技術洞察 | 從機率到確定性：摩傑斯新一代混合智慧排程架構解析

【摘要】

面對工業場景中複雜的剛性約束與動態擾動，通用大語言模型（LLM）的機率性生成機制存在天然的侷限性。摩傑斯（Mojes）最新一代APS引擎摒棄了“端到端生成”的嘗試，確立了 “端側小模型語義互動 + 雲端求解器全域性最優” 的混合架構。本文詳細闡述該架構如何透過混合整數規劃（MIP）解決機械加工場景中的協力廠物流時空約束難題，實現工業級確定性排程。

一、行業痛點：為何通用大模型難以落地工業排程？

在早期的技術預研中，我們測試了基於72B引數大模型的端到端排程方案。儘管其在自然語言理解上表現優異，但在核心排程任務中暴露出三個致命缺陷，使其無法滿足工業生產對確定性和可執行性的嚴苛要求：

1. 幻覺風險（Hallucination）：模型可能編造不存在的裝置空閒時間窗或虛構工藝路徑，導致計劃無法執行。

2. 非確定性輸出：相同的輸入條件在不同次推理中產生不一致的結果，破壞了生產計劃的嚴肅性。

3. 計算延遲與成本：分鐘級的推理延遲無法響應現場秒級的插單需求，且高昂的算力成本難以規模化部署。

結論：工業排程本質是約束滿足問題（CSP）與組合最佳化問題，必須依賴數學求解器而非機率模型。

二、架構演進：摩傑斯“混動”雙引擎模式

摩傑斯新一代架構將感知層與決策層解耦，充分發揮兩類AI的優勢：

1. 互動層：端側量化小模型 (Edge LLM)

• 模型選型：基於 Qwen-2.5B 進行知識蒸餾與Int4量化。

• 部署環境：支援單卡消費級顯示卡（如RTX 3060）或邊緣計算盒子部署。

• 核心職能：

• 意圖識別：精準解析排程員模糊的自然語言指令（如“優先保急單”、“考慮協力廠物流”）。

• 結構化轉換：將非結構化文字實時轉化為標準的JSON約束物件，延遲控制在 200ms 以內。

• 零訓練成本：透過Prompt Engineering適配不同工廠的術語體系，無需微調。

2. 決策層：混合整數規劃求解器 (MIP Solver)

• 核心引擎：基於 Google OR-Tools CP-SAT 求解器深度定製。

• 核心職能：

• 全域性最優搜尋：在毫秒至秒級時間內，遍歷億級解空間，尋找滿足所有硬約束下的最優解。

• 確定性保證：輸入不變，輸出絕對一致，杜絕幻覺。

• 複雜約束建模：原生支援多資源互斥、序列依賴準備時間、批次合併等複雜工業邏輯。

三、核心突破：機械加工協力廠與物流的時空建模

針對機械加工行業最棘手的“內部產能溢位”與“協力廠物流不確定性”問題，摩傑斯構建了精細化的數學模型：

1. 動態溢位決策機制

系統不再預設固定的協力廠規則，而是引入二元決策變數 xijxij ，由求解器根據實時負荷自動權衡：

min⁡Z=∑(Cint⋅xint+Cext⋅xext+Pdelay⋅tdelay)minZ=∑(Cint⋅xint+Cext⋅xext+Pdelay⋅tdelay)

• CintCint ：內部加班/換線成本

• CextCext ：協力廠加工費 + 雙向物流成本

• PdelayPdelay ：延期交付懲罰係數

效果：系統自動計算出“內部連夜趕工”與“傳送協力廠”之間的成本平衡點，實現全域性成本最優。

2. 全鏈路時空摺疊模型

拒絕粗糙的“固定天數”估算，我們將協力廠過程拆解為精確的時間窗約束：

Ttotal=Tout_trans+Tqueue_vendor+Tprocess+Tin_trans+TqcTtotal=Tout_trans+Tqueue_vendor+Tprocess+Tin_trans+Tqc

• 動態佇列模擬：結合供應商曆史交付資料，動態估算 Tqueue_vendorTqueue_vendor 。

• 物流時間窗對齊：嚴格計算發車與回廠時間，確保物料回廠時間與內部產線空閒時間窗精準匹配，避免“料等人”或“人等料”。

四、實測資料與效能基準

在某精密零部件製造企業（200+臺CNC，日均500+製程）的試點專案中，新架構對比舊版啟發式演算法及純LLM方案，表現如下：

表格

五、結語：迴歸工業本質

摩傑斯的技術路線表明，工業軟體的智慧化不在於堆砌引數量，而在於對業務場景的數學抽象能力。

透過“小模型懂人話，求解器算準數”的分工協作，我們成功將大語言的互動優勢與運籌最佳化的決策能力完美結合。這不僅解決了長期困擾行業的“協力廠黑盒”問題，更為離散製造提供了一套可解釋、可信賴、可落地的確定性排程方案。

關於摩傑斯
摩傑斯（Moges）致力於為全球離散製造企業提供新一代智慧APS解決方案。我們要做的不是替代人類專家，而是賦予他們超越經驗的上帝視角。