为什么 AI 智能体无法“手搓”出供应链计划系统？

“写几句提示词，几天就能搓出一套排产系统？”这正在成为工业软件领域的一大技术幻觉。

随着大语言模型与 AI 智能体的普及，不少企业试图让工程师借助 AI 工具从零构建供应链计划系统（如 MRP、APS）。但从复杂系统科学与工程实践来看，仅凭自回归 AI 智能体“手搓”工业级计划系统，在逻辑和数学底层都难以走通。

概率模型难以支撑全局刚性网络

供应链计划系统并非简单的逻辑判断或数据表查询，而是一个高维、强耦合的复杂物理网格。它需要同时处理采购提前期、多级 BOM 齐套、车间产能、模具约束、物流时效与现金流，并将所有变量收敛至全局可行的唯一方案。

大语言模型与 AI 智能体的底层是自回归概率预测，核心能力在于根据上下文预测“下一个最可能的标记”。这种特性让它像一个熟练的砌砖工：写一段安全库存逻辑或订单查询语句游刃有余，但缺乏对整座大楼力学平衡与管线走向的全局系统视野。靠概率拼接出的局部代码，极易演变为内部约束冲突的“伪代码散沙”。

刚性物理红线不容“概率模糊”

制造业排产是绝对的刚性世界：缺少一颗螺丝钉，整车就无法下线；关键设备检修延迟十分钟，后续工序就必须调整。这里没有模糊妥协的空间。

AI 智能体基于概率生成的特质，天然伴随不可消除的模型幻觉。让依赖概率推断的模型直接负责刚性齐套决策，极容易输出看似结构工整、实则缺失关键约束的灾难性排产方案，最终导致工厂物料断供或停工停产。

此外，供应链计划系统面临的核心难点并非编码本身，而是底层业务公理的数学抽象，例如非独立同分布（Non-IID）下的齐套阻尼，以及高维状态空间中的剪枝与动态收敛。如果架构设计者本身缺乏对复杂物理系统的深刻理解，单纯依赖 AI 生成代码，往往无法察觉深层逻辑漏洞，埋下巨大隐患。

系统面临突发扰动时的局限

任何自动化决策系统都受制于既定的底层公理。在遭遇港口停运、极端天气或产线突发故障等非线性突变时，原有的排产公理与边界条件被瞬间打破。

此时，AI 智能体只能在既有框架内自回归发散，反而可能放大错误，无法自我跃迁重构公理。面对突发相变，必须由具备元认知能力的人类决策者介入，重新设定业务规则与权重公理。

科学的人机协同分工

否定 AI 智能体“独立手搓系统”，并非否定 AI 的产业价值，而是需要建立明确的角色边界：

• AI 智能体（副驾驶）：负责非结构化文档处理、自然语言交互界面及业务分析辅助。
• 物理算法引擎（主驾）：基于运筹优化与价值链物理学打造的刚性引擎，专职处理拓扑剪枝、刚性齐套、全局求解与决策自动化落盘。
• 人类决策者（总指挥）：掌控底层规则的自省与重构权，在外部扰动导致公理失效时调整战略边界。

制造业是严肃的物理世界，而非提示词工程的游戏。认清 AI 智能体的辅助定位，让确定性引擎掌控核心计算，才是工业数字化落地的务实路径。