首页行业百科制造业选AI智能体:先看它懂不懂工艺和不规范数据

制造业选AI智能体:先看它懂不懂工艺和不规范数据

2026-11-20 09:52:31

排产会开到一半,计划员打开的那张表已经改到第七版;采购说库存够,仓库说批次不对;车间主任说报工单昨天就交了,MES 里的进度还停在三天前。所有人都很忙,但没人能立刻回答一个简单问题:这张订单到底能不能按期交。

这类场景几乎每天都在制造企业里重演。系统建了不少,ERP、MES、WMS、供应商门户、质检台账、车间纸单、邮件附件各自都在产生数据,真正的工作却始终靠人在系统之间跳转、复制、核对、追问。于是当 AI 智能体进入视野,管理者最关心的往往不是模型参数,而是更实际的一件事:它能不能接住我们车间里这些"不标准"的东西。

制造业选AI智能体:先看它懂不懂工艺和不规范数据。这两个判据听起来朴素,却直接决定了智能体是停在演示视频里,还是能真正进入日常业务。下面把这两个判据拆开讲清楚,并给出可执行的验证路径。

制造业选AI智能体:先看它懂不懂工艺和不规范数据_图1

一、为什么"通用聪明"在车间里往往不够用

大模型能写文案、能总结会议纪要,这不代表它能读懂一张排产表。制造业的难点不在语言,而在上下文和数据结构——而这些恰好是通用能力最容易忽略的部分。

1. 工艺是制造业的隐性上下文

同样是"这批货能不能做",答案取决于工艺路线、工序顺序、设备能力、外协安排和检验要求。这些信息通常不在一个系统里,也不在任何一个字段里,而是散落在工艺文件、老师傅的经验和几次口头确认中。

  • 工序有先后,也有回路:下料之后是机加工,机加工之后可能热处理、表面处理再回到精加工,某些工序还要外协。一个不懂顺序的智能体,会把"排得下"算成"做得出"。
  • 物料有版本,也有替代:有效 BOM 只有一个,但替代料、让步接收、批次限制在现实中大量存在。判断齐套时如果只比对数量,就会漏掉"料有但用不了"的情况。
  • 约束有优先级:交期、产能、成本、质量,不同订单的权重不同。这不是算法问题,是业务判断问题,智能体需要知道该把判断权交回给谁。

这也是制造业选AI智能体时最容易被忽略的一道分水岭:它是否能被"教会"你家的工艺规则,而不是只会套用通用常识。

2. 不规范数据才是日常真相

很多 AI 项目在试点阶段表现不错,一进入真实业务就掉链子,原因常常不是模型,而是喂进去的数据和现场对不上。

  • 同一物料,多个编码:设计、采购、仓库各有一套叫法,一物多码、一码多物都不稀奇。
  • 同一数量,多种单位:件、箱、托、公斤混用,换算关系记在某个人脑子里。
  • 同一张单,多个版本:文件名带着"最终版""最终版2""最终版(改)",真正的定稿要靠人认。
  • 同一字段,多种格式:日期有斜杠有点有横线,工单号有的补零有的不补,供应商到货单上干脆没有采购单号。
  • 一部分数据压根不在系统里:车间纸单、手写备注、微信群里的一句"这批先做"。

能被规范数据喂饱的系统很多,能处理不规范数据的才叫落地。Soia 可以在这类场景里做一件很具体的事:把"读得到但读不懂"的数据,转成"有来源、有口径、可核对"的结构化结果。

3. 两个判据最终要落到三个问题

选型时与其对比功能清单,不如让对方回答三个问题:

  • 你如何获取并固化我们的工艺规则?
  • 遇到字段缺失、口径不一、格式混乱时,你输出的是猜测还是标注了来源和不确定项的结果?
  • 涉及录入、修改、通知的动作,写入边界和确认环节在哪里?

二、判据一:懂工艺,意味着知道约束的先后顺序

"懂工艺"不是让 AI 替代工艺工程师,而是让它知道在整理信息时该按什么顺序、按什么规则、在哪些点上必须停下来问人。

1. 把工艺规则沉淀成可查询的依据

工艺知识通常有三种形态:正式文件(工艺卡、BOM、检验标准)、历史数据(过往工单、报工记录、异常记录)、人的经验(老计划员的一句"这个件不能这么排")。

  • 正式文件需要能被检索到具体条款,而不是被概括成一段模糊描述。
  • 历史数据需要能按零件、工序、设备回溯,用来回答"上次类似订单是怎么排的"。
  • 人的经验需要能被记录下来,成为下一次的依据,而不是每次重新口头解释。

在 Soiawork 中,这类内容可以沉淀进知识库,按零件族、工序、产线组织;智能体在执行任务时先查依据、再给结论,输出里带上"依据来自哪份工艺文件或哪次历史工单"。这样做的价值不在于 AI 多聪明,而在于判断过程可以被复核。

2. 把核对步骤固定成可复用的流程

订单评审是个典型例子:销售拿到插单需求,要确认规格、数量、交期,再核对有效 BOM、可用库存与已占用数量,比对已有工单、设备与工时占用,最后列出接单条件、冲突点和缺失资料。

  • 步骤顺序不能乱:先确认需求,再判断齐套,再看产能,最后才是结论。
  • 每一步的输入要写清来源:库存来自 WMS 还是 ERP,占用数量是否含在制工单。
  • 冲突要显性化:物料不够、产能排不下、资料缺失,三类问题分开列,而不是合成一句"风险较高"。

通过 Soiawork 的工作流能力,上述步骤可以被固定下来,每次评审都走同一条路径;需要人工判断的节点(比如是否接受延期、是否启用替代料)设置为确认点,由销售与计划负责人拍板,智能体负责把依据摆在一张表里。

3. 让排产结果带着"改动依据"出来

插单、到料延期、设备停机之后重排工单,是计划员最耗时的动作之一。真正的痛点不只是排不出来,而是排完之后说不清为什么这么排、影响了哪些订单。

  • 先梳理约束:订单优先级、工艺顺序、可用工时、物料与设备限制。
  • 再生成草稿:按约束排出工序安排,把排不下的环节单独标出。
  • 然后评估影响:列出受影响订单和交期变化。
  • 最后保留对比:记录调整前后的差异和改动依据,交计划员确认后执行。

在 Soiawork 的复现验证场景中,这类任务的目标被定义为"排产依据集中呈现、交期变化与冲突工序清晰可查、调整过程可对比可回溯"。注意这里的定位:智能体产出的是可核对的方案草稿,排产决策仍在计划员手上。

三、判据二:接得住不规范数据,才谈得上进生产

制造企业的数据现实是:一部分在系统里,一部分在表格里,一部分在纸上,还有一部分在人的记忆里。智能体要做的第一件事往往不是分析,而是把这些来源对齐。

1. 取数:能连系统,也能连"没有接口"的系统

很多老系统没有稳定接口,但业务照常运转,数据照常产生。

  • 有接口的系统,通过连接器取数,明确取哪些表、哪些字段、什么频次。
  • 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完成查询、录入和同步,并回读结果确认。
  • 网页后台、供应商门户,同样按授权账号访问,避免人工反复登录复制。

老系统数据搬运是制造业的四类优先场景之一: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、处理结果和失败清单。失败清单这个设计很关键——它把"没做成的部分"显性化,而不是让异常静默消失。

2. 清洗:把口径差异摆到台面上

不规范数据最危险的地方不是脏,而是"看起来干净"。单位不一致的库存表、缺失采购单号的到货单,如果被默默补全,结果会比报错更糟。

  • 一物多码:建立映射关系,映射表本身要可查、可维护、可确认。
  • 单位换算:换算规则明确写下来,无法确定的标注为待确认,不做猜测。
  • 字段缺失:缺什么标什么,输出中列出"缺失资料"清单,交责任人补齐。
  • 多版本文件:按文件空间中的版本与时间戳取用,重要结果附来源文件名与时间。

在 Soiawork 中,文件空间用来管理输入文件与产出结果,知识与规则放在知识库,两者配合可以让"这条数据从哪来、按哪个口径算的"在结果里说清楚。

3. 输出:结论要配来源和异常清单

制造业的管理者不怕看到问题,怕的是看到问题却不知道从哪查起。所以智能体的输出至少应包含三层:

  • 结论:差异清单、风险摘要、待处理事项、交期变化。
  • 来源:每个数字来自哪个系统、哪张表、哪份文件、哪个时间点。
  • 异常:漏报、重复报工、合格数不匹配、数据缺失、任务失败,单独列出并指向责任人。

生产报工核对就是典型:归集纸单、表格与系统记录,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,经班组或主管确认后,在授权范围内写入系统并回读结果。写入前保留确认记录,写入后回读校验——这两步是不能省的。

四、从哪个场景先跑:四类低风险起点

制造业选AI智能体,不建议一上来就挑最复杂的场景。适合先做的任务有几个共同特征:每日或每周重复发生;输入、结果、时限和验收人清楚;需要跨系统、网页、桌面软件、文件或表格协作;当前人工耗时和错误可测量;可以从读取、汇总、提醒开始控制风险。

场景方向常见工作可交付结果
生产报工核对汇总纸单、表格与系统报工,按工单工序设备批次比对差异清单、异常记录、确认后写入并回读
订单评审整理订单与附件,核对 BOM、库存占用、工单与产能接单条件、冲突点、缺失资料清单
生产排产按优先级、工艺顺序、工时与物料设备约束排出方案排产草稿、排不下的工序、交期影响
供应链巡检核对供应商、采购、库存、在途与交付信息差异清单、风险摘要、待处理事项

此外,报表汇总(从多系统与文件收集数据,按统一口径整理出日报周报与来源明细)和异常通知(持续检查业务状态与任务失败,输出异常说明、影响范围、责任人和处理入口)也是常见的起步选择。这些场景的共同点是:结果可核对,错了能看出来,纠正成本低。

一项任务进入工作台的路径大致是:确认业务目标和负责人 → 确认系统、账号、文件与规则 → 定义结果、时限和异常边界 → 由智能体完成一次真实任务 → 核对结果、来源和人工事项 → 把有效方法沉淀为知识或技能 → 需要持续发生时再建立自动任务。

五、验收清单:怎么判断它真的能落地

演示环境里跑通,不等于生产环境里可用。制造业选AI智能体,验收环节要盯住几件具体的事。

1. 结果可核对

  • 同一任务重复跑三次,结果是否稳定一致?
  • 换一批真实数据(包含缺字段、多版本、格式混乱的样本),结论是否仍然站得住?
  • 关键数字能否一键回溯到原始来源?

2. 异常有出口

  • 遇到读不懂的表格、找不到的字段、登录失效的账号,它是停下来报错,还是自行猜测?
  • 失败清单是否完整,是否指向具体责任人和处理入口?
  • 任务中断后能否从断点继续,而不是从头再来?

3. 边界说得清

  • 哪些动作是只读的,哪些会写入系统,写入前需要谁确认?
  • 涉及质量责任、生产控制、资金、账号权限等高风险影响时,是否明确由授权人员确认?
  • 账号范围、数据可见范围、操作日志是否可查?

4. 能力可沉淀

一项任务跑顺之后,方法应该被留下来,而不是绑在某个人或某次对话里。在 Soiawork 中,可复用的核对规则和判断口径可以沉淀为技能,固定步骤编成工作流,需要按时执行的巡检与汇总交给自动任务。这样第二件、第三件相似任务的上线成本会明显下降。

六、需要提前说清的边界

把边界讲在前面,比事后解释更省成本。

  • 不替代专业判断:工艺变更、质量放行、财务入账、处方审核等仍由授权责任人决定,智能体负责把依据和异常摆清楚。
  • 不承诺未经验证的指标:准确率、覆盖率、节省比例,应以本企业真实任务试跑的结果为准,而不是参考别人的数字。
  • 不改变系统的权威性:ERP、MES、WMS 仍是记录系统,智能体在授权范围内读取与写入,冲突时以系统记录为准。
  • 人机分工要写下来:业务负责人确认目标、范围、规则与扩展决策;一线人员提供真实样例、做现场判断、验收结果;IT 确认系统条件、账号范围与维护责任;智能体在授权范围内取信息、执行确定步骤、整理结果、说明异常。

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,拥有 100+ 发明专利;在 OSWorld 测试中,实在智能产品于 2026 年 7 月取得 90.2% 的任务成功率。这些是能力背景,不是贵司场景的效果承诺——真正的答案只能在自己的数据上跑出来。

结语

制造业选AI智能体,判断标准其实不复杂:它能不能按你家的工艺顺序思考,能不能接住你家的不规范数据,能不能在关键节点停下来交给人。建议从一项每天重复、结果可验收的重复工作开始试跑,比如生产报工核对或订单评审;跑完之后核对结果与来源、清点异常与缺失、确认写入边界与责任人;确认站得住,再决定是否扩大到相邻场景。有任务,找 Soia;先让一件小事跑通,组织能力才谈得上生长。Soia 让智能生长,让工作进化。

常见问题解答

1. 用 AI 智能体,是不是要先改造 ERP 或 MES?

通常不需要。多数起步场景的思路是"在不改动记录系统的前提下,把跨系统的读取、核对、汇总和提醒先接起来"。系统照常运行,智能体通过连接器读取、通过设备(Soia Worker)在授权范围内操作软件,写入动作限定在必要的字段并保留确认与回读。真正需要改系统的,往往是流程本身要优化的时候,而不是 AI 上线的前提。

2. 老系统没有接口,数据取不出来怎么办?

这是制造业的普遍情况,也是四类优先场景里专门列出"老系统数据搬运"的原因。可行路径包括:数据库视图或定时导出、页面与桌面软件操作、文件与表格采集。关键在于把账号范围、操作权限、失败处理和回读校验定义清楚,并保留失败清单,避免出现"以为同步了、其实没同步"。

3. 数据和权限怎么控制?

三个层面:账号层面使用授权账号并限定可见范围;操作层面区分只读动作与写入动作,写入前需责任人确认并留存记录;审计层面保留任务日志、数据来源与结果版本,事后可回溯。涉及供应商、客户信息的场景,还应明确哪些字段可以出现在输出中。

4. AI 排错了、算错了,谁负责?

责任在人,工具在辅助。业务上应明确:智能体产出的是可核对的草稿与差异清单,排产决策、质量放行、资金相关动作由授权人员确认。设计上要保证结论可回溯、异常有出口、写入有确认。做不到这三点,就不适合进入生产环节。

5. 这套东西和现有的 RPA、BI 是什么关系?

三者解决的问题不同:BI 侧重把已有数据可视化,RPA 侧重把固定规则的动作自动化,AI 智能体侧重在规则不完全固定的情况下理解内容、跨系统取数、整理结果并说明异常。现实中它们往往配合使用:BI 看趋势,智能体处理"每次都不太一样"的核对与汇总,规则极其稳定的动作仍可用自动化脚本完成。

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