生产排产与库存核对用什么AI?Soiawork数据预警方案落地路径
周一早上八点半,计划员的桌面上通常同时开着五个窗口:ERP 里的生产订单、Excel 里的 BOM 表、仓库发来的库存快照、采购的在途清单,还有一个不断弹出插单消息的群。一条产线几张订单抢工期,一批物料差几百个才能齐套,这些答案不在任何一个系统里,而在人脑把这些表格对完之后。所以当团队开始问"生产排产与库存核对用什么AI"时,问的其实不是算法,而是能不能有人替我们把这些数据先凑齐、先算一遍、先把异常挑出来。
这篇文章想讲清三件事:排产与库存核对真正卡在哪里;一类"能操作系统的智能体"和普通对话模型差在哪;以及一个已经做过复现验证的 Soiawork 数据预警方案,在齐套缺料、排产重排、库存补货三个场景里具体怎么跑、边界又在哪。凡标注"复现验证"的内容,都是已完成复现、可用真实表格结构套用的场景;标注演示数据的部分,我们会明确说明它还不能当作客户成效。
一、卡住计划的往往不是计算,而是凑齐依据
排产的约束条件,天生分散在四个地方
计划员并不缺"排产逻辑",缺的是把逻辑需要的输入凑到一个视图里:
- 订单优先级在销售或 ERP 里,且经常被一句"这单急"临时改写。
- 工艺路线与工序工时在 MES、工艺文件或老师傅的经验里,版本还不一定统一。
- 可用工时在排班表和车间的实际出勤里,两者常有差异。
- 物料与设备状态在库存表、在途清单和设备台账里,更新频率各不相同。
这四类信息每动一次——插单、到料延期、设备停机——就要重排一次,而重排之后"哪些订单受影响、交期变成什么样",往往只留在计划员自己的脑子里,事后难以复盘。
库存核对的三个常见失真
真正导致缺料漏算的,通常不是加减法出错,而是口径没对齐:
- 在途没算进去:可用库存如果只取现有量,会把已经发货在路上的量重复当成缺口。
- 安全库存没扣:把安全库存当可用量消耗掉,账面上齐套,实际到线就断料。
- 已被别的订单占用的量没扣:同一批物料被两张工单同时认领,谁先发现谁先抢。
所以库存核对的正确口径是"现有 + 在途 − 安全库存 − 已占用",并且要跟到料时间对齐。这个公式不难,难的是每天把所有物料都按这个口径重算一遍。
二、生产排产与库存核对用什么AI?先分清两类能力
会"说"的模型,和会"做"的智能体
- 通用对话模型能解释排产原理、能帮你写排产说明文档,但它拿不到你家 ERP 里今天早上八点的库存数字,也无法判断这张工单的物料是否已被占用。
- 执行型智能体的差别在于能取数、能判定、能回读校验:打开系统读数据、按固定规则分类、把结论写回业务系统,再把写回结果读一遍确认。
在 Soiawork 中,Soia 可以按一句指令调用连接器取数、用知识库核对工艺与检验标准、通过设备(Soia Worker)操作本机软件界面完成查询与录入,最终把结果整理成一份能被人直接看的报告。
挑这类 AI 的三个判断标准
- 能不能取到真实数据:只支持上传表格的工具,很快就退化成"又一个要手工导出的 Excel"。
- 规则能不能固定下来:判定顺序、补货公式这些属于企业自己的知识,必须能沉淀成可复用的技能与工作流,而不是每次重新对话。
- 结果能不能被核对:每一处缺口、每一次调整,都要能追溯到依据和原始数据位置。
三、场景一:齐套缺料预警,把一两小时的比对压成一次指令
这个场景在场景库中属于复现场景,已完成复现验证,可直接用真实表格结构套用。
过去的做法:采购员每天人工比对 BOM 表、库存表(含在途、安全库存、供应商)与生产订单表,逐个物料算缺口,再用 Excel 手工汇总,发现缺料后逐个供应商打电话跟催。一轮排查需要 1–2 小时,订单多时容易漏算。
现在的四步流程:
- 导入三张表:BOM 表、库存表、生产订单表交给 Soia。
- 按订单展开 BOM 汇总需求:一句话指令,按订单维度把物料需求汇总出来。
- 计算可用库存并识别缺口:可用库存按"现有 + 在途 − 安全库存"计算,同时标出已缺料和即将跌破临界线的物料。
- 输出预警报告:带缺口数量与跟催优先级的清单,采购可以直接照着打电话。
复现验证的成效:排查耗时从 1–2 小时/次降到约 1 分钟/次;9 种物料一次全量覆盖、零漏算。需要说明的是,这是复现验证环境下基于真实表格结构跑出的结果,不等于任何具体客户的实施成效;实际效果取决于你的 BOM 完整度与库存数据及时性。
四、场景二:生产排产,重排之后要留下"为什么改"
排产场景属于制造场景,它的价值不在于"AI 替计划员定计划",而在于把约束条件摊开、把冲突标出来、把改动记下来。
- 梳理排产约束:按订单优先级、工艺顺序、可用工时、物料与设备限制,形成一份结构化输入。
- 生成排产方案草稿:按约束排出工序安排,明确标出排不下的工序,而不是含糊地"尽量安排"。
- 评估交期影响:列出受影响订单和交期变化,让销售在承诺客户之前就知道代价。
- 保留调整前后对比:记录改动依据,交计划员确认后才执行。
这个场景的成效描述是定性的: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。最终签字的仍然是计划员——插单该不该接、哪张单可以让一让,属于经营判断,AI 只负责把判断所需的依据摆齐。
五、场景三:库存五类判定与补货触发
这个场景同样是复现场景,做法上更"重执行":智能体通过设备(Soia Worker)打开业务系统,一次读完物料的在库数量、预警线与近三个月月均出库,然后按固定顺序判定五类状态,只对缺料物料按"月均 × 1.5 − 当前库存"向上取整计算补货量,人工确认后回系统新增建议、提交申请,并回读校验。
- 判定有顺序:缺料 → 积压 → 呆滞 → 临界 → 正常,顺序固定才能保证同类物料得到同样的结论。
- 边界要写死:库存等于预警线判为临界、不补货;三个月无出库判为呆滞、不补货。这些规则不写清楚,AI 就会在边界上给出模棱两可的建议。
- 只对缺料算补货量:避免系统被大量"看起来该补"的建议淹没。
必须说明的边界:这个场景已完成复现,但演示环境使用的是 8 个物料的演示数据,未接入真实 WMS/ERP,也没有需求预测模型,补货量只按出库历史推算。演示数据(如某两个物料补货量 370、50)可以当场复算,但不能当作客户成效,也不能替代基于订单、季节与促销的正式需求计划。
六、Soiawork 在这条链路上具体提供了什么
把上面三个场景连起来看,生产排产与库存核对需要的是一套能从取数走到留痕的能力组合:
- 连接器:从 ERP、WMS、MES 等系统取订单、库存、在途数据,减少人工导出。
- 设备(Soia Worker):对没有稳定接口的老系统,直接操作本机软件界面完成查询与录入,并在操作后回读校验。
- 知识库:存放工艺路线、检验标准、供应商约定、判定规则,让结论有依据可查,而不是模型凭印象生成。
- 技能:把"可用库存 = 现有 + 在途 − 安全库存"这类口径固化成可复用技能,避免每个计划员一套算法。
- 工作流:把"取数 → 展开 BOM → 算缺口 → 分级 → 出报告"的固定步骤编排起来,每次按同一路径跑。
- 自动任务:按班次或时点定时运行,比如每天早班前生成齐套预警、每月逢五、逢十触发补货判定。
- 工作空间:让计划、采购、仓储在同一个空间里看同一份数据与结论,而不是各自手握一版表格。
顺带一提能力底座: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 任务成功率上达到 90.2%(2026 年 7 月,实在智能产品)。这些是平台能力的背景信息,不代表任何单个排产场景的效果承诺。
七、边界:哪些事不该交给 AI 做主
- 不做专业判断的替代:交期承诺、供应商取舍、加急成本,仍由计划与销售负责人决定。
- 不承诺未经验证的指标:没有跑过的准确率、覆盖率、节省比例,我们不会写进方案里。
- 数据质量决定上限:BOM 不准、库存不实时的地方,先补数据再上智能体,否则只是把错误算得更快。
- 演示数据不等于成效:凡是演示环境跑出的数字,只能证明"流程能跑通",不能证明"你能省多少"。
要让每家企业都能轻松构建自己的 AI 组织,起点不是一次大改造,而是把一项每天重复、规则清晰、错了也不致命的工作先交出去跑一遍。建议从齐套缺料预警这类"输入是几张表、输出是一份报告"的场景开始试跑,跑一周,逐条核对结论与异常,确认口径对得上、漏算确实为零,再决定要不要把排产评估和补货触发也接进来。生产排产与库存核对用什么AI,答案往往不在选型会上,而在第一周的核对记录里。
常见问题解答
1. 上这套方案要不要改造现有 ERP/MES?
通常不需要。取数优先走连接器;对没有稳定接口的老系统,通过设备(Soia Worker)操作原有软件界面完成查询和录入,业务系统本身可以不动。改造大不大,取决于你希望数据多实时,而不是取决于要不要用 AI。
2. 数据和权限怎么控制?
原则是"按原有权限取、按最小范围给"。智能体以业务账号访问系统,看到的和该岗位能看到的范围一致;知识库与工作空间也可按部门划分。涉及成本、供应商价格等敏感字段时,建议先在单个部门内跑试点。
3. AI 排出来的计划错了谁负责?
AI 输出的是方案草稿与预警报告,签字执行的仍是计划员和采购负责人。产品设计上刻意保留了"交计划员确认后执行"这一步,并记录调整前后的差异,目的就是让责任边界清晰、事后可回溯。
4. 从哪个场景开始最划算?
优先选规则清晰、输入是表格、输出是报告、频率高的场景——齐套缺料预警是最典型的起点,因为它直接对应"每天 1–2 小时"的人工比对,且结果容易逐条核对。等口径稳定,再扩展到排产评估与补货触发。
5. 和现有 RPA、BI 是什么关系?
RPA 擅长按固定脚本点击界面,BI 擅长把历史数据可视化,二者都不太处理"这次该判哪一类、缺口是多少"这类带规则的判断。Soiawork 的位置在两者之间:用连接器和 Worker 取数,用技能和工作流承载判定规则,输出的报告可以再进 BI 做趋势分析。它们不是替代关系,而是分工关系。


