1. 从千万级SKU的“数据沼泽”到智能决策的“高速公路”在制造业干了十几年IT我见过太多企业被海量SKUStock Keeping Unit库存量单位拖垮的场景。一个典型的离散制造企业产品线稍微复杂一点SKU数量轻松突破百万甚至千万。这背后意味着什么意味着你的ERP企业资源计划系统里躺着几百万条物料主数据、工艺路线、BOM物料清单结构。每次接一个新订单报价员需要像考古一样在浩如烟海的数据里翻找相似的历史订单、匹配物料成本、核算加工工时、评估外协费用。这个过程快则几小时慢则几天而且极度依赖老师傅的经验。一个资深报价员离职可能直接导致公司报价准确率下降、利润流失。这就是我们常说的“数据沼泽”——数据量巨大但价值密度极低无法直接转化为决策力。而AI Agent正是我们尝试在这片沼泽上修建的一条“智能决策高速公路”。它不是要取代ERP而是成为ERP之上的“智能驾驶舱”。简单来说AI Agent在这里是一个能够理解业务目标、自主调用工具、并执行复杂流程的智能体。当销售接到一个“定制化非标件”询价时理想的场景是AI Agent被触发它自动解析询价单的技术参数在千万级SKU库中通过向量化技术秒级找到最相似的已有产品及其完整成本数据再根据差异点如尺寸变化、材料替换调用成本模型进行动态修正最后综合考量当前原材料市场价格、产能负荷、物流成本生成一份精准、合规的报价单并附上关键风险提示。整个过程从“天”级缩短到“分钟”级。这不仅仅是效率提升更是商业模式的进化。它让企业有能力处理以往不敢接的“小批量、多品种”订单实现真正的柔性制造。今天我就结合我们团队在一个大型装备制造企业的落地实战拆解这条从“数据沼泽”通向“智能报价”的深度路径。你会发现核心不是追求最炫的算法而是如何将AI的“智能”与制造业严密的“流程”和“数据”深度融合。2. 千万级SKU管理数据治理是AI Agent的“地基工程”在谈论AI Agent如何智能报价之前我们必须先解决一个更根本的问题你的数据“能用”吗很多企业一上来就想做智能应用结果发现AI模型给出的建议荒谬无比根源往往在于数据质量。对于千万级SKU数据治理不是可选项而是必须夯实的“地基”。2.1 SKU数据“脏乱差”的典型症状与清洗策略制造业SKU数据的问题具有高度共性。首先是一物多码和一码多物同一个螺母因为采购来源不同、录入人员不同在系统里可能就有五六个不同的物料编码和描述。其次是属性缺失与不一致关键的技术参数如材质、硬度、精度等级可能为空或者填写格式五花八门“45#钢”、“45号钢”、“45钢”混用。最后是BOM结构冗余与错误一个产品的BOM可能包含大量过期或替代料层级关系混乱。我们的实战策略是“分而治之人机结合”规则引擎先行我们首先建立了一套强大的数据清洗规则库。例如针对材质字段我们预设了标准材质库如GB、ASTM标准编写规则脚本对非标描述进行模糊匹配和归一化。对于数值型参数如尺寸、重量设置合理范围校验自动剔除明显异常值如一个螺丝长度写成100米。这部分可以处理掉大约60%-70%的显性错误。相似度聚类与合并对于规则无法解决的“一物多码”难题我们引入向量化技术。将物料的“名称”、“规格型号”、“材质”、“品牌”等文本属性通过Embedding模型转化为向量然后计算所有SKU之间的余弦相似度。通过聚类算法我们可以将描述极其相似但编码不同的SKU自动分组提供给业务专家进行最终审核与合并决策。这一步是降本增效的关键我们曾在一个子类中一次性合并了超过30%的冗余SKU。知识图谱补全对于属性缺失我们利用已经清洗好的数据和外部知识如标准件手册、供应商目录构建了一个小型的制造业物料知识图谱。例如如果一个“深沟球轴承”缺失了“内径”属性但它的“型号”是“6204”知识图谱可以基于规则“型号6204对应内径20mm”自动补全。对于更复杂的情况可以训练一个轻量级的预测模型。注意数据清洗不是一劳永逸的项目而是一个需要持续运营的流程。我们建议设立“数据管家”角色并开发一个简单的数据质量看板监控关键属性的填充率、唯一性等指标将问题闭环到具体的业务部门。2.2 构建面向智能查询的SKU向量化索引清洗后的标准化数据是为AI Agent提供“视力”的基础。但传统数据库的模糊查询在千万级数据面前依然力不从心。我们需要为SKU构建一个高效的“向量索引”。我们的做法是为每个SKU创建一个“特征向量”。这个向量不仅仅包含名称、型号的Embedding还融入了结构化属性文本特征向量将“产品描述”、“关键工艺说明”等长文本通过如text-embedding-3-small这类模型转化为向量。类别特征向量对“产品大类”、“工艺类型”等类别信息进行One-Hot编码或目标编码。数值特征向量对“重量”、“尺寸”、“标准单价”等数值进行标准化归一化。然后将这三部分向量拼接起来形成一个高维的复合特征向量。接下来使用诸如FAISSFacebook AI Similarity Search、Milvus或Chroma这类向量数据库为所有SKU的复合向量建立索引。为什么这么做当AI Agent接到一个询价需求比如“一个用于高温环境的304不锈钢法兰DN50PN16”它可以先将这个自然语言描述转化为查询向量然后在向量数据库中进行近似最近邻搜索。毫秒级内它就能找到历史上所有最相似的“不锈钢法兰”订单及其完整的成本、工艺数据作为报价的基准。这比在SQL数据库里写复杂的多条件联合查询要快得多也灵活得多因为它理解语义相似性而不仅仅是字符匹配。3. 智能报价AI Agent的架构设计与核心“技能”拆解有了高质量的数据和高效的检索能力我们就可以开始设计智能报价AI Agent了。它的目标不是做一个“聊天机器人”而是一个能够执行端到端报价流程的自主智能体。3.1 基于ReAct框架的智能体决策循环我们采用了经典的ReActReasoning Acting框架作为智能体的核心推理逻辑。你可以把它理解为一个拥有“大脑”和“手脚”的智能员工。Reasoning思考智能体分析当前的目标如“为询价单#123生成报价”、已有的上下文询价单内容、客户信息和记忆历史相似订单决定下一步该做什么。Acting行动智能体根据思考结果调用一个具体的“工具”Skill去执行。比如“调用SKU相似度搜索工具”。观察结果工具执行后返回结果如搜索到的Top 5相似SKU列表这个结果成为新的观察输入给“思考”环节。循环智能体基于新的观察继续思考、行动直到达成目标生成完整报价单或无法继续报错。这个循环由一个大语言模型驱动。我们给LLM定义清晰的“角色”你是一名资深制造业成本估算专家、目标生成准确、合规的报价单和一系列可用的工具。3.2 报价Agent必须掌握的五大核心“技能”要让Agent完成报价必须赋予它一系列可执行的“技能”。这些技能本质上是封装好的函数或APIAgent通过自然语言指令来调用它们。技能名称功能描述关键技术实现输出结果示例1. 询价单解析与需求抽取从上传的PDF/图片/文本中提取结构化参数。OCR技术 LLM信息抽取。提示词工程是关键需定义好需要抽取的字段物料名称、规格、材质、数量、技术要求等。{“物料”: “齿轮轴” “材质”: “20CrMnTi” “模数”: 3 “数量”: 100}2. 历史相似SKU/订单检索基于抽取的需求在向量库中寻找最相似的历史参考。将需求文本向量化在FAISS/Milvus中进行相似度搜索。需结合语义相似度和关键属性匹配如材质必须相同。返回相似度最高的3个历史SKU编号及它们的成本明细。3. 动态成本计算基于参考成本根据差异进行修正计算。规则引擎 轻量级预测模型。例如重量变化导致材料成本按比例调整工艺复杂度增加调用加工工时估算模型。材料成本: 1500元 加工成本: 800元 外协成本: 300元4. 实时市场数据查询获取最新的原材料价格、汇率、运费等。对接外部数据API如钢铁网价格指数、物流平台接口。Agent需判断本次报价是否需要以及需要哪些外部数据。304不锈钢板当日市价: 15500元/吨5. 报价单生成与合规校验汇总所有成本添加利润率生成格式规范的报价单。模板引擎 业务规则校验。确保利润率在政策范围内特殊客户有特殊折扣报价单格式符合公司标准。生成一份包含明细、总价、有效期、条款的PDF报价单。开发体会技能的设计要“高内聚、低耦合”。每个技能只做好一件事并且有清晰、稳定的输入输出接口。这样不仅易于开发和测试未来增加新技能如“供应链风险预测”也会非常方便。我们使用像LangChain、LlamaIndex这类框架来编排这些技能它们提供了很好的工具调用和流程控制抽象。4. 实战避坑Agent与现有ERP/MES系统的深度集成这是项目从“演示原型”走向“生产系统”最关键也最坎坷的一步。AI Agent不能是空中楼阁它必须与企业的生命线——ERP如SAP、Oracle、用友、金蝶和MES制造执行系统深度打通。4.1 绕过“核心业务逻辑重写”的陷阱我们绝不建议去直接修改ERP的核心代码或者试图用AI Agent替代ERP中的核心模块如财务、库存管理。这风险极高且难以维护。我们的集成哲学是“感知-决策-执行”。感知Agent通过ERP系统提供的标准API或数据库只读视图获取业务数据如物料主数据、历史订单、当前库存。很多现代ERP都提供了丰富的OData或RESTful API。决策Agent在“外部”利用获取的数据结合AI模型做出智能决策如计算成本、推荐工艺路线。执行Agent将决策结果如生成的报价单、建议的生产工单再通过ERP的标准API或创建接口表的写入方式反馈回ERP系统驱动后续流程。例如报价Agent生成报价单后并不是自己打印出来而是调用ERP的“销售报价单创建”API在ERP中正式生成一张待审核的报价单据后续的审批、转订单流程完全在ERP内闭环。这样所有业务操作都有迹可循符合内控要求。4.2 处理实时性、一致性与错误恢复集成中的技术挑战非常多数据实时性Agent计算成本时用的原材料价格可能和ERP采购模块里的最新采购价有延迟。我们采取“缓存实时查询”结合的策略基础价格每天同步一次到Agent的本地缓存对于价格波动剧烈的物料在计算时触发一次实时API查询。事务一致性AI Agent的决策过程可能涉及多个步骤和外部调用不是一个数据库事务。我们引入了“补偿事务”机制。例如如果Agent创建报价单成功但后续发送邮件通知失败系统会记录这个失败状态并触发重试或人工干预流程而不是回滚整个报价单这在ERP中可能很复杂。错误处理与降级任何一个技能调用失败如网络超时、API限流Agent不能直接“崩溃”。我们为每个技能都设计了明确的失败处理逻辑和降级方案。比如相似订单检索失败可以降级为根据物料大类使用标准成本法进行估算并在生成的报价单上醒目提示“本次报价基于标准成本仅供参考”。这保证了系统的鲁棒性。5. 从项目启动到规模推广组织、度量与演进路线技术实现只是故事的一半另一半是“人”和“流程”。一个AI Agent项目要想成功落地并产生规模价值必须精心规划其推进路径。5.1 小步快跑选择高价值、高可行性的试点场景不要一上来就试图用AI Agent解决所有报价问题。我们选择的第一个试点场景是“标准件变型快速报价”。这类产品家族庞大如各种规格的阀门、法兰历史数据丰富变型规则相对明确尺寸、压力等级变化。业务价值明确报价效率提升80%以上技术风险可控主要依赖规则和检索。用4-6周时间集中力量打通从询价单到报价单的全流程做出一个能让业务部门眼前一亮的最小可行产品。在试点阶段我们格外关注与关键用户的共创。每天站会每周演示让报价员直接使用并反馈。他们提出的“这个参数我们实际不看中那个参数才是关键”、“这里需要加上表面处理的附加费”等意见比任何需求文档都宝贵。5.2 定义属于AI Agent的效能度量指标如何证明AI Agent的成功不能只看技术指标如响应时间、召回率必须与业务指标强关联。我们建立了三层度量体系核心业务指标报价平均耗时从接到询价到输出报价单的时间。报价准确率与最终成交价或资深专家复核价的偏差率我们设定初期目标为偏差5%。人工干预率有多少比例的报价需要人工修改或复核后才能发出。这个指标会随着Agent能力提升而下降。Agent性能指标任务完成率启动的报价流程有多大比例成功走完全流程并生成结果。工具调用准确率Agent在每一步选择调用正确工具的比例。平均推理步数完成一个报价任务需要多少次“思考-行动”循环。优化目标是减少不必要的步骤。成本与收益指标核算项目投入算力、API调用、人力与产生的收益因报价效率提升而多接的订单、因成本估算更准而提升的毛利率。5.3 构建技能商店与Agent运营中台当试点成功希望将AI Agent推广到更多场景如非标设计报价、采购寻源、生产排程异常处理时一个集中化的“技能商店”和“Agent运营中台”就至关重要。技能商店将所有开发好的技能SKU检索、成本计算、邮件发送等注册到一个中心仓库。每个技能有清晰的文档、输入输出格式、版本号。新的Agent项目可以直接像搭积木一样从商店里选取所需技能进行组装无需重复开发。Agent运营中台提供统一的Agent生命周期管理创建、部署、监控、对话与执行日志审计、知识库管理、以及统一的用户交互界面。业务部门可以在这个中台上通过低代码的方式配置一些简单的业务流程型Agent。这条路走下来你会发现制造业AI Agent的落地技术只占三分之一另外三分之二是对业务的深度理解、对现有系统生态的尊重以及一种务实、迭代的工程化推进策略。它不是一场颠覆式的革命而是一次聚焦于关键业务痛点的、深度融合的智能化升级。当你的报价员从繁琐的数据检索和计算中解放出来转而从事更具价值的客户沟通与方案优化时这场变革的真正价值才得以显现。