一、需求解读：当排产成为制造企业的瓶颈
制造业生产计划领域长期存在一个悖论：ERP、MES、WMS等系统已经普及，但排产环节却仍然高度依赖Excel和经验丰富的计划员。这不是技术投入不够，而是排产问题的本质------多约束、多目标、强动态------恰好击中了传统信息化工具的能力边界。
本项目需求所瞄准的，正是这个"系统上线了但排产还是靠人"的结构性缺口。需求页面清晰地将痛点归纳为：计划排程靠老师傅经验、产能负荷凭感觉、交期承诺不可靠、异常靠加班和口头协调应对。四个痛点指向同一个根源：排产决策缺乏一个能够同时处理"多约束建模、有限产能优化、异常快速响应"的智能引擎。
需求将技术链条拆解为六个环节：生产数据与约束建模→产能测算与订单拆解（对接ERP）→有限产能智能排产→异常事件动态重排→多目标优化→甘特图人机协同，并要求至少实现两类智能体协同，演示"多订单多资源排产"和"插单与异常重排"两大场景。表面上看这是一个排产算法项目，实质上是一套可落地的排产决策系统加多智能体协同的演示骨架。
需求页面中特别标注了三个关键判断，值得在方案设计中反复回看：
第一，难点不在算法，在约束建模与数据。 排产项目失败多数不是优化算法不够强，而是约束没建全或输入数据不准。制造业排产的典型约束至少包括：工艺路线决定的工序先后关系、同一设备在同一时刻只能加工一个工件的资源独占约束、不同产品切换时的换型时间（往往与切换顺序相关，即序列依赖换型）、班次日历约束、物料齐套约束。任何一项遗漏，产出的都是"精美的错误"。
第二，算出来的方案必须可解释、可干预。 黑盒优化的结果车间老师傅不认，落地就会失败。这一判断直接决定了甘特图人机协同和结果解释智能体不是锦上添花的功能，而是系统能否被采纳的关键。
第三，大模型与求解器的分工必须清晰。 排产是强计算问题，必须用约束求解器或启发式算法出结果；大模型负责理解业务语义、选择策略、判断异常影响、翻译结果。绝不能让LLM直接生成排产表。实证研究也印证了这一判断：标准LLM生成的排产方案虽然语义流畅，但往往物理不可行，违反资源独占等基本约束。
二、总体架构：多智能体编排式协同
需求要求"至少实现2类智能体协同"，而架构上设计了四类智能体：生产理解智能体（校验输入、装载约束）、排产优化智能体（选策略、调求解器）、异常调度智能体（影响评估、定粒度）、结果解释智能体（翻译方案、人机问答）。四类智能体采用编排式架构，共享方案快照和事件队列，各司其职而非各自为政。
这一设计有学术基础。A4PS框架在多智能体协同中明确采用编排式工作流，由不同角色的LLM智能体在标准操作流程下协同完成APS的修改和更新任务，通过多步知识增强方法和RAG-CoT增强机制赋予通用智能体专业排产知识。RALMAO框架则进一步将检索增强生成与LLM驱动的多智能体系统结合，实现智能体间协作和跨系统优化，在眼药水和服装制造等真实工业数据集上验证了优于现有企业方案的表现。
四类智能体的核心协作逻辑可以概括为：生产理解智能体是"入口关" ，负责将ERP订单数据、工艺路线、资源日历、约束规则转化为结构化的问题描述，如果输入数据存在缺失或矛盾（例如某工序的可用设备与实际设备清单不匹配），它需要标记并请求澄清。排产优化智能体是"计算关" ，根据生产理解智能体输出的问题描述，选择合适的求解策略（精确求解、启发式或混合策略），调用求解器生成初始排产方案。异常调度智能体是"响应关" ，监听事件队列中的插单、设备故障、缺料等扰动事件，评估影响范围并决定重排粒度。结果解释智能体是"翻译关" ，将求解器输出的数字方案转化为业务语言，回答"为什么这个订单排在后面""如果调整设备分配会怎样"等问题。
多智能体协同的另一个关键设计是治理架构。实践中的经验表明，避免多智能体相互冲突或越权操作，需要遵循"单一决策中枢+前置准入控制+建议不越权"的原则------运维与能源类智能体只提供建议和约束，最终排产由排产优化智能体统一裁决。在本项目的四智能体架构中，排产优化智能体应当扮演决策中枢角色，其他智能体提供约束、评估和建议，不直接修改排产方案。
三、约束建模与有限产能排产引擎
3.1 约束建模：形式化是排产的第一道门槛
需求环节的第一项就是"把现实排产问题形式化，硬约束与软约束分级"。这一步的工程质量直接决定后续排产方案的可靠性。
约束建模需要处理的核心约束类型包括：工艺约束 （工序先后顺序、可选工艺路线）、资源约束 （设备独占、人员资质与排班、模具数量）、时间约束 （班次日历、设备维护窗口、物料到货时间）、换型约束（序列依赖的换型时间，即从产品A切换到产品B的时间取决于A和B的组合）。其中换型约束尤其容易被低估------多模型生产线上的换型优化是一个NP-hard问题，需要在批次排序中同时考虑换型次数和换型时间，已有研究采用遗传算法在67个装配工位的真实场景中验证了序列优化对换型损失的显著改善。
大模型在这一环节的价值不是"理解自然语言约束"这么简单。更准确地说，LLM可以充当约束提取的语义桥梁------将工艺文档、操作规程、老师傅的经验描述等非结构化文本转化为结构化约束。有研究提出了三层LLM框架，通过结构化提示生成制造领域知识图谱，再通过轻量拓扑处理将知识图谱转化为时间依赖矩阵，最终通过约束与目标解耦生成可执行的数学规划模型，实现了从非结构化文本到混合整数线性规划公式的自动转换。这为"生产理解智能体"提供了技术路径：它不需要让LLM直接理解所有约束，而是让LLM从文本中提取候选约束，再由人工确认和补充，形成约束库。
3.2 排产引擎：求解器为核，智能体为脑
有限产能智能排产的求解，本质上是一个带复杂约束的组合优化问题。需求页面明确提出用约束求解器或启发式算法出结果，LLM只负责选策略和翻译。
工程实现上，可采用混合整数规划与约束规划的混合求解架构。IBM CP Optimizer在有限产能排产场景中支持间隔变量建模活动、累积函数建模资源消耗，以及序列依赖的换型时间建模，是成熟的选择。对于大规模问题（如多工厂、数千订单的排产），可采用分层求解策略：先做粗粒度产能测算和订单拆解确定大体分配，再做工序级精细排产。
排产优化智能体的核心决策是策略选择。LLM-Scheduling框架的实验表明，LLM驱动的多智能体系统在大多数场景下优于传统方法，并且能够根据问题特征自动选择求解策略。在实践中，排产优化智能体可以维护一个策略库：对于瓶颈工序明显的场景，优先用瓶颈驱动策略；对于多品种小批量场景，优先用批次合并策略以减少换型；对于交期紧张的场景，优先用交期倒排策略。
四、异常事件动态重排：分级响应而非全局重算
插单、设备故障、缺料等异常事件是排产系统最考验工程能力的场景。传统做法是全局重排------把所有任务重新算一遍，这在计算时间和方案稳定性上都是灾难。
需求页面给出的设计思路是"右移/局部/全局三级响应"。这一思路有充分的学术支撑。基于扰动程度的分级重排框架通过量化指标评估扰动严重程度，设定容忍阈值进行分类，然后选择对应的重排层级------设备级、服务单元级或车间级------进行精准的自适应重排。仿真实验表明，相比传统方法，该框架将平均完工时间减少9.80%，调度鲁棒性提升36.55%。
三级响应的具体逻辑是：右移 适用于轻微扰动（如某设备短暂停机后恢复），只需将受影响工序的时间窗口向后平移，不动其他工序的安排；局部重排 适用于中等扰动（如单台设备故障需要将其上任务转移到替代设备），在受影响的工序子集内重新分配资源，保持其他工序不变；全局重排适用于重大扰动（如多台设备同时故障或大客户紧急插单），需要重新求解。
异常调度智能体的核心能力是影响评估。它需要回答三个问题：受影响的是哪些订单/工序？影响程度是否超过可接受阈值？采用哪一级重排策略？这一评估需要快速完成------在航空航天高端零件排产场景中，排程重优化的响应时间要求≤50秒。
五、多目标优化：分层而非加权
排产的多目标优化（准时交付率、设备利用率、换型次数）是经典难题。需求页面明确选择"分层（词典序）优化，而非简单加权和"。这一选择有充分的工程合理性：加权和优化需要事先确定各目标的权重，而权重在不同生产情境下会变化，且加权和可能产生"以牺牲准时交付率换取设备利用率提升"的不可接受方案。
词典序优化将目标按优先级排列，在满足高优先级目标的前提下优化低优先级目标。对于制造企业而言，合理的优先级通常是：第一优先级------准时交付率 （客户承诺必须保障），第二优先级------换型次数 （直接影响生产成本和效率），第三优先级------设备利用率（在不损害前两个目标的前提下提升资源效率）。
学术研究验证了分层多目标建模在制造业排产中的适用性优于权重法。在风电玻板生产排程等复杂场景中，研究者建立以最大化设备利用率、最大化履约率、最大化同托卷工单顺序完工率为指标的多目标模型，通过改进的混合多目标鲸鱼优化算法求解。
词典序优化的实现需要求解器的支持。CP Optimizer和Gurobi等商用求解器均支持词典序多目标建模，可以在约束框架内逐层优化。
六、甘特图人机协同：从"看"到"改"再到"问"
需求页面将甘特图人机协同定义为"看→改→问"三层能力递进。这一设计直接回应了"可解释、可干预"的核心诉求。
"看"层面，甘特图需要清晰呈现资源与工序的对应关系、时间窗口、换型时间、空闲时段。但可视化本身不是目的------关键是通过颜色编码、关键路径高亮等视觉手段，让计划员一眼看出"瓶颈在哪里""哪些订单有延期风险"。
"改"层面 ，需求明确要求支持拖拽调整和冲突即时校验。这是将专家经验纳入系统闭环的关键设计。老师傅可以把某个工序拖到另一台设备上，系统立即校验是否违反约束（设备是否可用、工序先后关系是否满足、换型时间是否足够），如果违反则给出具体原因。这一能力的价值不在于"拖拽"本身，而在于让人和算法在同一个可视化空间里协作------系统提供全局优化的基线方案，人工调整注入现场经验，系统校验保证调整不违反硬约束。
"问"层面，结果解释智能体承担方案问答。当计划员问"为什么订单A排在订单B后面"，智能体需要解释：可能是交期优先级、可能是换型优化的考虑、可能是物料到货时间约束。SmartAPS系统提供了一个可参考的范式：在Agentic框架上构建对话系统，提供自然语言聊天接口，支持反事实推理和情景分析。数商云在离散制造场景中的实践也强调，智能体的价值在于"向下调用工具，向上解释结果"------调度员问"某订单能否提前"，智能体需要解析意图，查询产能、物料、模具、工序，调用求解器评估方案，再给出可执行建议与影响说明。
七、行业实践与效能数据
智能排产系统的落地效果在多个行业中已有验证。湖南方盛制药的"智能调度"系统将排产时间从6小时缩短至4秒，岗位开工率提升至166%，设备闲置率降至18%，生产成本降低25%。信川机械上线OMS、APS、MES、WMS四大系统后，APS系统提前7天自动预警缺件，开工齐套率从50%提升到90%，生产效率提高30%以上。钱江摩托通过APS智能排产推动交付周期缩短30%。在航空航天领域，多智能体深度强化学习驱动的动态排产引擎实现了订单准时交付率≥98%、排程重优化响应时间≤50秒、设备综合利用率提升20%。
这些数据表明，智能排产系统在效率提升上的潜力是显著的。但需要清醒认识的是，这些成功案例背后都有扎实的数据治理和约束建模作为支撑。Asprova的实践总结指出，智能排产落地的本质是"数据质量×业务理解×算法调优"的三角平衡，AI的效能上限由数据精度与目标清晰度决定。
八、落地挑战与关键建议
回到需求页面标注的三个关键判断，可以给出三条落地建议：
第一，把约束建模当作核心工程而非前置步骤。 约束库的建设需要工艺工程师、计划员和IT团队的深度协作。建议在项目启动阶段投入足够时间梳理约束清单，对每条约束标注类型（硬/软）、来源（工艺文档/经验规则/系统数据）和验证方式。LLM可以加速约束提取，但约束的确认必须由领域专家完成。
第二，求解器选型要匹配问题规模和实时性要求。 对于工序级排产、订单量在数百级的场景，CP Optimizer或Gurobi可以在可接受时间内给出最优或近优解。对于数千订单的大规模场景，需要考虑分层求解或启发式+精确求解的混合策略。不建议让LLM直接"算"排产方案------实证数据表明其物理可行性远低于专业求解器。
第三，将人机协同设计为系统的核心能力而非附属功能。 甘特图不只是展示工具，更是人与算法协作的接口。拖拽调整、冲突校验、方案问答三项能力需要作为一个整体来设计，让计划员在使用过程中逐步建立对系统的信任。这种信任的建立是排产系统从"演示可用"走向"生产可靠"的关键跨越。