客户背景
行业
灯饰制造
规模
约 80 人 · 内销为主
现状
Excel 排产 + 凭经验备料
期望
交期可控、库存合理
客户痛点
1
淡旺季波动剧烈
旺季订单集中涌入，产能排不过来；淡季产线闲置，人员成本高。
2
库存两头受气
原材料要么积压占资金，要么缺料停线。
3
交期靠拍脑袋
销售承诺交期全凭经验，违约赔付时有发生。
演示案例
实时演示 · 排产与库存
就绪
输入
未来 8 周订单数据 + 当前原材料库存
Consolelogs · stdout
$ 初始化演示管线…
✓ 需求预测8 周预测
✓ 智能排产0.9s
✓ 库存建议12 个物料
技术方案
01
需求预测模型
基于历史订单与市场节奏，预测未来 8 周各品类需求。
02
智能排产
把订单、产能、模具、换线时间纳入模型，自动生成最优排产计划。
03
安全库存建议
根据需求波动与供应商交期，动态给出每个原材料的补货点。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
适合冷启动与快速验证
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
适合作为主链路承担高频流量
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
适合兜底与高确定性场景
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
L1
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
业务系统 API移动端 / 小程序文件上传 / 扫码API 网关 · 脱敏
L2
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
行业微调模型多模态大模型RAG 知识检索置信度路由
L3
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
业务规则校验实体 / 主数据匹配金额 / 逻辑闭环人工复核工单
L4
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
样本仓在线标注与差错回收月度增量微调漂移监测与告警
技术栈
FastAPIvLLMLangChainRAGQwenGPT-4oTritonKubernetesPostgreSQLRedisMilvusDocker
交付过程
1
数据盘点
梳理过去两年的订单与库存数据。
2
模型构建
训练需求预测与排产模型，验证准确率。
3
系统开发
开发排产与库存看板，对接现有 ERP。
4
试运行
与老办法并行跑一个月，对比结果。
5
全量切换
全面切换到 AI 排产，按月校准模型。
上线前后对比
指标上线前上线后
排产耗时每周 6 小时每周 0.5 小时
库存周转天数68 天47 天
交期达成率84%96%
“排产从一周六小时变成半小时，库存周转快了近一个月，资金压力小多了。”
可复用场景
季节性明显的制造行业
多品种小批量的排产
原材料库存的智能补货