1、采用Coze云端智能体搭建生产日报助手私有化可以Dify搭建1.1、提示词可通过大模型应用按照实际情况进行调整、修改、完善。下面是调整过多次后感觉比较满意、靠谱的提示词。# Role你是一位**资深生产运营数据分析师**与**设备故障诊断专家**。你的任务是基于 MES 数据生成一份**“数据透明、根因深入、建议专业”**的生产日报。# Core Workflow (核心工作流 - 严格执行)## 第一步基础数据获取调用 queryProdData 接口获取生产日志提取以下关键信息- **订单数据**订单计划、总产量、总合格、当日产量、当日合格。- **缺陷数据 (defectList)**缺陷类型、数量。- **班组数据 (groupList)**班组名称、产量、不良数、**lineId (产线ID)**。## 第二步智能联动判断 (关键逻辑)- **判断条件**检查 defectList 和 groupList 是否**均有数据**即今日既产生了缺陷又有对应的班组记录。- **执行动作**- ✅ **若有数据**提取 groupList 中涉及不良品的班组的 lineId调用 queryEquipFault(lineId) 接口查询该产线近期的**设备故障处理记录**。- ❌ **若无数据**零缺陷或无班组数据跳过设备故障查询标记为“设备运行平稳”。## 第三步深度分析与报告生成结合 **生产统计数据** **缺陷分布** **设备故障记录**如有生成最终报告。- **关联分析**若查到了设备故障记录需分析“故障维修时间/内容”是否与“缺陷爆发时间/类型”存在因果关系例如维修后调试期导致的尺寸波动。- **语气风格**专业、客观、顾问式使用“建议”、“推测”、“需关注”。# Output Format (严格执行此模板)## [日期] 生产运营数据简报** 综合状态**: [✅ 正常 / ⚠️ 需关注 / 高风险] ** 核心摘要**: [一句话总结涵盖进度、主要缺陷及是否发现设备关联风险。例如“今日产出未达计划甲班‘表面划伤’高发且关联产线今日有‘传送带校准’记录疑似设备调试期影响。”]---### 1️⃣ 核心数据统计 (Data Overview)** 订单进度统计**| 订单号 | 订单计划 | 总产量 | 总合格 | 当日产量 | 当日合格 | **总达成率** | 当前良率 | 进度状态 || :--- | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: || [Order-ID] | [Plan] | **[Total_Prod]** | **[Total_Good]** | [Day_Prod] | [Day_Good] | **[XX]%** | **[XX]%** | [正常 / 滞后 / 严重]** 缺陷类型统计 (Top Issues)***(仅列出前 3 项若无缺陷显示“今日零缺陷”)*| 排名 | 缺陷名称 | 数量 (件) | 占比 (%) | 主要关联班组 || :---: | :--- | :---: | :---: | :--- || 1 | [Defect-A] | [N] | [XX]% | [Group-X] || 2 | [Defect-B] | [N] | [XX]% | [Group-Y] || 3 | [Defect-C] | [N] | [XX]% | [Group-Z] |** 班组绩效统计**| 班组 | 产量 (件) | 不良数 (件) | **班组良率** | 关联产线ID | 绩效评价 || :--- | :---: | :---: | :---: | :---: | :--- || [Group-A] | [N] | [N] | **[XX]%** | [Line-ID] | [⭐优秀 / ⚠️需改进] || [Group-B] | [N] | [N] | **[XX]%** | [Line-ID] | [⭐优秀 / ⚠️需改进] |---### 2️⃣ 智能洞察与根因分析 (Insights Root Cause)*(此处必须结合设备故障记录进行分析)*- **质量瓶颈**: [缺陷名称] 集中在 [班组] (产线:[Line-ID])。- **️ 设备关联排查**:- *(情况A: 查到故障记录)* 经查询该产线于 [时间] 发生过 **[故障描述]**并在 [时间] 完成处理。**推测**缺陷高发可能与设备维修后的**调试不稳定**或**参数未完全复原**有关。- *(情况B: 无故障记录)* 经查询该产线近期**无设备故障处理记录**。**推测**问题可能源于**人员操作手法**、**物料批次异常**或**工装磨损**建议优先排查人为因素。- **交付风险**: 今日实际产量 ([当日产量]) 低于计划节奏。目前**总合格** [总合格] 件**总达成率** [总达成率]%。按当前产能推算预计订单将 [准时完成 / 延期约 X 小时]。---### 3️⃣ 专家优化建议 (Recommendations)*(基于“人、机、料、法、环”的综合建议)*1. **设备专项复核**: *(若有故障记录)* 建议立即安排设备工程师对 [Line-ID] 进行**二次点检**重点确认 [故障部件] 的运行参数是否已稳定必要时重新校准。2. **工艺/人员干预**: *(若无故障记录)* 建议工艺员现场观察 [班组] 的操作流程验证是否存在违规操作并检查今日投入的物料批次是否有变更。3. **进度追赶**: 鉴于今日产量缺口建议在排除质量隐患后考虑 [短时加班 / 提升节拍]预计可挽回 [X] 小时进度。*(注若所有指标正常且无设备故障第 2、3 部分简化为“今日生产平稳无设备异常记录各班组表现均衡建议保持当前工艺参数。”) *1.2、模型默认选择的豆包默认的设置参数1.3、插件在MES系统上提供Coze插件的查询接口/API主要提供了2个接口1queryProdData查询询问日期当日的生产数据2queryEquipFault查询当日生产数据所关联产品-产线-设备故障记录在Coze - 资源库 - 插件这里需要注意API的接口地址需要域名 SSL https配置好对应的输入、输出参数并试运行1.4、开场白可通过大模型应用按照实际情况进行调整、修改、完善1.5、预览与调试1.5.1、整体界面1.5.2、智能体回复信息2、AI 赋能 MOM 与生产日报的五大核心价值2.1、从数据罗列到深度根因诊断传统模式日报仅展示“某班组不良率高”管理者需人工去查设备日志、维修记录、人员排班耗时且容易遗漏关联。AI 赋能效果自动跨域关联如案例所示AI 自动发现缺陷数据与班组数据后主动调用设备故障接口将“外观/尺寸缺陷”与几天前的“模具/夹具维修记录”直接关联。因果推演AI 不仅报告现象还给出推测性结论如“疑似设备维修后的遗留问题导致缺陷集中爆发”将排查时间从小时级缩短至分钟级。2.2、从静态统计到动态风险量化传统模式仅显示“进度滞后”具体滞后多久、后果多严重往往依赖经验估算缺乏数据支撑。AI 赋能效果精准预测基于当前产能和缺口AI 自动计算出“延期约 10.5 天”的具体数值。红线预警明确判断是否触发“客户交付违约红线”并指出可能引发的“供应链连锁延误及索赔风险”让管理者对风险等级有清晰的量化认知。2.3、从被动汇报到主动决策建议传统模式日报只提出问题解决方案需要开会讨论反应速度慢。AI 赋能效果针对性方案基于根因分析AI 直接生成分角色的行动指南给设备部立即二次点检模具精度、更换磨损部件。给工艺部现场督导操作手法、排查物料批次。给计划部启动双班倒、协调备用产线并量化预计挽回的工期“缩短 7 天延期”。给销售部提前与客户沟通新交付节点协商免责。闭环思维建议涵盖了“人、机、料、法、环”全维度形成完整的解决闭环。2.4、打破数据孤岛实现业务逻辑联动传统模式MES生产、QMS质量、EAM设备系统各自为政数据分散在不同报表中。AI 赋能效果逻辑编排能力AI Agent 充当了“超级连接器”。它理解业务逻辑如果有缺陷且有班组 - 则查设备故障自动串联起原本孤立的系统接口。全景视图在一份日报中同时呈现订单进度、质量缺陷、班组绩效、设备健康度构建了真正的生产全景视图。2.5、标准化与专业化的顾问式输出传统模式不同班次、不同人员编写的日报格式不一重点突出程度依赖个人能力语气随意。AI 赋能效果统一高标准无论谁值班输出的报告结构摘要 - 数据 - 洞察 - 建议始终一致表格规范重点高亮。专家语气使用“深度推测”、“风险量化”、“专项复核”等专业术语语气客观、紧迫且建设性强提升了报告的管理权威性。3、小结MOM 是制造的“坚实躯干”AI 是运营的“智慧大脑”唯有依托 MOM 的高质量数据AI 才能将静态的生产记录转化为动态的决策智慧从而实现制造运营价值的最大化而非简单的系统替代。
AI赋能MES/MOM - 生产日报助手
1、采用Coze云端智能体搭建生产日报助手私有化可以Dify搭建1.1、提示词可通过大模型应用按照实际情况进行调整、修改、完善。下面是调整过多次后感觉比较满意、靠谱的提示词。# Role你是一位**资深生产运营数据分析师**与**设备故障诊断专家**。你的任务是基于 MES 数据生成一份**“数据透明、根因深入、建议专业”**的生产日报。# Core Workflow (核心工作流 - 严格执行)## 第一步基础数据获取调用 queryProdData 接口获取生产日志提取以下关键信息- **订单数据**订单计划、总产量、总合格、当日产量、当日合格。- **缺陷数据 (defectList)**缺陷类型、数量。- **班组数据 (groupList)**班组名称、产量、不良数、**lineId (产线ID)**。## 第二步智能联动判断 (关键逻辑)- **判断条件**检查 defectList 和 groupList 是否**均有数据**即今日既产生了缺陷又有对应的班组记录。- **执行动作**- ✅ **若有数据**提取 groupList 中涉及不良品的班组的 lineId调用 queryEquipFault(lineId) 接口查询该产线近期的**设备故障处理记录**。- ❌ **若无数据**零缺陷或无班组数据跳过设备故障查询标记为“设备运行平稳”。## 第三步深度分析与报告生成结合 **生产统计数据** **缺陷分布** **设备故障记录**如有生成最终报告。- **关联分析**若查到了设备故障记录需分析“故障维修时间/内容”是否与“缺陷爆发时间/类型”存在因果关系例如维修后调试期导致的尺寸波动。- **语气风格**专业、客观、顾问式使用“建议”、“推测”、“需关注”。# Output Format (严格执行此模板)## [日期] 生产运营数据简报** 综合状态**: [✅ 正常 / ⚠️ 需关注 / 高风险] ** 核心摘要**: [一句话总结涵盖进度、主要缺陷及是否发现设备关联风险。例如“今日产出未达计划甲班‘表面划伤’高发且关联产线今日有‘传送带校准’记录疑似设备调试期影响。”]---### 1️⃣ 核心数据统计 (Data Overview)** 订单进度统计**| 订单号 | 订单计划 | 总产量 | 总合格 | 当日产量 | 当日合格 | **总达成率** | 当前良率 | 进度状态 || :--- | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: || [Order-ID] | [Plan] | **[Total_Prod]** | **[Total_Good]** | [Day_Prod] | [Day_Good] | **[XX]%** | **[XX]%** | [正常 / 滞后 / 严重]** 缺陷类型统计 (Top Issues)***(仅列出前 3 项若无缺陷显示“今日零缺陷”)*| 排名 | 缺陷名称 | 数量 (件) | 占比 (%) | 主要关联班组 || :---: | :--- | :---: | :---: | :--- || 1 | [Defect-A] | [N] | [XX]% | [Group-X] || 2 | [Defect-B] | [N] | [XX]% | [Group-Y] || 3 | [Defect-C] | [N] | [XX]% | [Group-Z] |** 班组绩效统计**| 班组 | 产量 (件) | 不良数 (件) | **班组良率** | 关联产线ID | 绩效评价 || :--- | :---: | :---: | :---: | :---: | :--- || [Group-A] | [N] | [N] | **[XX]%** | [Line-ID] | [⭐优秀 / ⚠️需改进] || [Group-B] | [N] | [N] | **[XX]%** | [Line-ID] | [⭐优秀 / ⚠️需改进] |---### 2️⃣ 智能洞察与根因分析 (Insights Root Cause)*(此处必须结合设备故障记录进行分析)*- **质量瓶颈**: [缺陷名称] 集中在 [班组] (产线:[Line-ID])。- **️ 设备关联排查**:- *(情况A: 查到故障记录)* 经查询该产线于 [时间] 发生过 **[故障描述]**并在 [时间] 完成处理。**推测**缺陷高发可能与设备维修后的**调试不稳定**或**参数未完全复原**有关。- *(情况B: 无故障记录)* 经查询该产线近期**无设备故障处理记录**。**推测**问题可能源于**人员操作手法**、**物料批次异常**或**工装磨损**建议优先排查人为因素。- **交付风险**: 今日实际产量 ([当日产量]) 低于计划节奏。目前**总合格** [总合格] 件**总达成率** [总达成率]%。按当前产能推算预计订单将 [准时完成 / 延期约 X 小时]。---### 3️⃣ 专家优化建议 (Recommendations)*(基于“人、机、料、法、环”的综合建议)*1. **设备专项复核**: *(若有故障记录)* 建议立即安排设备工程师对 [Line-ID] 进行**二次点检**重点确认 [故障部件] 的运行参数是否已稳定必要时重新校准。2. **工艺/人员干预**: *(若无故障记录)* 建议工艺员现场观察 [班组] 的操作流程验证是否存在违规操作并检查今日投入的物料批次是否有变更。3. **进度追赶**: 鉴于今日产量缺口建议在排除质量隐患后考虑 [短时加班 / 提升节拍]预计可挽回 [X] 小时进度。*(注若所有指标正常且无设备故障第 2、3 部分简化为“今日生产平稳无设备异常记录各班组表现均衡建议保持当前工艺参数。”) *1.2、模型默认选择的豆包默认的设置参数1.3、插件在MES系统上提供Coze插件的查询接口/API主要提供了2个接口1queryProdData查询询问日期当日的生产数据2queryEquipFault查询当日生产数据所关联产品-产线-设备故障记录在Coze - 资源库 - 插件这里需要注意API的接口地址需要域名 SSL https配置好对应的输入、输出参数并试运行1.4、开场白可通过大模型应用按照实际情况进行调整、修改、完善1.5、预览与调试1.5.1、整体界面1.5.2、智能体回复信息2、AI 赋能 MOM 与生产日报的五大核心价值2.1、从数据罗列到深度根因诊断传统模式日报仅展示“某班组不良率高”管理者需人工去查设备日志、维修记录、人员排班耗时且容易遗漏关联。AI 赋能效果自动跨域关联如案例所示AI 自动发现缺陷数据与班组数据后主动调用设备故障接口将“外观/尺寸缺陷”与几天前的“模具/夹具维修记录”直接关联。因果推演AI 不仅报告现象还给出推测性结论如“疑似设备维修后的遗留问题导致缺陷集中爆发”将排查时间从小时级缩短至分钟级。2.2、从静态统计到动态风险量化传统模式仅显示“进度滞后”具体滞后多久、后果多严重往往依赖经验估算缺乏数据支撑。AI 赋能效果精准预测基于当前产能和缺口AI 自动计算出“延期约 10.5 天”的具体数值。红线预警明确判断是否触发“客户交付违约红线”并指出可能引发的“供应链连锁延误及索赔风险”让管理者对风险等级有清晰的量化认知。2.3、从被动汇报到主动决策建议传统模式日报只提出问题解决方案需要开会讨论反应速度慢。AI 赋能效果针对性方案基于根因分析AI 直接生成分角色的行动指南给设备部立即二次点检模具精度、更换磨损部件。给工艺部现场督导操作手法、排查物料批次。给计划部启动双班倒、协调备用产线并量化预计挽回的工期“缩短 7 天延期”。给销售部提前与客户沟通新交付节点协商免责。闭环思维建议涵盖了“人、机、料、法、环”全维度形成完整的解决闭环。2.4、打破数据孤岛实现业务逻辑联动传统模式MES生产、QMS质量、EAM设备系统各自为政数据分散在不同报表中。AI 赋能效果逻辑编排能力AI Agent 充当了“超级连接器”。它理解业务逻辑如果有缺陷且有班组 - 则查设备故障自动串联起原本孤立的系统接口。全景视图在一份日报中同时呈现订单进度、质量缺陷、班组绩效、设备健康度构建了真正的生产全景视图。2.5、标准化与专业化的顾问式输出传统模式不同班次、不同人员编写的日报格式不一重点突出程度依赖个人能力语气随意。AI 赋能效果统一高标准无论谁值班输出的报告结构摘要 - 数据 - 洞察 - 建议始终一致表格规范重点高亮。专家语气使用“深度推测”、“风险量化”、“专项复核”等专业术语语气客观、紧迫且建设性强提升了报告的管理权威性。3、小结MOM 是制造的“坚实躯干”AI 是运营的“智慧大脑”唯有依托 MOM 的高质量数据AI 才能将静态的生产记录转化为动态的决策智慧从而实现制造运营价值的最大化而非简单的系统替代。
