← 全部文章 Read in English

轻排 PMClite 的 DeepSeek 集成:四个场景、三条防御、一条边界

这篇文章不讲"AI 赋能制造业"的宏大叙事,只讲一件事:在一个 PMC 每天要用的桌面工具里,DeepSeek 到底被用在哪些具体的地方,带来的是什么可验证的改善,以及它在哪些地方被刻意地"关在笼子里"。

服务商 8 个可选 默认 DeepSeek AI 场景 4 个 调用防御 3 层

一、先说定位:为什么是 DeepSeek,为什么不是"AI 排产"

轻排的 AI 设置页里,服务商下拉列表支持 8 个选项(OpenAI、Azure、Anthropic、Google、DeepSeek、通义千问、本地 Ollama、自定义),但代码里的默认值是 DeepSeek:

const provider = ai.provider || 'deepseek';
const baseUrls = {
    deepseek: 'https://api.deepseek.com',
    openai: 'https://api.openai.com/v1',
    qwen: 'https://dashscope.aliyuncs.com/compatible-mode/v1',
    ...
};
const baseUrl = (ai.baseUrl || baseUrls[provider] || baseUrls.deepseek).replace(/\/$/, '');
const model = ai.model || 'deepseek-flash';

这个默认值的选择是务实的:DeepSeek 的 API 兼容 OpenAI 协议、价格低、国内访问稳定、JSON 模式可用。对一个面向中小制造企业的工具来说,AI 排产不能是"老板为了体验 AI 多花一笔钱",而必须是"每单排产成本可以忽略"。

同样务实的是功能定位。轻排在 Prompt 里写死了一条规则:

AI 只做"软"的判断(优先级、成因、归因),不做"硬"的计算(日期、产能、库存)。所有数字在 Prompt 里给出,明确要求 AI 不要重新生成。

这个分工贯穿了所有四个 AI 功能。理解了这一点,才能理解后面所有的工程细节。

二、调用层:一个函数,三层防御

所有 AI 调用走同一个入口 callAIChat(messages, options),这段代码不长,但把 DeepSeek API 的几个坑都填了。

2.1 重试策略按错误类型分流

if (!resp.ok) {
    if ([401, 402, 403].includes(resp.status)) {
        throw new Error(errMsg);   // 认证/余额问题,重试无意义
    }
    lastError = new Error(errMsg); // 429/5xx 可重试
    continue;
}

401(Key 错)、402(余额不足)、403(被禁)直接抛出,不浪费用户时间;429(限流)和 5xx 走退避重试,最多 2 次,间隔 800ms × attempt。

2.2 thinking 模式的适配

DeepSeek 的思考模式有一个在实际使用中很容易踩的坑:开启 thinking 后,content 字段可能是空的,真正的推理过程在 reasoning_content 里。轻排的处理是:

if (options.jsonMode) {
    body.response_format = { type: 'json_object' };
} else if (provider === 'deepseek' && options.thinking) {
    body.thinking = { type: 'enabled' };
}

JSON 模式下强制关闭 thinking,避免 content 为空;非 JSON 模式下允许开启。即便如此,仍然做了兜底:

let content = (msg.content || '').trim();
if (!content && msg.reasoning_content) {
    const rc = msg.reasoning_content.trim();
    const jsonMatch = rc.match(/\{[\s\S]*\}/);
    if (jsonMatch) {
        console.warn('[AI] content 为空,已从 reasoning_content 中提取 JSON');
        return jsonMatch[0];
    }
}

这是"知道自己的依赖会出什么毛病"的写法。

2.3 finish_reason 的处理

if (!content) {
    if (finishReason === 'length') {
        lastError = new Error('AI 输出被截断(token 不足),请减少工单数量或点击重试');
    } else if (finishReason === 'content_filter') {
        throw new Error('AI 内容被安全过滤,请调整 Prompt 后重试');
    }
}

length 时的提示文案不是"AI 返回异常",而是具体告诉用户"减少工单数量"——因为触发这个错误的实际场景就是工单太多、JSON 输出超过了 max_tokens。

2.4 超时控制

const controller = new AbortController();
const timeout = setTimeout(() => controller.abort(), options.timeout || 180000);

默认 180 秒。智能排产的 Prompt 里工单列表可能很长,这个超时是宽松的;工序推断、异常解释用不到这么久,但统一走一个入口,按需传 timeout 覆盖。

三、四个功能场景

3.1 智能排产:AI 打分,本地排期

这是轻排最核心的 AI 功能,也是最容易被误解的。看一下它的实际流程。

第一步:构建上下文(buildSchedulingContext)

把每个待排工单压缩成一行结构化数据:

{
    id: w.id,
    orderNumber: w.orderNumber,
    productCode: product.code,
    quantity: w.quantity,
    priority: w.priority,
    status: w.status,
    mode: mode,                          // fixed_takt / flexible_takt / ...
    modeLabel: PRODUCTION_MODES[mode].label,
    modeParam: getModeParamSummary(product),
    estHours: calcResourceHours(product, w.quantity, w.assignedLine),  // 本地算好的工时
    kitStatus: '齐套' | '缺料(N种)' | '无BOM',
    deliveryDate: '2026-05-15',
}

注意 estHours 是本地算的,不是 AI 算的。AI 拿到的是"事实",不是"原材料"。

第二步:Prompt 里的评分规则是完全透明的

## 评分规则
1. 优先级:高=基础30分,中=基础20分,低=基础10分
2. 交期紧急度:距交期≤3天 +40分;≤7天 +25分;≤14天 +15分;逾期 +50分
3. 齐套状态:齐套 +10分;缺料 -15分;无BOM -30分
4. 进行中的工单 +5分
5. 同优先级下,工时短的适当优先

这套规则是硬编码在 Prompt 里的,不是让 AI"自己判断"。AI 的价值在于:它能同时处理 20 个工单、结合生产模式语义、给出每条的可读理由。

Prompt 里还专门加了一段"生产模式说明",让 AI 理解:

- fixed_takt(固定节拍):产能由设备节拍决定,加人不能提速
- flexible_takt(柔性节拍):产能与产线工位数成正比
- batch(批量作业):凑批能显著节省时间,小批量多张单优先合并

这是让 AI 在打分时考虑"这张单的性质",而不是只做算术。

第三步:AI 输出 JSON

{
  "schedule": [
    {"woId": 1, "priorityScore": 85, "lineHint": "产线A", "reasoning": "逾期订单,优先"}
  ],
  "overallStrategy": "优先保逾期单,批量单合并",
  "riskAlerts": ["产线A周三负荷可能超100%"]
}

约束很硬:只输出 JSON、reasoning ≤20 汉字、overallStrategy ≤30 汉字、riskAlerts 最多 3 条、必须包含所有传入工单、首尾必须是花括号。

第四步:本地引擎执行排程(runLocalScheduler)

AI 给的 priorityScore 和 lineHint 进入本地引擎,按评分降序重排,lineHint 作为首选产线(不合法则回落),然后走和普通自动排程相同的日历消耗逻辑,算出真实日期。

AI 不输出任何日期。
这个设计的价值在于:日期是 PMC 最后要签字负责的东西,必须是可复算、可解释、可追溯的。AI 打的分只是一个权重输入,排程结果本身是确定性的。

失败降级:AI 调用失败时,弹窗里有"先用本地自动排程(不等 AI)"按钮,直接跳到 _autoSchedule。用户不会因为 AI 挂了而排不了产。

3.2 AI 工序推断:把"配工艺路线"的门槛降下来

这是代码里最复杂的 AI 功能,也是最能体现 Prompt 工程的地方。

痛点很具体:新产品建档后,PMC 要配工艺路线——贴片、回流焊、插件、测试、组装、包装,每道工序要填序号、工作中心、单件工时、准备时间、后等待。一个产品 5–8 道工序,每道填 4 个字段,全是经验数字。老师傅知道"回流焊后要冷 30 分钟",新人不知道。

AI 推断的输入(_collectInferContext):

{
    product: { code, name },
    bomItems: [
        { code: 'PCB-001', name: '主控PCB', category: 'PCB', spec: 'FR4 1.6mm', qty: 1 },
        { code: 'IC-001',  name: 'STM32F103', category: 'MCU', spec: 'Cortex-M3', qty: 1 },
        ...
    ],
    refLineName: 'SMT产线A',
    lineMode: 'fixed_takt',       // 参考产线的生产模式
    lines: ['SMT产线A', 'SMT产线B'],
    industry: '电子制造',
    historyWO: 12,                 // 历史完工工单数
    avgActualHours: 45.2,          // 历史平均单件工时
}

单位约定是这段 Prompt 里最关键的部分:

if (lineMode === 'fixed_takt') {
    unitRule = `当前产线模式为【固定节拍】,standardMinutes 请填写【设备节拍,秒/件】。`;
} else if (lineMode === 'single_station') {
    unitRule = `当前产线模式为【单机作业】,standardMinutes 请填写【单机加工周期,分钟/件】。`;
} else {
    unitRule = `当前产线模式为【柔性节拍】,standardMinutes 请填写【单个工人完成该工序需要的时间,分钟/件】。注意:不要把多人并行的时间除掉,程序会自动除以产线工位数。`;
}

这三段文案是为了解决一个具体问题:同一个字段名 standardMinutes,在不同产线模式下的语义完全不同。如果 AI 不知道柔性线上"单人 30 分钟 ÷ 10 工位 = 有效节拍 3 分钟",它会填 3 分钟,然后本地引擎再除以 10,算出来 0.3 分钟,排程结果全错。把约定写进 Prompt,比在代码里做二次修正更可靠。

输出 Schema + 校验(validateInferResult):

{
  "processes": [
    {
      "sequence": 10,
      "processName": "SMT贴片",
      "workCenter": "SMT产线A",
      "standardMinutes": 30,
      "setupMinutes": 30,
      "postWaitMinutes": 0,
      "confidence": 0.92,
      "evidence": "BOM包含PCB和IC"
    }
  ],
  "suggestedMode": "fixed_takt",
  "modeReason": "含PCB,适合SMT产线"
}

校验规则:processes 非空、sequence 唯一且为数字、processName 非空、standardMinutes > 0。任何一条不满足,整个结果作废,走降级。

规则引擎兜底(ruleBasedInferProcesses)

这是 AI 失败时的降级路径,也是没有 API Key 时的基线。规则很简单,基于物料编码前缀和类别关键词:

if (has('PCB') || has('SMT')) {
    贴片(10) → 回流焊(20, 后等待30分钟)
}
if (has('IC') || has('MCU')) {
    测试(50)
}
if (has('外壳') || has('五金')) {
    组装(60)
}
包装(90)  // 通用末道工序

规则引擎的输出和 AI 输出走同一套实施工作台,只是来源标识不同:

🤖 AI 推断
📋 规则引擎
⚠️ AI 失败,规则引擎兜底

实施工作台:置信度驱动的勾选

这是这个功能最有价值的交互设计。每一道工序带一个 confidence(0–1),UI 上:

用户看到的是一个候选清单,每行带"依据"(比如"BOM 含 PCB"),可以逐行勾选、修改序号/工序名/工时/等待时间,然后一次性应用。

AI 模式建议

如果 AI 输出的 suggestedMode 和产品当前的生产模式不同,会弹一条蓝色横幅:

💡 AI 模式建议:该产品可能更适合 ⚙️ 单机作业 模式。(理由:单件周期短,适合单机批量)

应用工序不会改变生产模式。如需更改,请关闭本弹窗后去「产品编辑」中修改。

这里有一条刻意的克制:AI 的建议不自动应用,只提示。生产模式是一个结构性决策,改错了影响整条产线的排程逻辑,必须用户自己点。

留痕

应用时会往 settings 表写一条 _ai_impl_log,保留最近 100 条:

{
    ts: '2026-05-20T10:30:00Z',
    productId: 12,
    source: 'ai' | 'rules' | 'rules_fallback',
    appliedCount: 6,
    updatedCount: 4,
    insertedCount: 2,
    draft: [/* 实际应用的工序数据 */],
}

红线:AI 只写 bomItems 里 type='process' 的工序行,绝不修改 BOM 父子关系、物料主键、交期、成本。这条规则写在实施工作台的底部提示里,也体现在代码里——_applyAIDraft 只操作 type='process' 的行。

3.3 AI 异常解释:从"数据"到"人话"

决策台的每条事件(缺料、交期、产能、插单、报工确认)都有一个"🤖 解释"按钮。

痛点:事件标题说"缺 3 种物料,影响开工",但 PMC 需要知道的是:缺什么、有没有在途采购、采购什么时候到、会不会影响交期、现在该做什么。这些信息分散在工单、BOM、库存、采购、销售五个表里,人工翻一遍要几分钟。

数据收集是确定性的(collectExplainContext),按事件类型分发:

Prompt 的约束非常硬:

输出格式(严格遵守):
第一句:成因(为什么会这样)
第二句:影响(影响到什么、影响多少)
第三句:建议(PMC 具体该做什么)

不要标题、不要编号、不要重复数据中已有的数字。只输出这三句话。

system prompt 里还有:

严格要求:(1) 不编造任何数字,所有数字已在输入数据中;(2) 不使用"可能""也许"等模糊词;(3) 直接输出,不要前缀格式;(4) 总字数控制在 100 字以内。

三层降级是这段代码的核心设计:

  1. AI 可用 → 调用 DeepSeek,输出三句话分析
  2. AI 未启用(没有 API Key 或 enabled=false)→ 只显示结构化数据,顶部提示"当前未启用 AI 智能解释。以下为系统基于实时数据生成的结构化分析,所有数字均可核对。"
  3. AI 调用失败 → 显示结构化数据,顶部黄色横幅提示"⚠️ AI 解释失败(具体错误)。以下为系统基于实时数据生成的结构化分析。"

不管哪一层,结构化数据区块都会渲染(_renderShortageData / _renderDelayData / _renderCapacityData / _renderInsertData / _renderReportData)。这意味着:AI 说得再好,用户也能立刻对照下方的数据核实;AI 挂了,功能依然可用,只是少了那句归纳。

AI 区块底部还有一行免责声明:

⚠️ AI 仅做归纳分析,不生成新数字。所有数字以下方「数据依据」为准,可自行核对。

这句话不是法律免责,是产品设计:告诉用户该信什么、不该信什么。

3.4 AI 工时偏差归因:从"数字偏差"到"原因判断"

工时校准向导(_openLaborCalibrationWizard)是排程质量闭环的核心。流程是:收集最近 20 个完工工单 → 算整体偏差和标准差 → 归因 → 算建议值 → 影响预览。

规则归因先行(_attributeLaborDeviation):

AI 归因是规则归因的补充(_aiExplainLaborDeviation):

输入是规则归因的结果 + 关键统计 + 最近 5 单明细,Prompt 要求:

请基于以下工时偏差事实,用一句话给出归因判断(不超过 50 字)。不要编造数字,只归纳原因。

- 直接输出一句话,不要标题、不要编号
- 聚焦「最可能的原因」和「是否建议校准」
- 如果样本少或波动大,提醒「暂不建议校准」

AI 的输出会渲染在一个蓝色框里,标注"🤖 AI 归因",和上方的规则归因并列显示。

这里的设计取舍:工时归因是 AI 最"没有把握"的场景——样本可能只有 3 条,波动可能很大,AI 很容易给出一个听起来合理但没有依据的判断。所以:

AI 不参与建议值的计算(_computeCalibratedValue 是纯算术:加权平均,越新权重越高)。AI 只负责"解释为什么偏",不负责"改成多少"。这是又一次"软判断给 AI、硬计算给代码"的边界划分。

四、真实价值:三个可验证的改善

抛开宣传话术,从代码和交互设计能看出的实际改善是这三点。

4.1 排产的"信任成本"降低了

传统排产工具的困境:算法给出一个结果,PMC 看不懂为什么这么排,不敢用,最后还是手工调。或者反过来,PMC 凭经验排,出了问题无法复盘。

轻排的 AI 排产给出的是:每个工单一个 0–100 的分数 + 一条 ≤20 字的理由 + 一个建议产线,然后本地引擎按分数排日期。PMC 看到的是:

WO-001  85分  🔴高  逾期订单,优先        → SMT线A  05-10 → 05-12
WO-002  52分  🟡中  批量可合并,减少换型    → SMT线B  05-13 → 05-14
WO-003  20分  🟢低  交期宽松,无缺料        → SMT线A  05-15 → 05-15

这个结果可读、可质疑、可修改。如果 PMC 不同意"WO-002 应该排 70 分",他可以直接手动调整日期,或者改优先级重跑。AI 的价值不是给出"正确的排程",而是给出"可讨论的排程"。

4.2 工艺路线配置的时间成本大幅下降

这是最能被量化的改善。一个电子产品的典型工艺路线:贴片、回流焊、插件、波峰焊、测试、组装、包装,7 道工序,每道填序号、工序名、工作中心、单件工时、准备时间、后等待,6 个字段 × 7 行 = 42 个输入。

关键不是"AI 配得比人准",而是"AI 把从零开始变成从候选开始"。
人做审核比人做创作快得多,尤其是新人。置信度分级勾选(>85% 默认勾、60–85% 需确认、<60% 默认不勾)让用户知道"哪些可以直接信,哪些要仔细看",而不是面对一个 7 行的清单逐行怀疑。

4.3 异常处理的"信息搜集时间"被压缩

PMC 每天花大量时间在"查"上:这个单为什么缺料?缺的料有没有在途?在途什么时候到?会不会影响交期?要回答这串问题,要在工单表、BOM 树、库存表、采购订单、销售订单之间来回切换。

AI 解释把这个过程压缩成三句话:

缺 3 种物料,核心是 IC-001 缺口 150 片,因供应商交期从 5 天延到 12 天。
影响 WO-008 计划 05-12 开工,关联 SO-2026-0031 承诺 05-18 交付,存在 2 天逾期风险。
建议立即联系供应商催货,或评估从 SMT产线B 的备料中调拨。

下方的结构化数据区块同时展开,缺料明细、在途采购、关联订单全部可核对。

3 秒
读完 5 个表、算出缺口、关联交期
3 句
成因 / 影响 / 建议,固定结构
0
AI 生成的新数字

这个功能的价值不在于"AI 比人聪明",而在于"AI 比人快"——它能在 3 秒内读完 5 个表、算出缺口、关联到交期,然后用人话总结。PMC 的工作从"搜集信息"变成"判断决策"。

五、工程上的克制:AI 被关在笼子里的地方

前面讲的都是 AI 做了什么,这一节讲 AI 不能做什么。这些约束是刻意的,也是这套集成最值得借鉴的部分。

5.1 每个 AI 功能都有非 AI 的降级路径

AI 功能降级路径触发条件
智能排产_autoSchedule 本地自动排程AI 未启用 / 调用失败 / 用户选择
工序推断ruleBasedInferProcesses 规则引擎AI 未启用 / Schema 校验失败 / 调用失败
异常解释结构化数据渲染AI 未启用 / 调用失败
工时归因_attributeLaborDeviation 规则归因AI 未启用 / 调用失败

降级不是"出错了凑合用",而是设计上并列的两条路径。规则引擎和 AI 走同一个实施工作台,只是来源标识不同;结构化数据和 AI 解释在同一个弹窗里上下排列。用户不会因为 AI 挂了而丢掉功能。

5.2 AI 的输出永远要过校验

5.3 数字不重生成,是 Prompt 里的硬约束

所有 Prompt 里都有一句类似的话:

所有数字已在输入数据中;(2) 不编造任何数字

这不是客套。LLM 在"总结"场景下有一个典型失败模式:把输入里的数字记错、算错、或者"顺手"补一个。轻排的做法是:把 AI 需要的所有数字在 Prompt 里列清楚,明确要求"不要重新生成",然后在 UI 上把原始数据也展示出来供对照。

5.4 API Key 不走普通数据同步

await window.__TAURI__.core.invoke('save_ai_settings', {
    settings: db.aiSettings
});

AI 设置有独立的保存命令,不走 saveDBSync。原因是 saveDBSync 会把 db 序列化落盘,API Key 会出现在 JSON 备份文件里。独立命令让它走加密存储,备份时不会泄露。

5.5 AI 的应用有留痕

工序推断的应用记录写在 _ai_impl_log,保留最近 100 条,包含时间、产品、来源(ai/rules/rules_fallback)、应用条数、更新/新增条数、完整草稿。出问题可以追溯"这个产品的工艺路线是什么时候、用什么来源、基于什么输入配的"。

六、后续方向:从代码里能看到的扩展点

不写"未来会做多模态、会做 Agent"这类空话,只列代码里已经埋了钩子、但还没完全展开的方向。

6.1 Prompt 的可编辑化

代码里已经有 executeSchedulingWithPrompt(userPrompt) 和 _updatePromptStats(),说明"用户自定义排产 Prompt"的 UI 是存在过的,只是默认路径走的是 buildPMCPrompt。下一步的合理演进是:让高级用户可以在设置页微调评分规则、加行业特有的约束,而不用改代码。

6.2 按功能分模型

现在 db.aiSettings 是全局一套配置。但四个功能对模型的要求完全不同:

下一步可以做"功能级模型配置",让成本敏感的场景用轻模型,复杂推理用重模型。

6.3 流式输出

现在 stream: false,异常解释要等 3–5 秒才出结果。解释类场景天然适合流式——用户看着文字一个个蹦出来,等待感会小很多。工序推断也可以流式展示"正在分析 BOM…正在生成工序…",配合现有的进度条。

6.4 AI 采纳率的度量

现在有留痕,但没有统计。一个自然的演进是:统计 AI 推断的工序最终被采纳了多少、被修改了多少、被删除了多少。这个数据可以反哺 Prompt 优化——如果某个行业的工序推断总是被删掉"包装"这一道,说明规则或 Prompt 需要调整。

6.5 多轮对话式的沙盘

现在的沙盘推演是"填参数 → 看结果",一次性的。下一步可以做对话式:

用户:这张单提前两天行不行?
AI:(调用沙盘工具)提前两天会挤占 WO-012,交期风险 +2 天,但仍在承诺期内。建议提前。
用户:那换个产线呢?
AI:(调用沙盘工具,换产线)SMT线B 同期空闲,无挤占,交期无风险。建议换线。

这个方向的关键是工具调用——AI 不直接算,而是调用 calcScheduleImpact / _calcL25SandboxConflicts 这些已有的确定性函数,把结果用人话讲出来。和现在的异常解释是同一个思路,只是从"一次性"变成"多轮"。

6.6 本地模型的路由

代码里已经支持 local(Ollama/LLaMA)。对数据敏感的企业(比如军工、医疗),API 调用是红线。下一步可以做"智能路由":简单任务(异常解释、工时归因)走本地小模型,复杂任务(排产、工序推断)走云端,用户可配置哪些数据不出内网。

七、结语:AI 在 PMC 工具里应该是什么角色

轻排的 DeepSeek 集成给出的答案,可以浓缩成三句话:

第一,AI 做 PMC 不愿意做、做不好的"软"判断——打分、归因、归纳、建议。 这些事情的共同点是:输入是结构化的,输出是自然语言的,错了人能看出来。

第二,AI 不做 PMC 必须负责的"硬"计算——日期、产能、库存、成本。 这些事情的共同点是:结果要被签字、要被审计、要被追溯,必须是确定性的、可复算的。

第三,AI 永远是可选项,不是必选项。 每个 AI 功能都有非 AI 的降级路径,每个 AI 输出都有校验和免责声明,每个 AI 应用都有留痕。AI 挂了,工具还能用;AI 说错了,用户能发现;AI 被滥用了,事后能查。

这套边界不是技术限制,是产品判断。
在一个 PMC 每天要签字、要背交期、要被老板追问"为什么这单晚了"的场景里,可解释、可干预、可回溯,比"智能"重要得多。

DeepSeek 在这个体系里的角色,不是一个"会思考的大脑",而是一个"读得懂数据、说得出人话、算得清权重"的助手。它让 PMC 从"搜集信息"里解放出来,去做真正需要人的判断——这个定位,比"AI 替代排产"要诚实得多,也实用得多。

想让 AI 在你的 PMC 流程里只当副驾驶?

本地部署 · 一次性买断 · 1-3 天上线 · 30 天完整功能免费试用

了解轻排 PMClite →

文中提及的算法与实现细节为公开演示版本,实际产品以发布版本为准。轻排 PMClite 为独立产品,与文中提到的任何第三方厂商无商业关联。