01
计划员顾问
解读交期风险与排产冲突，给出可执行建议。
「本周有哪些工单存在交期延误风险？」
智能问答异常感知
首页/智造 AI
它读的是你的库，
不是网上的答案。
传统 MES 是记录系统：人填表，系统存，月底出报表。这一套在「记录」之后多做了两件事——把库里的事实讲成人话，把下一步的动作递到你手上。它不是挂在旁边的一个聊天框：它要回答「这单为什么拖了」，得真去查那张工单、那批料、那道工序。
不用注册 · 演示账号登在登录页上 · 数据是示例数据
01 智能体矩阵
不是一个大模型，
是六个上过班的角色。
一个什么都懂的通用助手，在工厂里往往什么都答不准。所以我们按岗位拆开：每个智能体只干自己那一摊，绑的是真实的查询工具和业务页面——不是让它猜，是让它去查。查不到它会说查不到。
02
采购跟单助手
跟进采购交期与供应商回复，辅助催交期。
「列出近 7 天可能延误的采购订单」
智能录单可信执行
03
排程解读助手
解释可视排程的诊断结果与改期影响，说清为什么这样排。
「解释当前排程板上的超载工位」
智能推荐
04
质量异常分析
汇总待检与超期点检，关联 SOP 知识说明处理口径。
「有哪些检验任务待处理或已超期？」
异常感知知识检索
05
库存洞察助手
查询缺料与库存余额，支持跨仓检索。
「查询缺料相关的物料即时库存」
智能问答
06
供应商协同
生成催交期话术，并给出一份待人确认的执行提案。
「为延误采购单生成供应商跟进说明」
可信执行
看大图
系统里的「智能体库」：每个角色一张卡，标着可用状态、挂了哪些能力、可以怎么问。界面示意 · 示例数据
以上六个智能体与示例提问，取自系统「智能运营 · 智能体库」的真实配置。演示环境里可以直接点开对话。
02 能力矩阵
八件事，一件都不玄。
没有「一键智能工厂」这种说法。AI 在系统里只做这八件事，每一件都能说清输入是什么、输出到哪、错了怎么收。
2.1智能问答
综合问答、查单导航与业务咨询。问「这张工单走到哪了」，它去查了才答。
2.2智能问数
用自然语言查报表与指标，不用先学会怎么配筛选条件。
2.3异常感知
按规则扫全局异常，出简报和待处理建议。不是等你发现，是它先报。
2.4智能录单
订单和图纸拍照或上传，抽成结构化草稿，人核对后入库。
2.5智能推荐
在单据里给建议并半写回字段，改不改你决定。
2.6知识检索
SOP、作业指导书、历史处理记录做成语料，回答带出处。
2.7可信执行
AI 可以提执行提案，但写库前必须过人这一关。
2.8智能实施
分角色引导，新员工照着走就能把当天的事做完。
03 三个场景
不讲概念，讲三个能当场验证的。
挑这三个是因为它们都有明确的输入和输出：你能看见它扫出了什么、抽出了什么、改了什么。看不见的部分我们不在这儿吹。
场景一 · 每天自己扫一遍
异常不是你发现的，是它报的。
系统里跑着十条业务异常规则：工单缺料、工单延期、报工质量异常、低库存、生产效率异常、销售订单延期、交付风险、检验待处理、点检超期、可替代料。每天定时扫，扫出来按严重度和业务域分组推到「异常感知」，每条都带一句人话说明和直达单据的入口。
实测：演示环境一开就跑出 12 条，生产 5 条、销售 7 条——全是真单据，不是样例。点进去就是那张工单。
看大图
异常感知：扫出来的每一条都能点回原始单据。界面示意 · 示例数据
场景二 · 拍下来就进系统
客户发来一张订单，传上去就变成一张单据。
客户的采购订单常是扫描件、PDF，或者微信里发来的一张手机照片。以前文员照着敲：客户是谁、要什么交期、五六行物料的编码和单价——数量敲错一个，后面全歪。
现在把图传进去：视觉模型先抽出图上全部文字，再按销售订单的字段结构化成草稿——客户、联系人、电话、收货地址、订单日期、交期，以及每行物料的编码 / 名称 / 规格 / 单位 / 数量 / 单价 / 税率。抽完不是直接入库，是给你一份草稿：拿不准的字段标「待确认」，逐行核对完点「填入表单」才进系统。
同一套视觉端点也用在采购订单和工程图纸上。图纸上那些尺寸、公差会被抽成检验特性、编好气泡号，工艺员只做核对和确认，不用一个一个数。
看大图
在公开演示环境当场跑的：上传一张采购订单照片，5 行明细连着单价、单位、交期一起识别正确。界面示意 · 示例数据
场景三 · 排产不再靠拍脑袋
为什么这么排，它能讲给你听。
可视排产板本身会做一次诊断（超载工位、插单影响、交期缺口）。AI 在这之上做四件事：解读诊断结果、给工单的轻重缓急排序、提具体的改期方案、改之前先把影响算给你看。
它不会替你把单改掉。它给的是一份提案——你看了觉得行，再点确认。
AI 排产 · 提案格式
- 发现 工位 CN-SMT-03 本周四负载 132%，两单超期风险
- 原因 两张工单共用同一台贴片机，且物料未到
- 建议 WO-0908 挪到周五，WO-0915 改走 CN-SMT-01
- 影响 WO-0915 交期提前 1 天；WO-0908 延后 1 天，仍在下单交期内
- 动作 〔采纳提案〕〔只看不改〕
04 数采平台
没有数据进来，AI 就是空转。
很多工厂的「智能」卡在这一步：设备数据进不来，只能靠人抄。所以数采这层是我们自己做的，不和 AI 分成两个供应商——数据从设备进来到写回工单，是同一条链路。
4.1协议接入
MQTT 订阅与数据上报；对接 ThingsBoard、JetLinks 等平台，也支持边缘网关采集后回传。
4.2边缘网关
网关的注册、配置下发、运行状态与生命周期在系统里管，不用跑到车间一台台改。
4.3标签与历史
点位标签建模、历史值留存与保留策略；哪个点位记什么、留多久，可配。
4.4OEE 实时
设备状态实时映射到运行/待机/故障，OEE 当场算，不等月底。
4.5阈值告警
按设备或设备组配阈值与通知规则，越线自动推消息。
4.6写回业务
设备状态回写工单和报工，开机、停机、故障在工单上留痕。
数采需要现场有设备通讯条件（网关或可读的 PLC/仪表）。没有条件的工序，先用 PDA 扫码和工位机报工顶上——路是通的，只是慢一点。
05 往哪走
工厂大脑，分三步走。
「AI 管工厂」这件事我们不装已经做到了。它在往那儿走，但走到哪一步得说清楚——今天到第二步，第三步在研。
01
第一步
看得见
已上线
单据、工单、库存、设备状态全部进同一个库；异常按规则自动扫出来。这一层是地基，做不实后面全是空的。
02
第二步
算得清
已上线
AI 读全库回答问题、跨模块追原因、给可执行提案。它比任何一个人看到的面都全——因为一个人只管自己那一摊。
03
第三步
替你想
在研方向
从「你问它答」到「它主动发现并提案」，人从找问题变成审提案。这是方向，不是今天就能签合同的功能。
关于「代替人」这句话
我们的判断是：替人扛活可以，替人担责不行。所以系统里每一个 AI 动作，最后一步都要人点确认——这不是临时限制，是设计。哪天真的到了可以放手的程度，也得你点头放开，而不是我们替你决定。
06 边界
它不做什么，比它做什么更该说清。
AI 这块最容易吹过头。下列几条是我们主动划的线，签约前你可以逐条问。
①不自己改单
AI 只能提案。写库、改期、发消息这类动作，必须经过人确认，且受原单据权限约束——它不会比你这个账号更能干什么。
②不拿你的数据去训练
单据、图纸只留在你自己的数据库和文件目录里。调模型用的是你自己的 Key，走你自己的账号额度。
③没有 AI 视觉质检
我们不提供产线拍照判缺陷。目前和「检测」有关的是图纸气泡 OCR 和质量异常分析，两件事，别混。
④能力有前提
图纸要清晰可读；异常规则要配过阈值；数采要现场有通讯条件。前提不满足时它不会硬编一个答案给你。
⑤答不出就说答不出
上下文不够时它明确告诉你缺什么，不编工单号、不编日期。这条写进了它的系统提示词里。
⑥模型可换
对话模型与视觉模型都是配置项，换供应商不用改代码。今天用哪个，合同里可以写明。
不用听我们讲，
自己问它一句。
演示环境开着，账号就在登录页上。挑一个你最不服气的问题问它——比如「这周哪张单最可能交不出来」。答不上来，正好说明这套东西现在到哪一步。