INTERNAL · 团队对齐

排产中枢：我们到底在做什么

给每一个参与建设的人看的一份材料。
不是说服别人，是让我们自己对齐。

涵盖：问题定义 · 经济价值 · 产品架构 · 技术方案 · 用户故事 · MVP边界 · 性能指标

文档链：00-06号 + PMC用户故事 + 产品交互细节 + 真相/解法/价值

一句话定义

排产是中国中小制造业工厂的"信息瓶颈"——不是因为数学问题最难，而是因为排产是工厂里唯一一个必须同时消化订单、产能、物料、人员、交期、成本六种信息才能做出决策的节点。信息在到达这个节点之前已经大量衰减，而这个节点的决策质量决定了整个工厂的运营效率。

来源：03号文档（统一框架），整合了01号的信息流枢纽论 + 02号的场模型修正 + 翟总的"全局盘活"。

我们做的事：在不改变工厂现有工作方式的前提下，在排产这个信息瓶颈上建立"信息汇聚→AI翻译→决策增强→知识沉淀"的闭环。

问题结构

四层嵌套 × 三维模型

四层嵌套（深度轴）

算法

约束求解 · CP-SAT / 贪心 / TOC-DBR

知识

PMC隐性规则 → 形式化约束 · 知识库

信息

6种数据 × 5个人 × 3种工具 → 汇聚

生态

微信文化 · 半数字化 · 快速直觉型老板

APS只做第一层，ERP试图全做。我们从第三层开始往上。

三维模型（03号文档核心框架）

深度轴

约束求解 → 知识表征 → 信息协调 → 市场生态

时间轴

战略(年) → 战术(月) → 执行(周/日) → 响应(时/分)

精度轴

设计值 → 统计值 → 实况值 → 感知值（每级衰减）

我们的主战场：知识+约束层 × 执行+响应层 × 统计→实况的转换。

为什么值得做

一家8000万工厂的年化损失拆解

价值层	内容	年化（利润口径）	确定性
① 信息搜集	PMC/销售/仓库每天7.7h找信息	~10万	高
② 报价丢单	响应慢→年丢24单（保守）	~48万	中
③ 排产失误	违约12万 + 换型10.8万 + 空转80万	~103万	中高
④ 经营盲区	错误投资、客户结构盲区	100-300万	低
⑤ 知识流失	核心PMC离职→3-6月恢复期	~160万(风险)	中
保守合计		260-460万/年	占利润16-38%

行业视角：50-200人离散制造 × 30-50万家 × 200万损失 = 6000亿/年系统性效率漏洞。

详见「排产问题的价值.md」。所有计算均有可追溯的假设和参数。

核心方法论

三个"不做" + 三个原则

不做什么（边界）

不做ERP — 不碰主数据、财务、全流程再造

不做MES — 不要求扫码报工、设备联网、传感器

不做传统APS — 不假设输入完美，不追求数学最优

做什么（原则）

寄生 — 通过API读取已有系统（伙伴云等），不持有主数据

增强 — 不改变任何人的工作流程，在现有流程上叠加能力

生长 — 第一天就有用，模糊数据先估算再迭代

产品全景

6个页面/入口 + 1个推送通道

PMC工作台

甘特图 + AI对话 + 任务详情 + 左侧面板

PMC · PC端 · 核心

每日排产确认页

全部确认 / 逐条审核两种模式

PMC · PC端

销售交期查询 H5

表单输入→结论式输出→订单跟踪

销售 · 手机端

老板看板 H5

产能利用率、交期达成率、趋势图

老板 · 手机端 · Phase 2

车间任务屏

大字体、今日任务列表、倒计时

车间 · 大屏/平板

报工入口 H5

极简表单：数量+状态+备注

工人 · 手机端

企微推送通道：8种消息类型（每日摘要、异常报警、排产变更、交期预警、物料缺口、任务提醒、确认请求、催促提醒），按角色+事件类型自动路由。

AI翻译层

三层分工：规则 → ML → LLM（成本递增，按需升级）

规则引擎

延迟：<1ms
成本：零
用途：意图分类（关键词路由7种意图）、约束校验、冲突检测

intent_router.py → keyword_rules 两阶段路由

专用ML

延迟：10-50ms
成本：低
用途：工时预测、良品率预估、物料消耗趋势、交期置信度

Phase 2 上线，需要3个月数据积累

LLM

延迟：200ms-3s
成本：最高
用途：自然语言理解、多轮对话、结果翻译为人话、知识提取

Claude API(主) + 国产模型(备降级)

设计原则：能用规则解决的不用ML，能用ML解决的不用LLM。 意图分类两阶段：关键词匹配（<1ms）→ 未命中时调LLM（200-500ms）。成功率目标：关键词覆盖85%+日常场景。

技术选型

全栈一览（3-5人团队优化）

层	选型
前端·PC	React 18 + TypeScript + Vite
前端·H5	React + Ant Design Mobile
甘特图	自研 Canvas + HTML Overlay
后端	Python 3.12 + FastAPI (async)
排产引擎	OR-Tools CP-SAT + 贪心启发式
数据库	PostgreSQL 16 (schema级多租户)
缓存/队列	Redis 7
LLM	Claude API + 国产模型降级
任务调度	Celery + Redis Broker
部署	Docker Compose → K8s
CI/CD	GitHub Actions
监控	Prometheus + Grafana + Loki

代码结构（模块化单体）

排产中枢/ ├── api/ 路由+鉴权+入参校验 ├── services/ 业务逻辑（AI/排产/知识） ├── engine/ 排产引擎（纯计算无IO） │ ├── solver_cpsat.py │ ├── solver_greedy.py │ └── solver_selector.py ├── ai/ AI翻译层 │ ├── intent_router.py │ ├── llm_client.py │ └── prompt_builder.py ├── adapters/ 外部系统适配器 │ ├── huoban.py │ └── wechat.py ├── knowledge/ 知识库管理 ├── models/ SQLAlchemy ORM ├── schemas/ Pydantic模型 ├── core/ 配置+安全+中间件 └── workers/ Celery异步任务

不做微服务。内部严格分层，如需拆分改调用方式即可。

排产引擎

策略工具箱 + Solver选择器自动路由

CP-SAT 精确求解

≤50任务 · 秒级全局最优
决策变量：任务×设备×时间窗
约束：设备独占、工序依赖、交期
目标：最小化最大延迟+换型

贪心启发式

>50任务 · 毫秒级
紧迫度排序 + 瓶颈优先
质量可接受（GAP<8%）
作为CP-SAT超时的降级方案

TOC-DBR

有明确瓶颈时 · 只优化瓶颈
其他设备服从瓶颈节奏
大幅降低数据要求
动态缓冲：瓶颈前永远留余量

Solver选择器逻辑：任务数<50 且时间预算>2s → CP-SAT；否则 → 贪心。有明确瓶颈约束 → TOC-DBR优先。PMC无感知——系统自动选择最合适的策略。

关键设计：模糊输入友好。每个数据点带置信度标签。"3号机比较慢" → 效率0.85±0.1，后续根据实际数据自动修正。

用户故事

20个用户故事，按"PMC的一天"时间线排列

#	时间	故事	关键验收	范围
01	7:40	每日生产概况速览	4分钟了解全厂，缺数据标置信度	MVP
02	7:40	异常事项主动预警	良品率<98%自动标红，推送到PMC	MVP
03	7:40	订单风险AI评估	PMC问"风险大吗"，AI给出量化评估	MVP
04	8:15	交期试算（AI对话）	自然语言→1-3个方案，<3秒	MVP
05	8:15	方案对比与级联评估	影响了谁、影响多大、是否违约	MVP
06	8:15	What-if假设推演	沙箱环境，不影响正式排产	P2
07-09	9:00	早会概览 + 甘特图拖拽 + 手动补录	投屏、拖拽<200ms冲突检测、置信度标注	MVP
10-11	10:30	插单评估 + 确认推送	AI对话触发，方案确认后自动通知相关方	MVP
12	13:30	异常上报与级联影响	设备停→自动评估影响范围→重排建议	MVP
13-14	14:30	销售自助查交期 + 订单进度	H5表单，无需登PMC工作台	MVP
15	15:50	物料缺口预警	排产方案→BOM展开→库存比对→缺口报警	MVP
16	15:50	条件触发规则	库存低于阈值→自动触发采购建议	P2
17-18	17:00	每日确认 + 车间通知	一键/逐条确认→企微推送→已读回执	MVP
19-20	17:30	老板报表 + AI产能分析	月度趋势图、瓶颈识别	P2

16个MVP + 4个Phase 2。每个故事都有完整的验收标准和05/06号文档的设计/技术映射。详见「PMC用户故事与产品技术映射.md」。

MVP边界

Phase 0（两个月出demo）：做什么、不做什么

MVP包含

PMC工作台	甘特图(只读+基础拖拽) + AI对话窗
AI对话	交期试算 + 状态查询 + 异常响应(3种意图)
排产引擎	CP-SAT + 贪心（两种策略）
级联评估	基础版（直接影响 + 一级传播）
销售查询	H5表单，结论式输出
报工入口	极简表单（数量+状态+备注）
知识库	PMC手动规则录入
适配器	伙伴云（接口A+B+C）
推送	企微（每日摘要+异常推送）

MVP不包含（Phase 2+）

自动排产每日初稿	需历史数据
What-if模拟	沙箱开发量大
AI知识提取	需对话数据
老板看板	先保PMC+销售核心流程
多级级联	基础先验证
统计模型	需3月+执行数据
预警引擎	依赖统计模型
多工厂	先服务好单工厂

性能与质量

性能指标 + 降级策略 + 验证指标

性能目标

场景	目标
交期试算 (<50任务)	< 3秒
交期试算 (50-200任务)	< 5秒
插单级联评估	< 5秒
AI对话首字节	< 1秒
甘特图可交互	< 2秒
拖拽冲突检测	< 200ms
每日自动排产	< 5分钟
数据同步	< 30秒

可用性目标：99.5%/月（~3.6h允许停机）

降级策略

LLM不可用 → 降级到模板化输出（预设回复）

伙伴云不可用 → 本地缓存，标注"数据截至X时"

CP-SAT超时 → 降级到贪心启发式

MVP验证指标

交期试算 <5秒 (vs之前40分钟)

PMC认可建议比例 >60%

销售自助查交期率 >50%

底线：不能比PMC原来更慢；不能出现明显错误导致违约

北极星场景

PMC的一天：我们要做到的Before → After

BEFORE · 7:40

微信语音"废了大概二十来个"，报工表2台空白，打电话确认，计算器算两分钟，置信度六成。

AFTER · 7:40

系统自动标红异常，已算好级联影响，缺数据标了置信度。4分钟了解全局。

BEFORE · 8:15

销售问交期→查工艺、算工时、看排期、问库存→三个电话+35分钟→"大概可以"。

AFTER · 8:15

销售自己在H5输入需求，3秒出结果，附带方案对比。PMC不被打断。

BEFORE · 14:30

CNC-3停机→在脑子里重排几十个约束→两小时→不确定有没有漏。

AFTER · 14:30

"CNC-3今天停"→3秒重排→谁挪、挪哪、影响谁、通知谁→确认即执行。

完整9个时间段的Before/After详见「PMC的一天：排产中枢前后对比.md」。

部署路径

信任阶梯：系统能力随时间渐进释放

1-2周

镜子

汇集信息、呈现事实。不判断不建议。采集基线数据。

3-4周

提醒者

主动推送预警。缺料、集中交期、设备异常。

2-3月

参谋

自动排产方案、插单评估、What-if。PMC工作量-40%。

4-6月

搭档

常规排产自动化。深度洞察：瓶颈、客户产能占比。

6月+

神经系统

全厂信息枢纽。跨角色数据视图。行业知识可迁移。

每一步都在当下产生价值。Phase 0目标：跑通"镜子"→"提醒者"的完整闭环，验证核心假设。

文档索引

所有文档的关系和阅读顺序

文档	内容	适合谁读
00 项目概览	项目背景、协作规约、材料索引	所有人
01 信息流全景	六条信息流断裂 + 排产枢纽位置	产品/CEO
02 外部审视与修正	五个盲区 + 场模型 + TOC/DDMRP	产品/CEO
03 统一框架	三维模型 + 产品设计决策 + 客户叙事	所有人（核心）
04 产品架构设计	模块划分、信息流、角色权限	产品/前端/后端
05 详细产品设计	界面、交互、数据模型、API、MVP范围	全开发团队（核心）
06 技术架构实施方案	技术栈、代码结构、排产引擎、部署	全开发团队（核心）
PMC用户故事映射	20个用户故事 + 验收标准 + 05/06映射	PM/开发
PMC产品交互细节	每页面每按钮的点击→响应规格	前端开发
PMC的一天	9个时间段的Before/After（北极星场景）	所有人
真相 / 解法 / 价值	对外叙事三件套（客户/伙伴可读）	销售/BD

INTERNAL

我们在做的事：
在中国最被低估的信息瓶颈上，
建一个越用越聪明的翻译层。

不替代人、不替代系统。把分散的信息连起来，让每个人在需要的时刻看到需要的东西。

Phase 0 目标：两个月出demo
核心验证：交期试算 <5秒 · PMC认可 >60% · 销售自助 >50%
底线：不能比原来更慢，不能出现明显错误