • 同一客户的历史订单可以作为参照,帮助识别“这次和上次不一样的地方”。

在 Soiawork 中,这一步由智能体读取文件空间里的订单附件,结合知识库中的产品与客户规则完成整理;遇到无法确定的字段,它会向发起人追问,而不是默默填充。

2. 用有效 BOM 做齐套判断

齐套判断的关键词是“有效”和“可用”,缺一不可。

  • 有效:BOM 有多个版本,必须确认这张订单对应的是哪一版,避免拿旧版算料。
  • 可用:库存数量要扣掉已被其他工单占用的部分,再加上已下采购单、有明确到料日的在途量。
  • 缺口可解释:不能只输出“缺 3 种料”,而要说明缺多少、什么时候到、影响哪道工序。

用 Soiawork 的话说,这是把“算料”这件事做成一个可复用的技能:输入订单和工单,输出齐套结论和缺口清单。技能沉淀一次,后面每张单都可以直接调用,不同计划员算出来的结果也就一致了。

3. 用已有工单和设备工时做产能校验

产能校验最容易被做成了过于简化的估算,比如用“月产能 ÷ 30”来回答“这周能不能做”,结果通常不可靠。

  • 要看的是关键约束工序,不是全线产能。整条线都空,但唯一那台检测设备排满了,交期一样保不住。
  • 要比对已有工单的工时占用,包括已下达未完工的、已排未下达的。
  • 要把换型、保养、班次这些“非生产占用”算进去,它们往往就是交期差两天的主要原因。

Soiawork 的做法是把已有工单、设备清单、班次日历作为输入,让智能体输出“哪几天、哪台设备、还剩余多少可用工时”的对比结果。数据来自 ERP 和 MES 的连接器,不需要先把两个系统做一次大集成。

4. 输出一份能拍板的评审结论

评审的输出不应该是“可以”或“不可以”,而是一张写着条件的表。

  • 建议结论:可接、有条件可接、建议改期、建议分批。
  • 冲突点:哪台设备冲突、哪种物料缺口、哪个资料没到位。
  • 附加条件:如果客户同意分批,第一批能保多少;如果采购能在某日到料,交期可以提前到哪天。
  • 待确认事项:需要销售去和客户确认什么、需要采购去锁什么、需要技术出什么资料。

这份结论最终由销售与计划负责人确认。Soiawork 在这里的作用是把“需要拍板的事项”和“拍板依据”放在同一页上,让人做判断时不用再回头查资料。

三、交期产能自动校验怎么落地:先跑通一条链,再谈覆盖

第一步:把校验口径写成规则,而不是留在老计划员脑子里

自动校验失败的项目里,绝大多数问题并非算法不佳,根源在于口径没写下来。

  • 明确“可用库存”的定义:是否扣安全库存、是否扣已分配、是否含在途。
  • 明确“可用工时”的定义:是否扣保养、是否扣换型、按设备算还是按工序算。
  • 明确“有效 BOM”的判定:按订单日期、按客户、还是按最新版。
  • 把这些规则写进知识库,让它成为智能体每次核对的依据,也成为新人培训的材料。

这件事本身就是收益:很多企业第一次把接单评审的口径写清楚,是在准备上线智能体的过程中完成的。

第二步:用工作流固定步骤,用技能复用方法

  • 工作流负责“顺序不能乱”的部分:先读订单,再核 BOM,再核产能,最后出结论。顺序错了,结论就没有意义。
  • 技能负责“方法可复用”的部分:齐套计算、工时比对、缺口汇总,每个技能做一件事,可以在不同场景里被反复调用。
  • 工作空间负责“结果可追溯”的部分:每次评审的输入、中间结果、结论和确认人,都留在同一个地方,下次遇到同类订单可以直接对照。

第三步:从“来一单跑一次”到“持续巡检”

接单评审不是一次性动作。订单接了之后,物料到货延期、设备故障、优先级调整都会让原来的结论失效。

  • 用自动任务按固定时间(比如每天上班前)重跑在途订单的齐套与产能校验,只把“状态发生变化”的订单推给计划员。
  • 异常通过IM 智能体推送到飞书、钉钉或企业微信的对应群,负责人可以直接在会话里追问“缺的是哪三种料”。
  • 对需要人操作老系统取数的环节,可以由设备(Soia Worker)在本机完成查询和录入,不必等接口排期。

四、一个复现验证场景:插单评审跑一遍是什么样

以下为复现验证场景(在复现验证/演示环境中,使用脱敏的历史订单、BOM、库存与工单数据跑通流程),用于说明流程可执行性,不代表任何客户的量化成效。

场景设定为一家做工业配件的制造企业,销售转来一张加急插单,要求两周内交付。

  • 读取订单与附件:智能体从订单邮件中整理出规格、数量、交期,并识别出附件里客户新增的标签要求,标记为“需技术确认”。
  • 核对物料与 BOM:比对有效 BOM 与实际可用量后,列出 4 项缺口,其中 2 项有明确在途到料日,1 项在途日期未确认,1 项为新增料、尚无承认书。
  • 核对待产能与工单:比对已有工单与设备工时后,发现关键工序在第二周周三、周四已排满,其余工序有余量。
  • 输出评审结论:给出“有条件可接”的判断——若客户同意把交期延后两天,或同意首批只交 60%,则可按原价接单;同时列出三项待确认:新增料的承认书、在途料的到料确认、标签要求的客户书面回复。

在演示环境中,这个过程把原本需要跨三个部门逐一询问的信息,汇总到了同一张表上。需要强调的是,最终是否接单仍由销售与计划负责人拍板,智能体提供的是依据和冲突清单,不是结论本身。

五、边界要先说清:哪些判断不能交给智能体

把边界讲清楚,比把能力讲大更重要。

  • 交期承诺是商务决策:涉及客户关系、违约责任、产能预留策略,必须由人决定。智能体给的是“如果……则……”的条件组合。
  • 物料替代与工艺变更:涉及工程判断和质量风险,需要技术负责人确认,智能体只负责把“这里有冲突”指出来。
  • 优先级冲突:两张急单抢同一台设备,谁先做是管理决策,不是计算结果。
  • 数据本身不可信时:如果 BOM 版本管理混乱、库存账实不符,智能体会如实反映“数据存在冲突”,这时应该先修数据,而不是让智能体强行输出一个数。

Soiawork 在这类节点上的设计是:需要判断、授权或产生外部影响时,系统会向用户确认,而不是自行推进。

结尾

交期产能自动校验这件事,最容易犯的错误是一上来就想覆盖所有订单、所有产线。更稳的路径是:先挑一类高频、边界清楚的插单场景试跑,把口径写下来、把取数打通、把结论表固定成模板;跑上一段时间后,拿智能体给出的结论和实际结果逐单核对,重点看异常项是怎么产生的;确认它在哪些情况下可靠、在哪些情况下必须由人介入之后,再决定要不要扩大范围。AI 组织的生长方式,往往就是从一项重复工作开始,长成一套可复用的能力。

常见问题解答

做这个智能体,需要先改造 ERP 或 MES 吗?

通常不需要。Soiawork 通过连接器读取现有系统中的数据,通过设备(Soia Worker)在缺少稳定接口的老系统上完成查询与录入。前提是数据本身能取到、口径能对齐,而不是必须先做一次系统重构。如果某些关键数据只存在于个人 Excel 里,那需要先把这部分数据放到一个共用的位置,这是管理动作,不是技术动作。

数据和权限怎么控制?

智能体运行在既定权限范围内:它能看到什么数据,取决于配置给它的账号权限;IM 渠道中,智能体所有者绑定自己的账号后,本人发出的任务按本人权限运行,其他人发出的任务仍按智能体自身权限运行。评审结论作为业务记录留在工作空间中,谁在什么时候基于什么数据做了什么确认,是可回溯的。

智能体算错了,责任谁来承担?

智能体的定位是提供依据和清单,不是替代责任人做决定。接单与否、物料能否替代、优先级怎么排,最终由销售、计划、技术负责人确认。因此流程设计上要保证每个关键结论后面都有一个明确的确认人,而不是让系统自动对外承诺。这也是为什么输出物被设计成“带条件的结论”,而不是一个“可以/不可以”。

它和现有的 RPA、BI 是什么关系?

三者解决的问题不同:BI 回答“过去发生了什么”,RPA 按固定规则搬运数据,而接单评审智能体要处理的是“这次的情况和上次不一样”的判断类任务——它需要理解订单、选择路径、在信息不足时追问。实际落地中它们常常配合:RPA 或连接器负责取数,BI 负责呈现趋势,智能体负责把数凑到一起给出评审条件。已有 RPA 流程可以继续用,不必推倒重来。

从哪个场景开始最稳妥?

建议从“插单评审”这类边界清楚、频次适中、结论可核对的场景开始。它有三个好处:输入明确(一张订单加若干附件)、输出可验证(交期能不能满足,事后一目了然)、涉及部门多(销售、计划、采购、车间),跑通一次就能让多个角色感受到差别。等这条链稳定后,再向物料齐套检查、生产排产、供应链交付巡检这些相邻场景延伸,方法和技能都可以复用。

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