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"。
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。
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:
> 85%:默认勾选,绿色显示60–85%:默认不勾选,黄色,需要人确认< 60%:默认不勾选,红色
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:
- 缺料:工单信息 + 缺料明细(每种物料的
required / stock / shortage / pendingPO)+ 关联销售订单 - 交期:工单 + 关联订单 + 逾期天数 + 齐套状态
- 产能:产线 + 日期 + 日产能 + 当天占用工单列表
- 插单:销售订单 + 产品库存 + 该产品现有在制工单
- 报工:工单 + 本次报工(数量/工时/报工人/备注)+ 历史报工 + 产品节拍 + 本次实际单件工时
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:
- AI 可用 → 调用 DeepSeek,输出三句话分析
- 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。"
- 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):
globalDev > 30%→ "工时填小了"globalDev < -15%→ "工时填大了"stdDev > 25%→ "波动大,可能有停机/换型/混做"样本 < 5→ "样本少,可信度有限"- 工序级且缺后等待 + 偏差大 → "可能缺后等待"
- 整单且无工序 + 偏差 > 30% → "整单排程精度低"
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 归因是可选的(
ai.enabled && ai.apiKey才调用) - 失败时静默降级到规则归因,不弹错误提示
- 输出限制在 50 字,强制它只说一句
- Prompt 里明确"样本少或波动大时提醒暂不建议校准"
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。
- 手工配:新人需要查历史产品、问老师傅,30–60 分钟一个产品,还不一定对
- AI 推断:30 秒出候选清单,人工审核 + 微调,5–10 分钟一个产品
- 规则引擎兜底:即使没有 API Key,也能出 5–6 道基线工序,人工补齐
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。
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
- 排产:AI 只输出分数和建议,日期由本地引擎按确定性算法计算,结果可复算
- 工序推断:
validateInferResult校验 sequence 唯一、processName 非空、standardMinutes > 0,任何一条不满足就作废 - 异常解释:AI 输出的数字必须能在下方结构化数据里找到,找不到就是 AI 编的
- 工时归因:AI 不参与建议值计算,只做原因归纳
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:
- 智能排产:需要推理,适合
deepseek-reasoner - 工序推断:需要结构化输出,
deepseek-chat够了 - 异常解释:需要快速响应,
deepseek-flash最合适 - 工时归因:短输出,任何模型都行
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。
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。
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。