1
在工厂订单生产环节中，生产排产是影响交付效率与资源利用率的核心环节。传统排产模式高度依赖人工操作：需手动核查设备产能、人员配置、物料库存等基础资源，还要综合平衡订单优先级、交付周期、工序依赖等多重变量。 这种模式不仅耗费大量人力时间，更易因人工计算疏漏、信息同步不及时导致排产偏差 —— 例如出现设备过载、工序脱节等问题，最终影响生产进度与订单交付时效。 针对这一行业痛点，我们引入 AI 技术构建智能排产解决方案：AI 可实时接入工厂生产数据（含资源状态、订单需求、工序标准等），通过算法自动分析、运算，生成适配实际场景的最优排程方案。整个过程中，人工角色从 “主导排产” 转变为 “方案核验”，仅需对 AI 输出的排程合理性进行最终确认，既大幅降低人工成本与出错率，又显著提升排产效率与计划精准度，助力工厂实现更高效、更稳定的生产运转。
智能制造管控智能体是一款面向制造企业计划排产员、生产主管等角色，结合了大语言模型（LLM）、模型上下文协议（MCP）以及工厂仿真与数字孪生（METAM）等先进技术和工具的智能制造管控助手。 - 基于LLM具备的泛化推理与自适应认知能力，打破传统管控集成局限性，实现对复杂计划调度、异常根因追溯等任务支撑。 - 通过MCP打破SCADA、MES等系统间的异构壁垒，构建统一语义空间下的智能协同机制，支撑各智能体（如生产计划智能体、工艺路线智能体、设备维护智能体等）任务协商与资源调度，打破传统管控协同局限性，形成闭环优化的智能制造决策链条。 - 基于多目标决策引擎Gopt与工厂仿真与数字孪生MetaM联动，结合云-边协同架构支撑秒级策略优化，打破传统管控决策局限性，实现决策可解释性，有效规避大模型黑箱风险，支持数字孪生驱动的动态参数校准，提升决策准确性。
1、前端 Web 界面设计与开发：负责核心前端功能的设计与实现，技术栈采用 Vue3 框架，并集成 FullCalendar 日历排程组件以实现生产排程的可视化展示；同时采用 Docker 完成前端工程的构建与部署，保障环境一致性与部署效率。 2、后端 LLM 调优参与：参与部分后端 Python 服务中通用大语言模型（LLM）调用的调优工作，优化模型交互效率与响应效果。 3、接口对接与迭代： 第一版对接阶段：部分功能对接基于 MCP 服务的 Python 接口，另一部分对接扣子智能体 API，实现基础功能闭环； 第二版迭代阶段：实现全量功能切换为统一对接基于通用 Ollama LLM 的 Python 接口，提升了系统接口的一致性与可维护性。
评论