2025年世界人工智能大会（WAIC）的展台上，有人对着屏幕说：「新增一批订单，交付时间提前两天。」系统随即完成需求预测、设备调度和物料分配，任务进度与数据流转也能在屏幕上查看。上观新闻在2025年7月28日的报道中记录了这一幕。
这段演示抓住了制造业对AI Agent的期待：理解任务、调用系统、执行流程。视觉质检大多停留在识别和告警，生产调度却会改动订单顺序、物料占用和设备安排。权限一旦进入ERP、MES或设备侧，错误也会跟着进入现场。
急单、缺料和设备异常经常同时出现。要把Agent放进排产系统，三个问题得先说清楚：方案能不能执行，多个Agent冲突时谁裁决，系统不知道的现场经验由谁补上。
排程看着顺，现场未必跑得动
就享知的文章提到，传统工厂处理急单时，往往要等生产管理确认料况、仓库盘点库存、班组长协调机台。TPS依靠标准化SOP维持秩序，Agent的价值在于更快汇总状态并重新排程。问题也从这里开始：排得快，不代表现场跑得动。
如果系统只用Prompt描述优先级，硬约束很容易被当成可以调整的目标。比如急单前移后占用了原订单的物料，原订单随即缺料；Agent尝试回滚，急单优先级又被触发。系统于是卡在几个相互冲突的目标之间，反复生成新方案。
能明确验证的条件，应放进独立的约束层。排程写入ERP或MES之前，逐项检查物料是否到位、机台是否可用、工序先后是否正确、电力峰谷是否允许、交期边界是否被突破。Agent负责提出候选方案，验证器保留否决权。未通过的方案直接退回并标明原因，不能靠模型继续自我解释、自我重排。
这一步通常比换一个更大的模型更要紧。排产首先是受约束的执行问题，语言推理只能覆盖其中一部分。
多个Agent同时工作，先定谁能下命令
径硕科技对制造业Agent的描述包括主动理解任务、调用系统资源、执行流程动作并反馈结果。能力越完整，权限边界越要提前划清。
一个常见冲突是：质量Agent发现批次异常，要求暂停生产并重新校验；调度Agent为了追赶交期，准备向同一台设备写入新的加工参数。如果两者都能直接访问PLC或MES，系统面对的就是两条互相打架的控制命令。
即使没有直接冲突，多个Agent也可能争用API接口、数据库锁和边缘网关算力。指令在后台排队，到达设备时，原先成立的机台状态或物料条件可能已经变化。此时，逻辑上正确的命令也会因为时机过期而失效。
增加Agent之前，至少要把几条规则写死：
- 同一设备或工序只保留一个写入入口，其他Agent只能提交请求；
- 安全和质量指令的优先级高于进度优化，调度指令不得绕过PLC安全联锁；
- 每条命令都要记录来源、版本、有效窗口和回滚路径，无法自动裁决时立即转人工。
Agent数量增加，并不会自动带来更好的协作。缺少统一仲裁时，过去发生在人与人之间的协调，只是被藏进了后台。
经验没进系统，自动排产就会漏看
鼎华智能把数据可靠性和人机共识视为AI实用化的基础。这个判断放在排产场景里尤其直接：ERP和MES可以记录订单、库存与机台状态，但很多现场限制仍留在班组长、维修人员和采购人员的经验里。
班组长可能知道某台机在高温时段需要留出缓冲，采购人员也知道某些承诺交期不能机械照搬。这些信息如果没有被结构化记录，Agent仅靠历史表格很难稳定识别，更无法判断什么时候应该放弃自动重排。
人机在环也不能只剩下一个「确认」按钮。更实用的做法是设置明确的人工触发条件：急单影响多条产线、物料短缺、设备异常，或者Agent准备锁定库存、切换机台、写入加工参数。触发后，审核界面要显示改了什么、触发了哪些约束、影响哪些订单和设备，以及出现问题时如何回滚。
人工给出的判断还要回写成约束或原因码。否则同一种异常再次出现时，系统仍会从头犯错，现场人员只能反复救火。
先给提案权，再逐步开放执行权
生产调度Agent可以从只读观察开始，再进入方案建议，最后开放有限执行。只读阶段记录Agent排程与人工排程的差异，不改动系统；建议阶段由生产管理人员审核；有限执行阶段只开放边界清楚、可以回滚的动作。
涉及PLC控制、库存锁定和跨产线调整的操作，仍需经过硬约束验证和人工节点。这个过程不如「全自主工厂」听起来醒目，却更接近生产现场的要求：每条指令都能验证，有冲突时有人裁决，出了问题可以追溯和撤销。
AI+制造从质检走向排产，系统开始直接改动生产。能提方案、遇到边界会停手、出错可以回滚，才算真正进入工厂的决策链。
