电子厂的排产噩梦：我们用AI Agent把Excel排程改成了自动调度

今年年初，一家广东东莞的电子组装厂找到我们。他们的厂长上来就说了一句话，让我印象很深——"我们排产靠一个快退休的老师傅，他一请假，生产就乱套。"

这家厂有8条SMT贴片产线，每天要处理50-80个订单，每个订单涉及不同的产品型号、工艺要求、物料清单和交期。排产的人是个干了20年的老师傅，手艺确实好——脑子里装着每条产线的脾气、每个产品的好做程度、每个客户的时间要求。但他马上就要退休了，而且他的排产方式还是Excel加白板加电话，一个人一天要花半天做第二天的排程，出了一点变动就得全部重来。

我们给这家厂做了套AI Agent驱动的智能排产系统，断断续续搞了3个月。这篇文章记录整个过程——方案怎么选的、实施中踩了什么坑、最后效果怎么样。

一、现场情况摸底

第一次去工厂，在车间转了一整天，记了一些关键信息：

• 产线情况：8条SMT产线，其中6条高速线（适合大批量），2条多功能线（适合小批量多品种）。每条线配置不同——有的带选择性波峰焊，有的不带，有的有在线检测AOI，有的没有
• 订单特征：每天50-80个订单，产品覆盖消费电子、汽车电子、医疗设备三大类。订单交期从3天到30天不等，加急单占比约15%
• 排产方式：老师傅每天早上8点到办公室，打开Excel看订单清单，然后凭经验在Excel里手工排。排好后再打印出来贴到车间白板上。如果当天有插单或物料异常——这是常态——就得重新排
• 换线成本：每换一次产品型号，平均需要45分钟调整贴片机参数、更换喂料器、做首件检验。每天换线次数在12-20次之间，差不多占用了产线有效时间的20%
• IT现状：有一套旧版的ERP系统（金蝶K/3），但生产模块没有启用。物料库存靠Excel管理，生产进度靠微信群里问
• 关键痛点：老师傅一请假，临时顶班的计划员要花一整天才能排出来，而且排出来的方案老师傅总说不合理——"你把这个大单放3号线，它的feeder不够装这么多料，肯定要来回换"

这些条件决定了一件事：这个排产问题，不是买个商业APS软件就能解决的。因为APS需要规范的物料数据、准确的工艺路线、实时更新的设备状态——这些这家厂基本不具备。而且商业APS动辄几十万，厂里预算有限。

所以我们的思路是：用AI Agent做"大脑"，用轻量约束求解做"计算器"，在现有数据条件下先跑起来，慢慢完善。

二、方案设计

最终确定的方案分三层：

数据层：从Excel和微信里"挖"数据

这家厂的核心数据散落在三个地方：

• 订单在ERP里，但ERP没人维护基础数据（BOM不准、工艺路线缺失）
• 老师傅的经验在脑子里——他知道哪个产品配哪个Feeder、哪个工艺参数要多少时间
• 异常信息在微信里——物料到没到、设备修没修好，都在微信群喊

我们做了个轻量的数据网关，从ERP里拉订单数据，然后让老师傅用了一个下午的时间，把每条产线的能力参数（支持的Feeder数量、贴装速度、温度曲线范围）录入到一个简单的表单里。还建了个微信机器人，自动抓取群里关于物料异常和设备状态的通报。

踩坑起步：老师傅第一次用表单录入时，写的是"1号线比较快，但3号线贴大板子强"。这种自然语言描述很有用但没法直接给程序用。后来我们加了一层，让AI Agent把这些描述翻译成结构化参数——比如"1号线CPH（每小时贴装数）约35000，3号线在大板（600x400mm以上）场景下效率更高"。这就是第一个Agent的用处。

排程引擎层：AI Agent + 约束求解

排程的核心逻辑是这样的：

输入：
- 订单列表（产品型号、数量、交期、优先级）
- 产线能力（每条线支持的产品类型、速度、Feeder数量）
- 物料库存（当前可用量、补货时间）
- 约束条件（交期、物料齐套、换线时间、人员排班）

输出：
- 建议排程方案（哪个订单上哪条线、什么时间开始、什么时间结束）
- 如果有冲突/异常，给出调整建议

实现上，我们用了两个Agent配合：

Agent A — 信息整合Agent：负责从各个数据源拉取信息，理解"当前状态"。比如："订单D0023的物料还有2天到货，3号线明天上午有一个设备保养计划，5号线AOI坏了正在修。"这个Agent的Prompt里加了一条规则：所有数据必须标明来源和置信度，不能自己编数据。

Agent B — 排程优化Agent：基于约束求解器（Google OR-Tools）做数学优化。目标函数是"最小化加权拖期+换线时间"，约束包括：

• 每个订单只能分配到一个产线的一个时间段
• 同一条产线上，前后订单之间必须留出换线时间
• 物料必须在开工前到位
• 产品的工艺要求必须与产线能力匹配（比如需要波峰焊的产品只能上多功能线）
• 紧急订单优先级更高
• 每个工人的技能约束（部分产线需要高级技工操作）

OR-Tools算出一个基准方案后，Agent B还会做一轮"合理性检查"——比如"这个方案里3号线上连续排了4个换线频繁的小单，能不能换到多功能线上合并处理？"这种优化是数学模型做不到的，因为涉及车间现场的隐性知识。

最后，Agent B生成一个自然语言的排程说明，加上简单的时间线表格，推到厂长和生产主管的微信群。

展示与交互层：简单到不需要培训

没有做复杂的Web看板——这家厂的人不习惯看系统。而是做了三个交互入口：

• 早上8点推送：Agent自动生成当日排程方案，以文字+表格的形式推送到微信群
• 调整响应：如果生产主管在群里回复"3号线下午有个紧急会议，2点到4点不能用"，Agent会自动识别这条消息，重新排受影响的部分，5分钟后给出调整方案
• 异常告警：如果实时数据（通过工人手机扫码上报）显示某条线进度落后超过30分钟，Agent会判断是否需要调整后续排程，并给出建议

这一点我觉得很关键：有些智能排产方案做得非常"重"——三维看板、数字孪生、大屏展示。但我们发现，对于这家厂的工人和管理者来说，微信群里的一段话+一张表比什么看板都管用。因为他们已经习惯了用微信处理一切工作信息。

三、实施过程

第一周：数据摸底和Agent Prompt调试

前面两周基本都在做数据准备。最花时间的事情不是写代码，而是搞清楚"每条产线到底能干什么"。

比如老师傅说"1号线不能打BGA"。为什么？是温度曲线不支持还是精度不够？一问才知道，1号线的回流焊炉有一个温区温控器坏了，温度不准，BGA这种对温度敏感的产品容易虚焊。但这个问题修一下就能解决——之前没人说，老师傅习惯了绕开它。

类似这种"隐性约束"发现了七八个。我们全部录入了Agent的约束知识库。

Agent Prompt的调试也花了不少时间。一开始Agent A在整合信息的时候经常"过度解读"——群里有人说"D0045的料可能到了"，Agent就标记为"物料已到"。改了一版，要求Agent对信息来源做分级：ERP数据>人工确认>群消息。群消息级别的信息只标记为"待确认"，不参与排程约束。

第二周到第四周：排程效果逐步提升

第一版排程方案出来的时候，老师傅看了笑了——"这不行，3号线这么排，Feeder位不够用。"

我们发现一个问题：约束模型里虽然考虑了Feeder数量，但实际的Feeder分配比想象中复杂。因为一个Feeder只能装一种物料，多个小订单共用同种物料时可以共享Feeder，但换线时Feeder需要重新配置。老师傅脑子里有一套"Feeder编排经验"——类似拼图的策略，把共用物料尽量集中。

我们把这个信息加到了约束里。改了约束模型后，第二版方案老师傅说"还行，能打60分"。然后我们保持"AI排->老师傅调->反馈给Agent学习"的循环，每轮迭代排程质量都在进步。到第四周末，老师傅说"可以到85分了，我再调一下就能直接用"。

排程质量打分（老师傅主观评分）：
第一版：30分 —— 不可用，约束遗漏太多
第二版：60分 —— 方向对了但细节不对
第三版：75分 —— 大部分合理，偶尔有奇怪的分配
第四版：85分 —— 基本可用，微调即可
第五版（上线后2周）：90分以上 —— 老师傅开始说"这个排得比我好"

第五周后：并行运行和信任建立

第五周开始，我们让系统排程和老师傅手工排程并行跑了两周。每天对比两个方案：

• 系统排的换线时间平均比手工排少约20%
• 系统排的订单准时率（按排程节点完成率）高了约15个百分点
• 但系统排对异常情况的处理不如老师傅灵活——比如"这个客户今天可以晚两个小时送货，我们不用那么赶"这种信息系统抓不到

并行跑了两周后，厂长决定正式上线。老师傅不再手工排白班了，改为审核系统方案+应对异常。他的说法是："早该这样了，我每天早上半天的活，现在20分钟看完签字就行了。"

实施中遇到的麻烦和解决办法

麻烦1：微信群消息质量参差不齐

微信机器人在群里抓异常通报，但群里的消息非常杂——有闲聊、有问食堂今天吃什么、有@所有人通知开会。一开始Agent把很多无关消息理解成了生产异常。后面处理方式是：只抓包含特定关键词的消息（"缺料""停线""坏了""修好""补料"），并且要求消息发送者在消息末尾加个标记 #生产，否则忽略。

麻烦2：数据更新的时效性问题

ERP里的数据并不是实时的。订单状态、物料入库都有延迟。有几次Agent排好了方案，但实际物料还没到，导致方案无效。解决办法是在Agent A的Prompt里加了一条规则：所有从ERP获取的物料数据，如果距离上次更新时间超过4小时，标记为"可能过期"，排程时不作为硬约束，只作为参考。

麻烦3：排程方案太频繁变动

系统刚上线那周，因为不断有异常信息进来，Agent不断调整排程方案。早上8点排好的方案，到10点已经变了3次。生产主管很烦躁——"我刚让工人做好准备了，你又换了！"

后来加了一个策略：每天只在三个时间点重新排程——早上6点（抢修/异常整合后的终版）、中午12点（根据上午进度调整下午排程）、下午5点（预排第二天）。其他时间进来的异常信息只记录，不触发重排，除非达到以下条件之一：（1）某条线停线超过2小时（2）有紧急插单（优先级A级）（3）关键设备故障。这个策略落地后，变动的频率从每天3-5次降到了基本每天一次（早晨那版）。

这个教训挺值得说的：智能排产不是越智能越好。"频繁优化"解决了数学模型的最优性，但忽略了工厂管理的稳定性需求——工人不知道接下来做什么才是更致命的问题。

四、实际效果

系统正式上线运行两个月后，我们汇总了几组数据：

当然也有不如预期的地方。比如自动识别微信异常消息的功能，准确率大概在80%左右，剩下的20%需要人工确认。而且系统上线后，偶尔会出现一些"AI无法理解"的情况——比如"今天老板的亲戚工厂急单，必须优先处理"这种人情关系，系统当然不理解。遇到这种情况，操作方式是在群里艾特Agent说"@排产助手 优先处理D0098"，Agent会把这个订单的优先级提到A级。

五、我的思考

做完这个项目，几个感受比较深：

排产的核心不是算法，是数据。约束求解和Agent Prompt都是成熟的工具，真正难的是把工厂里散落在Excel、微信、老师傅脑子里的数据整合成结构化信息。如果你还没有把基础数据搭建好，再强的排程算法也是空中楼阁。

"人机协作"比"全自动排产"更实际。一开始我们的目标是"AI全自动排产，人只看结果"。做了两周就发现这是错的——工厂里的变数太多、太微妙，AI抓不到所有信息。后来改成了"AI排方案+人审核微调"，效果反而好很多。老师傅现在说"系统帮我做了80%的活，我干那20%需要经验判断的活"，我觉得这就是比较好的状态。

从微信群切入是个正确的决定。很多工业数字化项目失败，是因为做了高大上的系统但没人用。我们从工人和管理者每天必用的微信切入，学习成本接近为零。先让用户觉得"有用"，再慢慢加功能，而不是一开始就上一整套系统。

把老师傅的经验数字化，比上一套新系统值钱得多。这家厂排产老师傅干了20年，脑子里的经验非常宝贵。但传统做法是他退休了经验也带走了。通过AI Agent把他的隐性知识提取成结构化约束，这件事本身的价值可能比排产优化更大。

六、给你的建议

如果你的工厂也想做智能排产，几点实在的建议：

1. 先搞清楚你的"数据现状"。不需要完美的ERP、不需要实时的设备数据，但至少要知道哪些数据是可信的、哪些是不可信的。Agent的Prompt里把数据来源和可信度标注清楚，比所有数据都要准确更重要——因为后者根本做不到。
2. 别一上来就想全自动。先让人工排程和系统排程并行跑两周，让老师傅和系统互相校验。这个阶段发现的约束遗漏会很多，但也正是系统变得靠谱的关键时期。
3. 从微信或者钉钉切入。建一个群，让AI Agent在群里推送排程方案、接收异常通报。工人不用学新系统，用已有的工具就能和AI协作。
4. 约束条件的提取需要跟老师傅聊，一个下午不够的话就聊一个礼拜。看起来"很简单"的一个排产决策，背后可能是几十个约束条件。漏掉一个，排出来的方案就是废纸。
5. 设定合理的排程重算策略。不要每次异常都重排——那会乱套。固定时间段重排+重大异常触发重排，是比较好的折中方案。
6. 做好"AI不理解人情世故"的准备。工厂里经常有"非理性"的决策需求——老板的朋友的急单、某个客户今天要加量、某个批次需要特别照顾。这些信息AI抓不到，需要人参与。设计系统时要留好"人工干预接口"。

最后说一句：排产这件事，看起来是技术问题——用算法优化排程。实际上它更是一个管理问题——怎么把人的经验转化为系统逻辑、怎么让系统辅助人而不是替代人、怎么在稳定性和灵活性之间找到平衡。技术只是手段，真正让排产变好的，是对工厂现场的理解和对工人习惯的尊重。