LLM 能不能直接做排产？

能聊计划、能写模型、能解释结果，但组合爆炸的最优解要交给 MILP / CP-SAT 等求解器。把 ChatGPT 当排产引擎，是选型错位。

APS 和运筹学是什么关系？

APS 是业务系统名；底下常见引擎是混合整数规划、约束规划、启发式。没有优化内核，APS 只是好看的甘特图。

库存调拨里 LLM 和求解器怎么分工？

LLM 整理多仓规则、缺货优先级、异常说明；网络流 / 多级库存优化算调拨量与路径。Agent 负责触发重算与解释，不负责硬算最优。

企业落地先做什么？

先钉目标函数与硬约束，再接 OR-Tools / 商用求解器；LLM/Agent 放在建模、数据对齐、异常闭环和人机解释层。能降级就别上全自动。

LLM 不会给你最优排产，求解器会

七月我写过 AI 被大模型绑架了：选型表里有一行很土——路径规划、资源调度，先考虑运筹优化 + 强化学习，而不是让 ChatGPT 算最优路线。

那一行很多人划过去了。今天把它落到真正会烧钱的场景：APS 排产排程，以及库存调拨。

两年前我写过一版 APS 基础介绍，偏系统模块视角。这篇不重复名词解释，只钉一件事：

LLM 负责把业务约束翻译成可求解问题；求解器负责在约束里找最优。把这两层搅在一起，排产项目最容易死在「看起来很智能」。

LLM 不会给你最优排产，求解器会

一、先把账算清：APS 吃的是运筹，不是聊天

APS（Advanced Planning and Scheduling，高级计划与排程）解决的是一类很硬的问题：

订单交期、产能、换型时间、模具、人员技能、物料齐套
哪些工单先上哪台设备、什么时候开、开多久
插单、设备故障、物料晚到时，怎么重排还不把整厂打乱

这类问题在运筹学里通常落成：

方法	在 APS 里干什么	典型工具
MILP / MIP（混合整数规划）	产能、批量、交期、成本目标一起建模求最优或近似最优	Gurobi、CPLEX、SCIP
CP / CP-SAT（约束规划）	工序先后、机器独占、班次规则等离散约束很强时	Google OR-Tools CP-SAT
启发式 / 元启发式	规模太大、实时性要求高，求「够好且够快」	遗传算法、禁忌搜索、局部搜索
仿真 + 优化	先仿真瓶颈，再优化关键资源	数字孪生 / 产线仿真

Google 公开文档把调度写得很直白：员工排班、Job Shop（车间作业排序） 都是 OR-Tools 的标准场景；CP-SAT 面向整数与约束问题，常被用作调度主力——Interval、AddNoOverlap、工序先后，目标常是压 makespan。出处：OR-Tools Scheduling · Job shop · CP-SAT。

工业级不是玩具题。Gurobi 公开的宇通客车排产案例：定制客车约 170–180 台/日开工、约 100 款并发车型、10 条产线；网络流拆成 6–10 个 MIP 序列，单个规模大约 10 万约束 / 6 万变量；Gurobi 约 45 分钟 跑完序列，对照原先 5 人团队约 9 小时 手工排程。市售通用 APS 包，曾被评估为盖不住这种定制化与多目标。

翻译成厂长能听懂的话：

APS 的灵魂不是「会说话的计划员」，是「在约束下给出可执行最优（或近似最优）方案」的引擎。

大模型很擅长解释「为什么这单要插」「换型为什么贵」。它不擅长在上百台设备、上千道工序、无数互斥约束里，稳定给出可证明更优的排程。组合爆炸是数学题，不是语感题。

APS 吃运筹不是聊天

二、排产现场：三个真实卡点，对上三种数学武器

别从「AI 赋能制造」空谈。车间里常见三类题，对应不同武器：

1）Job Shop / 产线排序——工序先后 + 机器独占

工件要过车、铣、磨；每台机器同时只能干一件；换型要时间。这是经典 Job Shop Scheduling。约束密、离散强，CP-SAT 或专用调度启发式往往比「让模型自由发挥」靠谱。

2）有限产能主计划——交期、齐套、加班成本一起算

更上层是 MPS / 有限产能计划：本周接哪些单、外协多少、周末开不开线。目标函数通常是延期惩罚 + 加班成本 + 库存持有，变量多是整数（开不开线、做不做这批）。这是 MILP 主场。

3）实时重排——故障、插单、缺料

优化模型要能热启动：固定已开工、只动未开工、加软约束保护原计划稳定。Agent 的价值在这里开始露头——监听事件、拉齐数据、触发重算、把结果翻译成人话——但重算本身仍是求解器的事。

业务现象	先别做什么	更该做什么
插单一句「帮我重新排」	直接让 LLM 输出完整甘特	更新约束 → 调求解器 → LLM 解释差异
设备坏了 2 小时	凭经验口头改三单	锁定在制、重优化后续、评估交期冲击
领导要「最优」	聊天框里拍脑袋排序	先定义目标函数：交期？换型最少？负荷均衡？

「最优」不是形容词，是目标函数写清楚之后，求解器在可行域里比出来的结果。

三类排产题三种武器

三、库存调拨：另一张运筹试卷

排产解决「厂里怎么造」。调拨解决「货在网里怎么动」。

多仓、多级（工厂仓 → 区域仓 → 门店 / 客户）、缺货替代、运输时效、批次效期——这是供应链里的 network optimization / multi-echelon inventory 题：

从哪几个仓调多少到哪
先保谁的服务水平
调拨成本 vs 缺货损失 vs 积压风险

经典做法仍是运筹与库存论：

层级	常见做法	说明
单点补货	安全库存、再订货点、(s, S)	规则简单，局部有效
多级库存（MEIO）	跨节点同时定安全库存与内部服务水平	库存放在哪一层，往往比「各点各囤一点」更关键
网络调拨	多商品网络流 / 运输与库存联合优化	跨仓、跨线路、跨时效
滚动重算	定期或事件驱动 re-optimize	和 APS 一样，要能热更新

单级各自最优，浪费常藏在节点缝里。MEIO 要的是网络总成本与服务水平，不是局部 KPI。对照见 MEIO vs IO。SAP IBP 一类产品把 multi-stage inventory optimization 写成正式能力，而不是「大模型随便搬货」。

LLM 的位置仍是三块：规则与例外入口、异常叙事、方案解释。不该替代的是：运力、库存、服务水平下的可执行调拨量。

厂商叙事也收敛：在计划与优化底座上叠 agentic AI，做解释、异常与编排。Blue Yonder 2025 的 Ops Agent 话术是 See–Analyze–Decide–Act，不是替换求解器（新闻稿）；SAP 侧 Joule / agentic AI 往规划延伸（Sapphire 报道）。

库存调拨是另一张运筹试卷

四、LLM 和 Agent 到底干什么：四层分工，别抢方向盘

把系统拆成四层，选型会清爽很多：

层	谁主责	典型工作	失败长什么样
交互与意图	LLM	听懂「优先保大客户交期」「今晚只动 3 号线」	听错目标，排得再优也是错题
建模与数据对齐	LLM + 工程师规则	自然语言 → 变量/约束/目标；主数据清洗	模型写错约束，求解器一本正经算错题
求解	OR 引擎	MILP / CP-SAT / 启发式求可行与更优	不可行、超时、局部最优
闭环与编排	Agent / Workflow	事件触发、重试、人审、回写 ERP/MES	人成 cron；或无人乱改计划

这和我在从 PE 到 Graph 里说的「失败变贵，杠杆外移」是同一逻辑：
排产场景里，失败最贵的一层往往是「算错约束」和「算不动最优」——前者靠建模纪律，后者靠求解器，不是靠更大的聊天模型。

研究侧两条线互相印证：

OptiMUS：LLM Agent 从自然语言建立并迭代 (MI)LP 与求解代码，再交 Gurobi。困难集相对既有方法提升超 30%；后续版 NLP4LP 上 GPT-4o 约 73.7% vs 标准约 33.2%——增益在建模，不是取消求解。出处：arXiv:2402.10172 · 0.3 版。
Microsoft OptiGuide：自然语言 what-if → LLM 改求解代码 → 组合优化求解器出数 → LLM 解释；专有数据不必直接塞给模型。论文 GPT-4 端到端问答约 93%（不是排产最优率）。出处：arXiv:2307.03875 · MSR。

LLM 擅长写/修优化模型；可行与更优解仍来自求解器。

车间同构五步：Agent 收集 → LLM 建模 → 求解器重算 → LLM 解释 + 人审 → Workflow 回写 ERP/MES/WMS。能画清路径用 Workflow；动态工具调用用小范围 Agent——和 Skill / Workflow / Agent 的「能降级就降级」同构。

四层分工别抢方向盘

五、落地清单：比「上一个排产大模型」管用

先写目标函数——交期 / 换型 / 负荷 / 库存，权重不写清后面全是扯皮。
硬软约束分开——安全与工艺是硬的；少改原计划、均匀加班用惩罚。全写成硬约束，求解器只会报不可行。
求解器匹配结构——离散调度偏 CP-SAT；成本产能批量偏 MILP；极大规模用分解 + 启发式 + 滚动窗口；只要解释与 what-if，别假装在求最优。
Agent 先触发与解释，再自动下发——建议→人审→低风险自动→跨仓/外协/改交期仍人在回路。裁判是业务指标与可行性，不是模型自信。
ERP/MES 接口与主数据——工艺、节拍、换型矩阵脏，再强求解器也是精密地算错。