企业官网建设流程全解析

“那个单怎么样了？”

在传统的制造工厂里，这句话往往是老板或生产副总在微信群里的日常催促。车间主任收到消息后，只能放下手头的工作，跑去现场翻看报工记录，然后再回微信回复。更糟糕的是，很多超期工单往往要等到月底统计才能看见，或者直到客户催问了才暴露问题。

这种被动、滞后且依赖人力的管理模式，不仅效率低下，还极易导致交付失控。那么，如何用 AI Agent 把“事后救火”变成“事前预警”与“自动闭环”？

今天，我们以“工单超期巡检到责任人回执”这一典型场景为例，探讨如何基于Spring AI 2.0​ 的技术体系，在 Java 生态中落地一套生产车间的智能巡检方案。

一、 痛点复盘：传统车间管理的“三宗罪”

在引入 Agent 之前，工厂在工单巡检上通常面临以下困境：

1. 信息滞后：超期工单要么月底统计才看见，要么客户催了才知道。
2. 沟通断层：进度靠问、报工靠翻、回复靠口头，毫无数字化留痕。
3. 责任不清：工单超期后，缺乏明确的责任人回执与承诺机制，导致问题一拖再拖。

二、 唤醒机制：每天 07:30 的自动巡检

Spring AI 2.0 提供了强大的ChatClient编排能力与 Spring Boot 原生的调度机制。我们可以轻松设定唤醒规则：每天 07:30 定时巡检，超期 3 天以上的工单实时追加。

以下是基于 Spring AI 2.0 的核心代码实现思路：

@Service public class ProductionPatrolJob { private final ChatClient patrolAgent; private final ErpMesClient erpMesClient; // 对接企业 MES/ERP 系统 private final PendingActionRepository pendingRepo; public ProductionPatrolJob(ChatClient.Builder clientBuilder, ErpMesClient erpMesClient, PendingActionRepository pendingRepo) { // 定义 Agent 的角色与规则 this.patrolAgent = clientBuilder .defaultSystem(""" 你是一位专业的生产巡检Agent。 1. 扫描在制工单，识别超期3天以上的工单。 2. 生成生产巡检日报（含超期明细、影响交期）。 3. 列出责任人回执待办清单。 4. 严禁自动升级或私自改动工单状态，必须等待人审确认。 """) .build(); this.erpMesClient = erpMesClient; this.pendingRepo = pendingRepo; } @Scheduled(cron = "0 30 7 * * ?") public void dailyPatrol() { // 1. 取数：通过 MCP Client 或直接调用 ERP/MES 工具获取在制工单 var workOrders = erpMesClient.fetchInProgressWorkOrders(); // 2. Agent 判定与拟稿 String report = patrolAgent.prompt() .user(u -> u.text("请生成今日生产巡检日报与回执要求：{workOrders}") .param("workOrders", workOrders)) .advisors(new StructuredOutputValidationAdvisor(PatrolReport.class)) // 强制结构化输出 .call() .content(); // 3. 落库：将生成的日报与回执待办存入系统，状态为“待审” pendingRepo.savePatrolReport(report); } }

运行效果：

Agent 会自动输出当天的生产巡检日报（例如：在制工单 214 张，参与判定 191 张，超期 6 张，如 W0-26-1187 机加一超 4 天，影响 S0-26-0733 交期），并直接在钉钉或企业微信中生成“回执待办 9 条”，精准推送给赵主任、孙工、周主任等责任人。

三、 核心机制：Spring AI 2.0 驱动的“人审闸门”

制造业场景讲究权责分明。停线、加班、改排产这些处置动作，全部必须由管理者决定，Agent 绝不能越俎代庖。

在 Spring AI 2.0 中，我们可以通过自定义ToolCallingAdvisor或AroundAdvisor来实现严谨的“人审闸门”：

@Component public class HumanInTheLoopAdvisor implements AroundAdvisor { @Override public AdvisedResponse adviseCall(AdvisedRequest request, CallDependencies deps) { // 拦截 Agent 试图执行“升级工单”或“发送催办”的工具调用 var toolCalls = request.toolCalls(); for (var tc : toolCalls) { if ("escalateWorkOrder".equals(tc.name()) || "sendUrgentNotification".equals(tc.name())) { // 不执行真实工具，改回灌一条“等待生产副总确认”的系统消息 return AdvisedResponse.from(request) .withAugmentedResponse(""" 检测到高风险处置动作[%s]，已挂起。 生成草稿并存档，等待生产副总确认是否升级、抄送总经理或列为今日跟办项。 """.formatted(tc.name())); } } return deps.nextCall(request); } }

业务闭环：

Agent 会生成明确的待确认项：

• 把 2 条未回执工单升级，抄送总经理。
• 把总装二车间报工未上传列为今日跟办项，指向车间信息员。
• 巡检日报发生产日报群。

管理者点击“确认执行”，流程才真正推进；若“不批准”，则日报只留档不发群，未回执项转入次日继续标记。

四、 跑完一趟，系统留下了什么？

Agent 跑完一次巡检，不仅是发了几条消息，更是在系统中沉淀了宝贵的管理资产：

• + 每天一份可回溯的生产巡检日报（数据真实、时间戳清晰）。
• + 每条超期工单的责任人回执与承诺日期（责任到人，有据可查）。
• + 未回执名单与升级记录（形成管理闭环，杜绝扯皮）。

同时，Agent 具备极强的边界感：

• ❌ 不代替管理者做处置。
• ❌ 报工缺失时标“数据未更新”，而不是为了好看假装显示 100% 达成。

五、 结语：用 Java 原生架构驾驭制造业 Agent

通过 Spring AI 2.0 的ChatClient编排、@Tool/ MCP 工具接入、StructuredOutput结构化输出以及Advisor链的人机协同拦截，Java 团队完全可以在不引入 Python 框架的情况下，构建出生产级的制造业 Agent。

从“老板在群里问进度”到“Agent 自动巡检 + 责任人自动回执”，我们改变的不仅是工具，更是整个车间的管理范式。

注：本文画面及数据为演示环境与合成数据；Spring AI 2.0 需适配 Spring Boot 3.x/4.x 环境，落地时需结合企业实际的 ERP/MES 接口进行 MCP 或自定义 Tool 封装。