把数据记清楚
订单、BOM、库存与工单，建立一致的数据基础。
DIGITAL TRANSFORMATION / AI AGENTS
让运营数据，
成为下一步的决策依据。
鞋业数字化转型，从 ERP 流程延伸到 AI 智能体。让计划、采购与管理者用日常语言厘清异常，把缺料、产能与交期放在同一个业务背景中判断。
AI 智能体实施方案规划 · 实际能力依数据与集成评估确认
未来两周要交货的订单，哪些需要优先处理？
- 01看见风险
对照订单、备料与进度
- 02厘清依据
标明来源、日期与待确认事项
- 03比较方案
评估催料、调度与排程影响
- 04交由决策
由授权人员确认下一步
缺料风险
可用量能否在开工前到位？
产能限制
针车、组底是否都能完成？
01 / CONNECT THE DOTS
从数字化，走向有业务背景的协作。
ERP 留下业务记录，APS 计算排程可行性，AI 协助理解问题、整理证据与解释结果。
把限制算进去
对照物料到位、工艺路线与产能，模拟可行安排。
把下一步说明白
整理异常与可能原因，提出可追溯、可审核的建议。
02 / SIX WAYS TO START
从管理者每天会问的问题开始。
选择场景，查看建议需要哪些数据、可以输出什么，以及哪些决策仍需人员确认。
管理者提问 / 订单交期
哪些订单可能来不及交？
查询未来 14 天应交订单，分析缺料、产能与生产进度的风险。
↗ 先处理影响交期的异常建议数据基础
订单与首次承诺、工单进度、到料确认、APS 排程。
预期规划输出
- 按交期排列待关注订单
- 列出受影响双数与数据依据
- 提出责任部门与建议处理顺序
决策控制点
保留首次承诺；预测日期与正式交期回复分开记录。
管理者提问 / APS 排程
插入急单，原有订单会受影响吗？
新增急单时，比较现有产能、加班、跨线调度与委外的可行性。
↗ 把方案放在一起比较建议数据基础
工艺路线、标准工时、物料可用日、人员与设备产能。
预期规划输出
- 调用 APS 比较可行排程
- 对照交期、产能缺口与增量成本
- 保留待审核的重排方案
决策控制点
排程由 APS 引擎计算；AI 解释结果，批准后才更新正式计划。
管理者提问 / 物料齐套
账上有料，开工前真的备得齐吗？
检查未来 7 天计划开工的工单，按影响范围排列缺料项目。
↗ 回到真正可投产的条件建议数据基础
楦宽、Size-run、BOM、仓库可用量、预留与确认到货。
预期规划输出
- 区分在库量与开工时可用量
- 列出缺口与受影响工单
- 厘清最晚到料日与催料顺序
决策控制点
按日期、仓库、批次与单位核对；无法确认的到货不当成确定库存。
管理者提问 / 生产进度
今天落后在哪一站？
比较计划、实际产量与在制品，找出等待、移转与报工的缺口。
↗ 看清两路完成，才安排成型建议数据基础
裁断、针车、组底、成型的进度、WIP 与异常记录。
预期规划输出
- 对照计划与实际完成量
- 定位待确认的瓶颈与等待
- 建议下一个应核对的工单或工序
决策控制点
针车与组底并行，两路均完成后才开始成型；未报工不等于没有生产。
管理者提问 / 质量异常
不良升高，该先查哪个批次？
按鞋型、材料批次、工序及不良代码，分析近期质量异常。
↗ 用证据缩小查证范围建议数据基础
检验与验货记录、不良代码、批次、供应商及返工数据。
预期规划输出
- 整理不良分布与趋势
- 找出值得查证的关联批次
- 建立待确认的改善跟踪事项
决策控制点
统计关联不等于已确认根因；隔离、返工与放行由质量人员按流程判定。
管理者提问 / 厂长决策
今天有哪些事，需要厂长决定？
汇总跨部门运营信息，生成有来源、可跟踪的异常摘要。
↗ 把报表，接到可跟踪的行动建议数据基础
订单、采购、产能、生产、质量、出货及已确认成本数据。
预期规划输出
- 汇总运营摘要与风险排序
- 列出建议负责部门与处理期限
- 连接管理看板与改善记录
决策控制点
指标需先定义口径与更新频率；数据不足时标明缺口，不编造答案。
界面为场景解说，并非 AI 对话服务，也未连接您的 ERP 数据。
03 / FROM QUESTION TO ACTION
一条看得懂的决策路径。
先确认数据与权限，再讨论智能化。每个答案应能回到来源，每项变更都经过对应的授权流程。
- 01 / CONNECT
接上运营事实
ERP 订单、物料与工单，连接已确认的 APS 与现场数据。
- 02 / UNDERSTAND
理解问题与口径
把管理问题对应到指标、规则与可用数据，保留来源与更新时间。
- 03 / REASON
分析与比较方案
识别异常、整理可能原因，按规则或专用引擎比较改善方案。
- 04 / ACT
审核后接续业务
先展示建议与影响，由授权人员确认后，再按流程建立草稿或更新计划。
工厂运营智能体整体应用架构
01 / 使用者层
集团管理层 / 厂长 / 计划 / 采购 / 质量 / 财务
自然语言提问、异常通知、决策审核
02 / 协调层
Factory Operations AI Orchestrator
意图识别、Agent 路由、任务编排、权限验证
03 / 领域智能体
- Sales Agent订单交期
- Planning AgentAPS 排程
- Material Agent物料齐套
- Production Agent生产进度
- Quality Agent质量管理
- Cost Agent制造成本
- Delivery Agent出货物流
- Management Agent经营决策
- Maintenance Agent设备维护
04 / 知识与工具
DB-GPT + AWEL + Metadata Registry
RAG、Text-to-SQL、KPI、业务规则、分析工具
05 / 数据服务
PostgreSQL BI Warehouse + Odoo API
分析数据只读 / 业务写入经 ORM 与审核
06 / 运营视野
Apache Superset 经营战情室
KPI、趋势、异常清单、改善跟踪
建议整合架构示意；各层按权限交换问题、分析结果与审核信息。实际部署、资料来源及工具组合按项目评估确认。
集成评估范围
可按项目评估 Odoo ERP、DB-GPT、PostgreSQL、Apache Superset 与 APS 的角色及接口。来源规划以 Odoo 19 为场景；现有系统版本与可用数据需逐项确认。
04 / YOU KEEP THE CONTROL
先看清楚，再逐步增加自动化。
第一阶段以只读查询、分析与预警为起点。等数据质量与结果可验证，再评估模拟及审批后的 ERP 业务。
- L1
查询
查订单、库存与工单
只读权限 - L2
分析
解释指标、整理异常
来源可追溯 - L3
模拟
比较排程与改善建议
人员审核 - L4
接续业务
建立草稿或调整计划
明确授权与审批
由核心问题，延伸到完整运营。
12 类应用按数据准备与管理价值分阶段评估，无需一次全部实施。
优先评估
订单交期、APS 排程、物料齐套、生产进度、采购供应、出货物流、厂长决策
数据成熟后扩展
质量管理、库存管理、制造成本、人力效率
设备数据就绪再实施
设备维护与停机分析
05 / A PRACTICAL FIRST STEP
从一个真实问题，开始验证价值。
- 01
选择一个场景
带入一张订单或一个缺料问题，确认谁使用、要做哪个决策。
- 02
核对数据口径
盘点来源、权限、更新频率与缺漏，定义指标及正确答案。
- 03
用历史场景验证
对照人工结果、来源引用与异常边界，记录误判与修正。
- 04
分阶段试行
先只读、再建议；按审核结果评估后续集成与业务范围。
06 / GOOD QUESTIONS
开始之前，先说清楚。
方案更新：2026.10.25
这些 AI 智能体现在都能直接使用吗？
本页是鞋业 AI 智能体应用与实施方案说明，并非已部署全部功能。可用能力取决于现有模块、数据质量、模型与工具、接口及权限，需先评估与验证。
AI 会直接修改采购单、工单或正式排程吗？
第一阶段建议以只读与分析为主。后续业务变更需经明确授权、人工审核及 ERP 的正常业务接口，并保留操作记录。
Odoo 18、19 或 20 都可以集成吗？
版本不能直接视为相同。会先检查实际使用版本、定制模块、字段、接口与权限，再确认集成范围。本页来源以 Odoo 19 为规划场景；网站现有 DEMO 是 Odoo 18 界面。
还在使用 Excel，可以开始吗？
可以先以去标识的历史表单盘点数据与管理规则。是否进入自动分析或集成，取决于数据格式、更新方式、权限及可验证的结果。
效果应该如何衡量？
先建立现状基准，再观察查询整理时间、预警准确性、数据引用完整度与改善跟踪完成情况。交期、齐套或质量效果需有完整数据与可比较期间，评估前不承诺改善百分比。