班长的两小时去哪了
某车间班长每天班前，要翻三个系统的导出表：MES 里的昨夜设备状态、ERP 里的工单进度、还有设备物联平台掉线的清单。他要做的，是核对哪些设备异常、哪些工单卡住、哪些线今天开不起来。纯手工逐行比对，两小时起步，还容易漏。我们跟着他蹲了一个早班，结论很直接——这不是智能不够，是数据没被组织过。
我们没上大模型，先上了个脚本
第一步不是 AI，是一个定时任务。每天六点，脚本把三个系统的关键表拉到一起，按规则标红异常行，生成一页晨会清单，推到班组群。
- 输入：三份来源（MES 导出 CSV、ERP 接口、物联平台接口）
- 规则：指标超阈值、工单状态卡超 4 小时、设备离线超过 10 分钟 → 自动标红并排序
- 输出：一页清单（按产线分组）+ 推送到班组群，班长手机就能看
班长两小时变十分钟。而且因为异常是系统先筛过的，他省下的不只是时间，是"怕漏看"的心理负担。
这一步为什么重要
| 直接上 AI | 先上脚本 |
|---|---|
| 数据没打通，模型无米下锅 | 先把数据拉通 |
| 需求模糊，容易做成玩具 | 规则清晰，马上见效 |
| 信任难建立 | 每天有用，建立信任 |
| 出问题难定位 | 规则透明，谁改的谁知道 |
最后一行是运维视角——脚本的规则是白纸黑字的，哪天标红逻辑要改，改一处即可；模型一旦误判，复盘起来要扒训练数据和 prompt，成本高得多。轻量方案先把"确定性"这件事做扎实，后面才敢往上叠智能。
后来它长成了什么
这个脚本跑顺之后，班组长自己提了新需求："能不能把标红的异常，顺手按责任工序分派到人？"我们加了一步——清单生成后自动建待办并指派。再后来，有人问："能不能判断下这是哪种异常、给个处理建议？"
注意顺序：是业务方先用顺手了、主动提需求，模型才进场。如果一开始就说"我们上个大模型做异常诊断"，大概率卡在"数据还没拉通"上胎死腹中。脚本把地基打好，模型才有用武之地。
这个样本为什么能复制
它不是一次性的"做个脚本帮班长"，而是一套可复制的轻量范式：找一处每天重复、数据分散、靠人肉比对的手工环节，先用确定规则把它自动化，再视情况叠加智能。我们在另外两个车间套了同一套思路——一个用在质检日报汇总，一个用在备件库存预警，落地周期都是一周以内、零模型依赖。
之所以强调"先脚本后模型"，还有一个成本视角：这个脚本的开发和运维成本，不到一次大模型 PoC 的零头，却每天都产生确定价值。模型适合解决"规则写不清"的难题，但绝大多数车间的痛点，恰恰是"规则很清楚、只是没人去写"——这件事，一个脚本就够了。
智能化不是一步登天，是先让今天省下两小时，再想明天怎么更聪明。
金兰信息——轻量落地，先把能自动的自动掉。