AI翻译层 + 排产引擎 + 知识库
寄生在客户已有数据底座上的决策增强系统
不替代客户已有系统。嫁接在伙伴云/飞书上，通过窄接口读数据，不持有主数据。
核心数据模型是"资源×时间"，不是"单据流"。排产中枢管产能分配，不管审批流程。
AI翻译层是一等公民。所有操作都可以用自然语言完成，不需要学复杂界面。
"3号机比较慢"→效率0.85，置信度70%。接受不完美数据，标注置信度，持续校准。
不追求全局最优。管好瓶颈设备，全厂产出就有保障。大幅降低数据要求。
第一天就有价值。信任阶梯：镜子→提醒→参谋→搭档→神经系统。
不是"加了个ChatGPT"，而是一个结构化的多模块系统。
| 意图类型 | 示例 | 调用模块 |
|---|---|---|
| 交期试算 | "500件M8能不能周三交" | 约束求解器 |
| 插单评估 | "临时加单影响哪些" | 级联评估器 |
| 异常响应 | "3号机坏了" | 求解+级联 |
| 假设推演 | "如果周末加班呢" | 沙箱模拟 |
| 状态查询 | "王总的单到哪了" | 直接查库 |
| 规则设置 | "3号机别排精密件" | 规则引擎 |
LLM只用于人机交互（理解输入+生成输出），不用于排产计算本身。排产计算用确定性算法，确保结果可预测、可解释、可复现。
LLM自然语言交互（每次对话）
专用ML工时预测/异常检测（定时+事件）
规则引擎硬约束执行/BOM展开（每次计算）
不同场景自动选择不同算法——不是"一个算法打天下"。
任务数<50时使用。数学最优，耗时较长。
周计划新单排产
任务数>50或需秒级响应。快速近优。
实时重排大规模
已识别明确瓶颈时。只优化瓶颈。
瓶颈满载降低复杂度
What-if请求。克隆当前状态独立计算。
插单评估假设推演
定时触发。确定性执行，无优化。
常规排入报工触发
级联评估器：设备故障 → < 5秒完成影响评估 → 沿依赖图正向传播 → 生成2-3个替代方案 → AI翻译为PMC能理解的影响报告
demand_id, product_id, quantity, due_date, priority
从订单系统75个字段中，只取5个。
material_id, available_stock, in_transit_qty, eta
从库存/采购47个字段中，只取4个。
routing[op_id, std_time, workstations[]], bom[mat_id, qty_per]
BOM展开由排产中枢自己做，不受外部层级限制。
工站 + 产品 + 工序 + 数量 + 时间 + 物料准备清单
物料 + 需求日期 + 缺口量 + 建议采购日期
订单 + 完成进度 + 预计交期 + 风险标记
适配器层做字段映射和数据质量补偿。换外部系统只需换适配器，核心不动。
每服务一个客户，飞轮转一圈。下一个客户上线更快。
"问什么问题"—标准化60分钟行业调研
形式化的行业排产规则和默认参数
经PMC确认的工厂专属约束和偏好
计划vs实际的偏差 → 自动校准参数
工时预测更准、异常检测更灵敏
| 功能 | PMC | 销售 | 老板 | 车间 |
|---|---|---|---|---|
| 交期试算 | ✅ 完整方案 | ✅ 结论 | — | — |
| 排产甘特图 | ✅ 可拖拽 | 只读 | — | — |
| AI对话 | ✅ 完整 | 限交期 | — | — |
| 插单评估 | ✅ 完整 | 看影响 | — | — |
| 月度报表 | 生产维度 | 交期维度 | ✅ 全局 | — |
| 经营看板 | 部分 | 部分 | ✅ 全局 | — |
| 任务单 | 下达 | — | — | ✅ 执行 |
微信是一等渠道：销售用微信查交期、老板收微信推送看板、车间用企微接任务、PMC通过企微消息与AI对话。
排产引擎核心跑通
最小AI翻译层（交期试算）
伙伴云适配器（接口A）
PMC工作台原型
第一个行业模板
✓ 交期试算 <5s
接口B/C打通
物料齐套检查
插单影响评估
销售H5查交期
每日推送
置信度体系上线
✓ 首个付费客户日活
自动排产（每日初稿）
What-if模拟引擎
知识提取模块
老板看板
瓶颈自动识别
第二个行业模板
✓ 初稿80%可接受
预警引擎
供应商可靠性模型
客户利润分析
多工厂支持
行业知识网络基础
3-5个行业模板
✓ 人工干预<10%
| 成本项 | 估算/月 |
|---|---|
| 云服务器 | ¥200-500 |
| LLM API调用 | ¥300-800 |
| 数据存储 | ¥50-100 |
| 数据同步 | ¥100-200 |
| 合计 | ¥650-1600 |
交期试算 + 基础排产 + 销售查询
锚点：半个PMC月薪
+ AI对话 + 自动排产 + 老板看板
锚点：一个PMC月薪
+ 全角色 + 预警 + 定制分析
锚点：传统APS的1/10
| 风险 | 概率 | 应对策略 |
|---|---|---|
| LLM理解意图出错 | 中 | 所有AI输出必须经PMC确认；高风险操作需二次确认；建立评测集持续优化 |
| 客户数据质量太差 | 高 | 置信度体系+显式标注；模糊输入友好设计；从执行反馈中快速校准 |
| PMC不信任/不使用 | 中 | 信任阶梯渐进设计；初期只建议不自动执行；每次都解释原因 |
| 伙伴云API不稳定 | 中 | 适配层重试+降级；本地缓存兜底；适配层与核心解耦 |
| 知识提取不准确 | 中 | 所有候选规则必须经PMC确认才入库；一键撤销错误规则 |
排产中枢 = AI翻译层 + 排产引擎 + 知识库，通过适配器寄生在客户已有数据底座上。AI翻译层是核心差异化——让调度员用人话跟系统说话。排产引擎提供策略工具箱而非单一算法。知识库通过飞轮越用越聪明。多角色界面让同一套数据服务所有人。分四个Phase交付，每一步都在当下产生价值。
基于排产问题重构系列研究（01-03）、ERP伙伴云模板拆解（01-05）、产品设计知识库整合 · 2026.3