物料主数据看起来只是 ERP 里的一行行记录,实际上是制造业的数字地基:编码、名称、规格、单位、材质、工艺路线、BOM 关系、供应商与库存属性,任何一处含糊,都会沿着计划、采购、生产、成本一路放大成错料、错采、错算。也正因为它牵涉部门多、规则细、历史包袱重,物料主数据的审核与处理长期是“人力密集”的活儿。而 Agent 的出现,第一次让这类工作有了被系统性提效的可能。
传统物料主数据处理通常是一条串行链路:工程或工艺提出新物料申请,附上图纸、规格书或样品照片;主数据专员核对是否已有相同或相似物料;查重通过后按编码规则赋码,补全描述、单位、换算率、分类、税率等几十个字段;再由标准化、采购、质量、财务等角色分别审核;最后录入 ERP/PLM 并通知下游。
痛点几乎都集中在“人工比对”和“隐性规则”上。
第一,查重靠肉眼与经验。同一种轴承可能因描述写法不同被建成三个编码,“M8×20 不锈钢内六角螺栓”与“内六角螺钉 M8-20 SUS304”在系统里互不相识,一物多码由此产生,后续库存与成本全被稀释。
第二,规则分散且难以传承。编码规则、命名规范、可建料条件、必须提供的检验项目,大量存在于老员工的习惯与零散制度中,人员一变,判断口径就漂移。
第三,信息载体不统一。图纸、PDF、Excel、邮件正文、聊天截图混用,专员要花大量时间做“信息搬运”,而不是做判断。
第四,审核反馈周期长、来回多。字段缺失、单位换算错误、材质标注不规范等问题往往在流程末端才被发现,退回重来,一个物料从申请到可用耗时数天甚至数周。
第五,过程难追溯、难度量。谁依据什么做了判断、哪些物料属于高风险放行,缺乏结构化留痕,审计与治理都缺乏抓手。
Agent 与传统脚本的区别在于,它能理解非结构化输入、能调用工具、能给出可解释的中间结论,因此适合嵌入主数据审核这类“规则明确但形态杂乱”的场景。
多模态解析与结构化。 上传图纸、规格书、供应商资料或现场照片,Agent 提取关键属性(名称、规格、材质、标准号、单位),直接生成申请草稿,申请人不再手工填几十个字段。
智能查重与相似识别。 基于编码规则、名称语义、规格参数做相似度匹配,返回“疑似已有物料”清单并给出相似理由,把一物多码拦在入口。
规则校验与自动补全。 把编码规则、命名规范、必填项逻辑、单位换算、分类映射沉淀为可执行的知识库,Agent 逐项校验并标注冲突点,同时补全可推导字段。
生成审核意见与差异清单。 不是简单返回“通过”“不通过”,而是输出结构化结论:哪些项符合规范、哪些项存在风险、建议如何修改,审核人只需确认或否决。
分级放行。 低风险物料(如标准件、已有物料复用)走自动通过;高风险物料(新分类、涉及安全与检验、影响成本核算)转人工复核。人工精力被集中到真正需要判断的地方。
闭环执行与留痕。 审核通过后由 Agent 调用 ERP/PLM 接口写入,并保存输入材料、判断依据、修改记录,形成可审计的完整链路。
抽象地讲“Agent 能做这些”,不如看一段真实的执行记录。Soia work 曾按上述思路对一批物料申请做过完整验证,过程与结果都可以复现。
起点是一堆不规整的材料。 25 份申请材料散在邮箱与本地目录里,形态五六种都有:12 份邮件正文带 PDF,8 份是签字盖章的申请单扫描件,1 份是工程部一次性发来的 Excel(“这 4 个都建一下”),3 张群里随口提需求的聊天截图,还有 1 张手填申请单的照片。这些材料没有被整理成模板,Agent 直接从来源处读取,最终覆盖 28 条申请,逐条读出名称、规格、单位、分类、用途,并把分类、规格、单位、用途的缺失项当场点出来。
然后是定口径,而不是直接开始判。 这一步最容易被忽略,也最影响结果可信度:把当时的五类编码规则与九类校验项(E01–E09)固化成一张规则卡,并明确聚合优先级——同一条申请既触发驳回又触发补充时,按“驳回 > 待补充 > 自动通过”处置。规则没写清楚的地方不猜,只标风险。
再是逐条判定。 28 条结果是:驳回 13 条、待补充 5 条、自动通过 10 条,共查出 22 处异常,每条异常都带代码和具体整改要求,不是一句“格式不符”。查重也同时做完了:与既有台账重复的,直接给出应当复用的现有编码;同一批内部撞车的,关联到首件而不是各自建码。
最后是闭环。 10 条通过的按分类分段生成编码写入物料台账,台账从 22 条涨到 32 条,并输出回写记录;退回通知按申请人聚合,写清楚“改哪个字段、改成什么”,而不是笼统退回;再生成一张三态占比与九类异常分布的看板,让这一批活儿的质量一眼可见。
值得说明的是它的边界。这个验证里,字段比对与关键词校验交给确定性代码执行,规则不明时只出风险提示;通过、退回、变更这些动作按授权处理,并留下审核意见。也就是说,Agent 承担的是检索、比对、校验与记录,判断权(尤其新分类、影响成本核算的高风险物料)始终留在人手上——这与物料主数据“错一行、动全身”的属性是匹配的。同类能力目前并不稀缺,真正拉开差距的是规则口径能不能被准确落成可执行的东西、以及异常是否解释得让人敢签。
技术能否落地,往往不取决于模型能力,而取决于人是否愿意用。
对申请人友好,意味着“少填表、少返工”:拍照或上传资料即可发起,缺什么由 Agent 明确提示,而不是被流程退回后才知——上面那条“改哪个字段、改成什么”的退回通知,就是这一点的具体形态。
对审核人友好,意味着“可解释、可干预、可回滚”:每条建议都显示依据与置信度,差异处高亮对比,审核人可以修改结论并反馈,反馈回流优化规则,而不是被系统黑箱推着走。责任边界要清晰——Agent 承担检索、比对、校验与记录,最终判断权仍属于人。
对管理者友好,意味着“可度量”:物料建料周期、自动通过率、人工干预率、一物多码收敛趋势,都成为可观察的治理指标。上面那张三态占比与异常分布看板,本质就是把“这一批审核靠不靠谱”变成可讨论的数字。
落地路径也应保持温和:先做“辅助模式”,Agent 只给建议不写入;跑稳后开放低风险自动放行;再逐步扩展到跨系统联动。急于全自动化,往往会因一次误判而失去组织信任。
物料主数据的提效,本质不是把审核做得更快,而是把散落在个人经验中的判断标准,转化为组织可复用、可迭代的知识资产。Agent 的价值,正是在人与系统之间搭起一层“懂规则、能解释、可协作”的中间层——让数据更干净,也让工作更简单。
来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/70051022/viewspace-3188069/ ,如需转载,请注明出处,否则将追究法律责任。