AI 排产靠谱吗？为什么严肃排程不能完全交给大模型

先说结论：不要把生产排程完全交给大模型

如果一个工厂只是想让 AI 帮忙解释为什么会延期、整理排程规则、生成会议纪要或辅助计划员分析方案，大模型很有价值。

但如果要求大模型直接根据一段自然语言稳定排出可下达到车间的计划，风险很高。生产排程不是写一段看起来合理的文字，而是要满足物料、工序、设备、日历、换模、交期和优先级等大量约束。

为什么大模型直接排产不稳

大模型擅长语言理解和生成，但严肃排程要求结果可验证、可复现、可追溯。一次排程漏掉一条物料约束、忽略一次设备停机、错算一个换模时间，都可能让计划看起来漂亮但无法执行。

• 制造现场的数据必须结构化：订单、BOM、库存、在途、工艺路线、设备日历不能只靠口头描述。
• 排程约束必须明确：哪些是硬约束，哪些可以权衡，哪些必须人工确认。
• 排程结果必须能解释：为什么这个订单先排，为什么这台设备被占用，为什么某个工单会延期。
• 插单、客户优先级、交期让步和生产策略，本质上是经营取舍，不能完全交给模型自由决定。

APS 排程真正需要什么

可靠的 APS 排程通常需要把计划问题转成约束模型，再由求解算法寻找可行或更优的候选方案。Google OR-Tools 的作业车间排程示例也体现了这一类问题的核心：任务有先后顺序，机器在同一时间只能处理有限任务，目标往往是缩短完工时间或满足交期。

• 订单与交期：销售订单、备库需求、急单和客户优先级。
• 物料与齐套：BOM、库存、在途、在制、占用和预计到料时间。
• 工艺与设备：工艺路线、候选设备、标准工时、换模规则和瓶颈资源。
• 日历与执行：班次、停机、加班、冻结区、已开工任务和报工反馈。
• 优化目标：准交、少延期、少等待、少换模、设备负荷均衡等目标之间需要权衡。

AI 在制造计划里真正适合做什么

务实地看，AI 在制造企业最先产生价值的地方，往往不是替代排程算法，而是提升系统建设和使用效率。尤其是中小制造企业，量可能不大，但流程复杂、规则分散、历史表格多，传统信息化定制周期容易被拖长。

• 辅助访谈：把老板、PMC、采购、仓库、生产主管的描述整理成流程和规则。
• 辅助建模：把订单、物料、库存、工艺、设备和报工字段梳理成系统结构。
• 辅助编程：加快页面、接口、校验、导入模板、报表和客户专属流程开发。
• 辅助测试：生成测试用例、边界场景和验收清单。
• 辅助解释：把 MRP、分配占用、缺料、排程冲突翻译成老板和计划员能理解的话。

Future-Seven 的做法

Future-Seven APS 的底座覆盖订单、预测、MPS、MRP、分配占用表、APS 排程和生产交付。我们不会把排产简单包装成“让 AI 自动排”，而是把大模型放在更适合的位置：需求梳理、规则整理、AI 编程、测试、文档、培训和决策解释。

严肃排程继续依赖确定的数据结构、业务规则、算法求解器和人工确认。对中小制造企业来说，这比单纯宣传“AI 自动排产”更慢热，但也更可靠。