PMC 排产智能体是什么?五步工作流怎么跑,一篇讲清
一张紧急插单进来,计划员要先翻工单表、再查物料到货、再算哪台设备有空、哪道工序会撞车,然后逐张确认哪些订单的交期要往后挪。等这一轮算完,采购又来说某个料晚到三天,于是从头再算一遍。整个过程最耗时间的不是"排",而是取数、核对、解释和留痕——而这些恰恰是重复劳动。
很多制造企业已经上了 ERP 的排产模块,甚至上过 APS,但计划员依然在用 Excel 做"最后一公里"的拼接。问题不在于算法不够强,而在于从数据到决策之间那一串动作没人替他跑。这篇文章讲清两件事:PMC 排产智能体是什么,以及 PMC 排产智能体五步工作流怎么跑,同时把它的能力边界和试跑路径说明白,方便你判断值不值得在自己厂里先跑一段。
一、PMC 排产智能体是什么:不是"自动排产软件",而是会跑流程的助手
先把 PMC 的三件事拆开
PMC(生产与物料控制)在不同企业里的职责边界略有差异,但核心工作通常落在三块:
- 排程:订单、工单怎么落到产线和设备上,先做哪张、后做哪张。
- 齐套:开工前料够不够,缺什么、什么时候能补齐。
- 交期与异常:插单、缺料、停机之后,哪些订单受影响、要往后挪几天,怎么对外回复。
这三件事共用一套数据、互相牵制。排产排得漂亮,料不到位也开不了工;料备齐了,设备和工时排不下同样白搭。
智能体与传统排产工具的分工
排产引擎回答的是"给定约束,最优解是什么";排产智能体回答的是"这一轮排产该做哪些动作,做完把依据摆给谁看"。
- 它会取数:把工单、工艺路线、库存、在途采购、设备日历、班次从不同系统里拉齐,而不是等人手工导出合并。
- 它会算缺口:按 BOM、已占用数量和在途到料时间,算出哪些工单能开、缺什么。
- 它会写草稿:按约束排出工序安排,并明确标出"排不下的环节",而不是给出一个看起来完美但无法执行的方案。
- 它会解释:列出受影响订单、交期变化和改动依据,让计划员看得出"为什么这么排"。
- 它不拍板:工艺优先级、加急判断、对客户的交期承诺,仍由计划员和相关责任人决定。
这就是 PMC 排产智能体的定位:一个把排产前后重复动作串起来跑、并把过程留痕的执行型助手,而不是替计划员做判断的"黑箱"。
在 Soiawork 里,它由哪些能力拼起来
Soiawork 是企业级 AI 智能体平台,帮助企业构建 AI 组织、打造专属 AIOS。落到 PMC 排产这个场景,通常由几块能力组合:
- 连接器:对接 ERP、MES、WMS 等业务系统,取工单、库存与在途数据。
- 设备(Soia Worker):遇到只有客户端界面、没有开放接口的老系统,由设备打开界面按步骤读取和录入。
- 知识库:存放 BOM 规则、替代料规则、订单优先级规则、工艺约束说明,让智能体查得到依据。
- 工作流:把五步流程固定下来,每一步的输入输出明确,避免"每次跑得都不一样"。
- 技能:把"交期影响评估""齐套缺口计算"这类动作封装成可复用技能,换产线、换车间时直接调用。
- 自动任务:设定每天班前定时跑一轮,结果主动送到计划员面前,而不是等人想起来才点一次。
- 工作空间:排产草稿、影响清单、版本对比集中沉淀,形成可回溯的记录。
二、PMC 排产智能体五步工作流怎么跑
五步工作流的价值在于:把一件"每次都要重新想一遍"的事,变成"每次按同一顺序跑一遍"。下面是可落地的拆法。
| 步骤 | 核心动作 | 主要产出 | 谁确认 |
|---|---|---|---|
| 一 | 汇总排产输入与约束 | 约束清单、数据口径说明 | 计划员 |
| 二 | 物料齐套校验 | 可开工单、缺料项、到料时间 | 计划员与采购 |
| 三 | 生成排产草稿 | 工序安排、排不下的环节 | 计划员 |
| 四 | 评估交期影响 | 受影响订单、交期变化 | 计划员与销售 |
| 五 | 调整前后对比与留痕 | 版本差异、改动依据 | 计划员 |
第一步:汇总排产输入,把约束摆到一张桌上
这一节先定义问题:排产算不准,十次有八次不是算错了,而是输入不全或口径不一。
- 订单侧:待排工单、数量、客户要求交期、优先级标记。
- 工艺侧:工艺路线、工序顺序、标准工时、换型时间。
- 资源侧:设备可用日历、检修计划、班次与人员可用工时。
- 物料侧:库存、已占用数量、在途采购与预计到料时间。
在 Soiawork 中,连接器负责从业务系统取结构化数据,邮件附件和各类 Excel 由智能体直接读取解析;只有客户端界面的系统,可以由设备(Soia Worker)按固定步骤打开读取。取完之后,智能体会把"哪些数据来自哪个系统、截止到什么时点"写清楚,这一条很重要——口径不清的排产方案,后面每一轮都要重新吵一遍。
第二步:物料齐套校验,先判断哪些工单根本开不了
排产的第一步筛选不是排序,而是剔除。
- 按 BOM 展开用料需求:结合工单数量与有效 BOM 版本,算出每个物料的毛需求。
- 扣减可用量:库存要扣掉已被其他工单占用的部分,不能拿账面库存直接算。
- 比对在途与到料时间:把采购在途、预计到货日和排产窗口对齐,判断是"开工前能到"还是"开工后才到"。
- 标注替代料与数据差异:替代料是否可用、BOM 与实物是否一致,这类判断交给工艺和采购确认,不由智能体自行决定。
Soia 可以按知识库中的 BOM 与替代料规则算出缺口,输出"哪些工单能开、缺什么、何时能补齐"的齐套结论。这一步的产出会直接回流到第三步——料没到的工单,排进去也是假的。
第三步:生成排产草稿,把"排不下"的部分明确标出来
排产草稿不是一张漂亮的甘特图,而是一份能被质疑和修改的方案。
- 按约束排序:订单优先级、交期紧迫度、工艺先后顺序,逐层应用。
- 匹配可用工时与设备:在设备日历和班次约束内安排工序,避免出现"排了但没有产能"的情况。
- 标出冲突与排不下的工序:哪些工序无论如何都塞不进窗口,是缺设备、缺人还是缺料,逐条说明原因。
- 保留假设条件:比如"该设备本周末不检修""该料 12 日到货",假设一旦变化,方案需要重跑。
在 Soiawork 中,这一整套动作由工作流固定下来:同一批约束进来,跑出来的草稿结构一致、字段一致,计划员不用每次重新适应一份新表。这也是智能体与"让 AI 随便生成一个排产表"的根本区别。
第四步:评估交期影响,把"会影响到谁"提前说清
计划员最花时间的往往不是排产本身,而是被销售和客服追问"我这单会不会延"。
- 识别受影响订单:因插单、缺料或停机被挤出去的订单逐条列出。
- 量化交期变化:原交期、新交期、顺延天数,能算的算,算不出的标明"待确认"。
- 区分原因:是产能冲突、物料未到,还是工艺路线受限,不同原因对应不同的处理人。
- 给出可选动作:加班、外协、拆单、调整优先级,供计划员权衡,而不是替他决定。
通过 Soiawork 的技能能力,可以把"交期影响评估"封装成一个可复用动作——今天评估这批订单,明天评估另一批,判断逻辑和输出格式保持一致,不会因为换人而换口径。结果还可以通过 IM 集成直接回到飞书、钉钉或企业微信的会话里,销售在群里问一句,回复的就是这份清单。
第五步:保留调整前后对比,交计划员确认后执行
排产最怕的不是排错,是排错了没人知道错在哪。
- 留存版本差异:调整前后的工序安排、交期、受影响订单做逐项对比。
- 记录改动依据:因为哪张插单、哪批料到货延后、哪台设备停机而改,写清楚。
- 交人工确认:计划员审核通过后,再进入下发或通知环节。
- 形成可回溯记录:一个月后复盘"当时为什么这么排",能查到依据而不靠回忆。
在 Soiawork 的工作空间里,这些版本和说明会沉淀成记录。跑得多了,企业实际上是在积累自己的排产经验库,而不是每次从零开始。
三、跑起来之前,这几条边界要提前说清
把能力讲清楚,也要把边界讲清楚,否则试跑很容易变成失望。
- 智能体不做工艺决策。工艺路线能不能改、替代料能不能用、加急单该不该插,仍由工艺、质量和计划责任人判断。
- 输入质量决定输出质量。ERP 里工单不准、BOM 长期不维护、库存账实不符,智能体跑出来的结论同样不可靠。上线前先做一轮数据体检,比急着跑流程更有效。
- 不承诺未经验证的量化收益。排产涉及变量太多,任何"效率提升百分之多少"的说法都应基于你自己试跑的数据,而不是别人的宣传口径。
- 复现场景有明确限定。以关联的"库存需求预测与补货触发"场景为例,该场景已完成复现验证,但属于演示环境:8 个物料为演示数据,未接真实 WMS/ERP,且没有需求预测模型,只按出库历史推算。这类结果可以作为能力参考,不能当作客户实际成效。
- 权限跟着人走。智能体在 IM 中运行时,所有者绑定本人账号后按其本人权限执行,其他人发起的任务仍按智能体自身权限运行,这一点在跨部门共用时尤其要提前规划。
四、怎么开始试跑:从一条产线、一类订单起步
比较稳妥的路径不是"全厂上线",而是选一个边界清晰的切口。
- 选场景:挑一条产线或一类产品,订单量适中、插单频繁、计划员最头疼的那一段。
- 定节奏:用自动任务设定为每天班前跑一轮,先只跑"齐套校验 + 排产草稿",不着急接下发动作。
- 人工核对:计划员逐条比对智能体给的草稿和自己的判断,把偏差记下来——是数据问题、规则问题,还是判断口径问题。
- 修规则:把确认过的优先级规则、替代料规则补进知识库,让下一轮更贴近实际。
- 再扩范围:连续跑顺一段时间,异常项都能解释清楚,再考虑增加产线或接入交期回复环节。
这个顺序看起来慢,但它把风险控制在了"可核对"的范围内。
写在最后
PMC 排产智能体的价值,不在于替你算出唯一正确的排产方案,而在于把取数、齐套、草稿、影响评估、版本留痕这一整串动作稳定地跑起来,让人把精力放在真正需要判断的地方。想知道 PMC 排产智能体是什么,最好的方式不是看定义,而是从一项重复工作开始试跑:先跑一轮齐套与草稿,核对结果与异常项,确认口径对得上,再决定要不要扩大范围。Soiawork 想做的,就是让这样的智能体成为企业 AI 组织里一个能被复用、能被审核、能被沉淀的普通成员——有任务,找 Soia。
常见问题解答
上排产智能体,要不要先改造现有 ERP 或 MES?
通常不需要推倒重来。优先用连接器对接已有系统的数据接口;只有客户端界面、没有接口的老系统,可以由设备(Soia Worker)按界面步骤读取。改造的重点往往不在系统,而在数据口径统一和 BOM、工单的基础维护。
智能体排错了,责任算谁的?
流程设计上,智能体只输出草稿、影响清单和依据,最终确认与下发由计划员完成,责任边界和现在一样清晰。同时因为改动依据被完整记录,出问题时更容易定位是数据错、规则错还是判断错,而不是只能复盘"当时谁拍的板"。
数据散在 ERP、Excel 和邮件里,还能跑吗?
可以,这恰恰是智能体相比排产引擎更有价值的地方。它可以同时处理系统数据、Excel 附件和邮件内容,并把每个数字的来源和截止时点标注出来。真正需要提前解决的是一致性问题——同一个物料在三个地方数量不同时,以谁为准要事先定好。
它和我们已有的 APS、RPA、BI 是什么关系?
三者定位不同:APS 解决"给定约束下怎么排最优",RPA 解决"固定界面操作怎么自动点",BI 解决"事后怎么看数据"。PMC 排产智能体更靠前——它把取数、校验、草稿、影响说明、留痕这一串跨系统的动作跑完,把结果交给 APS 或计划员。它们可以并存,不必二选一。
第一个场景应该选排产还是选齐套?
如果缺料是当前最频繁的异常来源,建议先做齐套校验:边界清晰、结果可逐条核对、对错容易验证。等齐套跑顺了,再接到排产草稿上,整体稳定性会好很多。反过来,如果产能冲突和插单才是主要矛盾,也可以从排产草稿切入,但建议先只跑一条产线。



