前三个问题决定了排产软件能不能用,第四个问题决定了它是不是「AI 原生」。
产能、日历、换型、模具、技能、齐套同时约束,还要在分钟级给出可行解。
求解器说「最优」不算数 —— 要有第三方复核,用输入重算每一分钟。
计划员改一行之前,必须知道「为什么是这个时候、这台机」。
这次的偏差,下次还会犯吗?学习必须闭环,而且必须由人拍板。
排产软件的差距很少在「有没有这个功能」,而在「这个功能说的话能不能被验证」。 谋序的每一条能力都配一条反向测试:把实现改坏,测试必须失败。
字典序三级目标(交期 → 换型 → makespan),容量池用 AddCumulative,槽位而非台数。
不复用求解结果的任何中间量,从输入重算:日历、依赖、模具互斥、技能资格、换型成本。
回答「这道工序为什么排在这个时刻」。不读求解器内部变量,而是重放约束公式算 slack。
拖一下就知道代价:后端级联重排、差分报告、诚实闸门,拖不成就说拖不成。
同一份工具实现,三种调用方式:MCP 只读、进程内会话、CLI。答案必带 why 块。
不只有 JSON:静态 HTML 甘特、复核报告、求解证书、结果 CSV,全部可作为交付物归档。
在 16 个标准 FJSP 实例上跑(来源 job_shop_lib,MIT,含文献公认最优值)。
11 个达到文献最优,其余为大规模实例在 20 秒预算下如实标注 gap。
| 实例 | 工单 × 机器 | SPT 基线 | 规则链 | CP-SAT | 文献最优 | 判定 |
|---|---|---|---|---|---|---|
| ft06 | 6 × 6 | 94 | 92 | 55 | 55 | OPTIMAL · +0.0% |
| ft10 | 10 × 10 | 1530 | 1310 | 930 | 930 | OPTIMAL · +0.0% |
| ft20 | 20 × 5 | 1513 | 1565 | 1165 | 1165 | OPTIMAL · +0.0% |
| la01–la05 | 10 × 5 | ~1000 | ~940 | 最优 | — | OPTIMAL · +0.0% |
| abz5 / abz6 | 10 × 10 | ~1700 | ~1600 | 1234 / 943 | 同 | OPTIMAL · +0.0% |
| orb01 | 10 × 10 | 1489 | 1631 | 1082 | 1059 | FEASIBLE · +2.2% |
| swv01 / swv02 | 20 × 10 | ~2100 | ~2100 | 1495 / 1562 | 1407 / 1475 | FEASIBLE · +6% |
| ta01 / ta02 | 15 × 15 | ~2100 | ~2040 | 1233 / 1248 | 1231 / 1244 | FEASIBLE · +0.3% |
| yn1 | 20 × 20 | 1547 | 1509 | 944 | 884 | FEASIBLE · +6.8% |
谋序不把大模型塞进求解回路。三条回路分别解决「计划准不准」「策略选哪个」「什么时候重排」, 每一次都由人做最后决定 —— 这不是保守,是排产这件事的性质。
aps compare 逐工序对账:谁晚了、晚了多少、换型假设与实绩差几分钟;
给出四态(含「计划没排、现场却做了」)。偏差不再靠 Excel 手工比。
aps calibrate 用偏差反推工时系数,aps recommend 推荐规则链与求解预算。
建议进审批账本,内核没有 approve 路径 —— 采纳 = 人去改数据。
aps risk 给按期概率(PERT-Beta 矩匹配 + 敏感性),
滚动编排按实绩覆盖冻结段,偏差超阈值才建议重排 —— 不制造无效重排。
工具层与传输层分离:tools.py 是唯一实现,
mcp_server.py 只是 stdio 传输,byoe_bridge.py 提供带会话状态的版本。
因此 CLI、MCP 客户端、进程内 Agent 拿到的拒绝码、压缩口径、why 块完全一致。
propose 与 list,
approve / reject 是人在账本上做的动作。这条边界是产品立场,不是实现疏漏 ——
有反向注入测试锁住它。
rev 07e05eed… · makespan 1020 分钟,与顶部状态条逐字相同。
右侧最后一条是插单试算:点一下「插一个急单会怎样」,它回答「计划变长 1140 分钟、
新单自己也拖期」,并给出计数 —— 但不替你决定。整块侧栏没有「批准」按钮。
甘特图最怕的不是不能拖,而是拖完不知道影响了谁。谋序把「拖动」当成一个求解请求: 钉住意图、重排其余、给出差分、核对是否真的生效。
移动一道工序,前道链原位钉住、后道按位移量顺延,其余交 CP-SAT 重排。
返回 moved_honored:钉住没生效就报「未生效」,不假装成功。
pushed(带符号,往前挪也看得见)、flipped_late(从准时变拖期)、
new_late、makespan_delta —— 一张表回答「我这一拖,害了谁」。
令牌是排产内容的哈希(不含求解状态)。两个人拿同一版改,后改的必被拒: 409,并明确提示「重新拉取后再决策,不要自动重试」。
resource_load.py)注塑、冲压、机加三册,参数来自行业实践与 146 条真实工艺路线实测。 每册配一份声明式 YAML 夹具,期望值是数据、且必须带来源 —— 改参数时 diff 一眼能看出「参数变了期望没变」还是「两者一起变」。
按吨位选机、换模时间分档、模具寿命按模次(含穴数换算)。
吨位匹配、模具强制串行、换模成本四层模型(人工/折旧/机会/关联)。
换型三档 45/60/90 分钟,组名三段式「机床-夹具-产品族」,固定准备 15 分钟。
| 验收项 | 做法 | 为什么这样做 |
|---|---|---|
| 56 条断言 | aps conformance 逐条 PASS/FAIL,退出码 0/1 可进流水线 | 分册参数漂移必须被拦住,不能靠人肉比对 |
| 期望值带来源 | 每条期望注明 ISO 22400 / 行业资料 / 实测数据 | 没来源的期望值只是把实现抄了一遍,不叫契约 |
| 变异测试 | 关键判定模块变异分数 ≥85% 才准入 | 「测试全绿」不等于「断言有效」 |
划分判据不是「难度」或「价值」,而是运维形态: 跑一次出文件 → 标准版(PyPI,MIT);需要常驻进程 + 人机交互 → 专业版(Docker)。
aps-kernel可嵌入的确定性内核 + headless CLI。pip 装上就能排,产物可归档、可进 CI。
aps-platform后端零求解逻辑,全部编排调内核公开 API;网页结果与 CLI 逐条一致是硬约束。
这几条写在 README 与待办总账里,也会一直写在这里。
status。200 单以上建模本身就要 20~30 秒。
aps eval,所以任何「AI 让排产变准了」的说法
目前无法证伪。校准建议采纳之后也没有自动回测。这是「自学习约束」还停留在
目标口径、不是现状的原因。
One Truth. One Plan. One Rhythm. One Edge. —— 一个事实源,一份计划,一条节拍,一道锋刃。
虚实同源、数据同衡。数字孪生从「可视化镜像」升级为可对拍、可预判的数据基准。
以智谋生成最优序。确定性排产内核 + 可解释的 AI 工具面,计划可追问、可复现。
万机同枢、同频调度。WCS + RCS + 仿真一体,管住设备动作与路权。