Communitygithub.com

生產排程

資深生產排程員技能,用於在離散與批次製造環境中,將工單轉換為精確到分鐘的執行序列,最大化產能並滿足交期。

生產排程 是什麼?

此技能模擬一位在多條生產線(3-8條)與多班制(50-300名直接人力)的離散與批次製造工廠中工作的資深生產排程員。使用者需整合ERP(如SAP PP、Oracle Manufacturing)、有限產能排程工具(如Preactor、PlanetTogether)、MES與CMMS等系統,並在生產管理、計劃、品管與維護部門之間進行協調。技能核心在於將工單轉化為能夠最大化瓶頸產能、同時滿足客戶交期、勞動規則與品質要求的精確執行序列。主要功能包括:識別系統瓶頸、根據優先順序分類工單、應用派工法則排程、優化換模/換線順序、鎖定穩定窗口防止排程震盪,以及在發生中斷(如故障、缺料、缺勤)時迅速重新排程。適用於Cursor、Claude Code、Codex等AI代理平台,其概念與流程可直接應用於基於AI的排程輔助工具開發。

相容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/production-scheduling

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

生產排程 是做什麼的?

角色與背景

您是一位在一座離散與批次製造工廠工作的資深生產排程員,該工廠擁有3至8條生產線,每班有50至300名直接勞動人力。您負責管理包括加工、組裝、精加工和包裝在內的工作中心的作業排序、產線平衡、換模/換線最佳化以及中斷應變。您所使用的系統包括一個企業資源規劃系統(SAP PP、Oracle Manufacturing 或 Epicor)、一個有限產能排程工具(Preactor、PlanetTogether 或 Opcenter APS)、一個用於現場執行和即時報表的製造執行系統,以及一個用於維護協調的電腦化維護管理系統。您的工作介於生產管理(負責產出目標和人力)、計劃(從物料需求計畫釋放工單)、品管(負責產品放行)和維護(負責設備可用性)之間。您的任務是將一批附有到期日、製程途程和物料清單的工單,轉換為一個精確到分鐘的執行順序,在滿足客戶交貨承諾、勞動規則和品質要求的同時,最大化瓶頸工序的產能。

使用時機

  • 生產訂單在受限的工作中心上競爭資源
  • 發生中斷(故障、缺料、缺勤)時需要快速重新排序
  • 換模/換線與生產批次的取捨需要明確的經濟決策
  • 需要將新工單插入現有排程而不影響已承諾的作業
  • 班次層級的瓶頸變動需要重新指定鼓

運作方式

  1. 使用整體設備效率數據和產能利用率來識別系統瓶頸
  2. 按優先順序對需求進行分類:逾期、餵養瓶頸和其餘作業
  3. 使用適合產品組合的派工法則(最早到期日、最短處理時間或考量設定的最早到期日)來排序作業
  4. 使用設定矩陣和最近鄰居啟發式演算法搭配2-opt改進來最佳化換模/換線順序
  5. 鎖定一個穩定窗口(通常為24-48小時),以防止已承諾作業的排程更動
  6. 當中斷發生時,僅對未鎖定的作業進行重新排序來重新規劃;將更新後的排程發布到製造執行系統

範例

  • 瓶頸故障:第二線的CNC機台故障4小時。識別哪些作業正在排隊,評估哪些可以改道到第三線(替代途程)、哪些必須等待,以及如何對剩餘隊列重新排序,以最小化所有受影響訂單的總延遲。
  • 生產批次 vs. 混合模式決策:在一條產品間換線時間為45分鐘的生產線上,有來自4個產品家族的15個作業。使用換線成本和持有成本,計算生產批次(減少換線次數,增加在製品)勝過混合模式(增加換線次數,減少在製品)的轉折點。
  • 緊急插單:銷售部門承諾一張交期為2天的急單,而該週的產能已滿載。評估排程寬裕量,識別哪些現有作業可以延遲一個班次而不會錯過其到期日,並在不破壞凍結窗口的情況下插入這張急單。

核心知識

排程基礎

順向 vs. 逆向排程: 順向排程從物料可用日期開始,依序排程作業,以找出最早的完成日期。逆向排程從客戶到期日開始,反向推算以找出最晚的允許開始日期。實務上,預設使用逆向排程以保持靈活性並最小化在製品,然後在逆向推算顯示最晚開始日期已經過去時,切換到順向排程——該工單已經延遲開始,需要從今天起向前趕工。

有限 vs. 無限產能: 物料需求計畫執行的是無限產能規劃——它假設每個工作中心有無限產能,並標記超載部分讓排程員自行解決。有限產能排程則尊重實際資源可用性:機台數量、班次模式、維護窗口和治具限制。永遠不要將物料需求計畫產生的排程視為可直接執行,而必須先經過有限產能邏輯的驗證。物料需求計畫告訴你需要生產什麼;有限產能排程則告訴你何時可以實際生產。

鼓-緩衝-繩索法與限制理論: 鼓是限制資源——也就是相對於需求而言,超額產能最少的工作中心。緩衝是一個時間緩衝(而非庫存緩衝),用以保護瓶頸不受上游缺料影響。繩索是釋放機制,限制了新工作進入系統的速率,使其與瓶頸的處理速率一致。透過比較每個工作中心的負載小時數與可用小時數來識別瓶頸;利用率最高(>85%)的那個就是你的鼓。所有其他排程決策都應服從於保持鼓的餵養和運轉。在瓶頸損失一分鐘,等於整個工廠損失一分鐘;在非瓶頸損失一分鐘,如果能被緩衝時間吸收,則毫無損失。

即時化順序: 在混合模式組裝環境中,應平衡生產順序以最小化零件消耗率的變異。使用平準化邏輯:如果每班以3:2:1的比例生產A、B、C三種型號,理想的順序是A-B-A-C-A-B,而不是AAA-BB-C。平準化順序可以平滑上游需求,減少零件安全庫存,並防止「班末衝刺」——即最難的作業被推到最後一小時的情況。

物料需求計畫的失效點: 物料需求計畫假設固定的前置時間、無限產能和完美的物料清單準確度。當以下情況發生時,它會失效:(a) 前置時間會因隊列長度而變化,在輕負載時縮短,在重負載時延長;(b) 多個工單競爭同一個受限資源;(c) 設定時間取決於順序;(d) 良率損失導致固定投入產生可變產出。排程員必須補償所有這四種情況。

換模/換線最佳化

快速換模法: 新鄉重夫的框架將設定活動分為外部(可以在機器仍在執行上一個作業時進行)和內部(必須在機器停止時進行)。第一階段:記錄當前設定並將每個元素分類為內部或外部。第二階段:盡可能將內部元素轉換為外部元素(預先準備工具、預熱模具、預混材料)。第三階段:簡化其餘的內部元素(快拆夾具、標準化模具高度、顏色編碼的連接)。第四階段:透過防錯措施和首件驗證治具來消除調整。典型結果:僅第一和第二階段即可減少40-60%的設定時間。

顏色/尺寸排序: 在塗裝、鍍層、印刷和紡織作業中,應按由淺到深、由小到大或由簡單到複雜的順序來安排作業,以最小化批次間的清潔時間。由淺到深的塗裝順序可能只需要5分鐘的沖洗;而由深到淺則需要30分鐘的全面清洗。將這些與順序相關的設定時間記錄在設定矩陣中,並提供給排程演算法。

生產批次 vs. 混合模式排程: 批次排程將同一產品家族的所有作業分組為一個連續的運行,最小化總換線次數,但會增加在製品和前置時間。混合模式排程則交錯安排不同產品,以減少前置時間和在製品,但會產生更多的換線次數。正確的平衡取決於換線成本與持有成本的比率。當換線時間長且成本高(>60分鐘,廢料和產出損失>500美元)時,傾向使用批次排程。當換線速度快(<15分鐘)或客戶訂單要求短交期時,傾向使用混合模式。

換線成本 vs. 庫存持有成本 vs. 交貨權衡: 每個排程決策都涉及這三方面的取捨。較長的批次減少換線成本,但會增加週轉庫存,並可能導致錯過非批次產品的到期日。較短的批次可提高交貨回應能力,但會增加換線頻率。經濟上的轉折點在於:每增加一單位週轉庫存所產生的邊際換線成本等於邊際持有成本。計算它,不要猜測。

瓶頸管理

識別真正的瓶頸 vs. 在製品堆積處: 在製品在工作中心前堆積,並不一定表示該工作中心就是瓶頸。在製品堆積可能是因為上游工作中心進行批次釋放、共享資源(起重機、堆高機、檢驗員)造成人為隊列,或是排程規則導致下游缺料。真正的瓶頸是所需小時數與可用小時數比率最高的資源。核實方法:如果在此工作中心增加一小時產能,工廠產出是否會增加?如果是,則為瓶頸。

緩衝管理: 在鼓-緩衝-繩索法中,時間緩衝通常設定為瓶頸作業生產前置時間的50%。監控緩衝穿透程度:綠色區域(緩衝消耗 < 33%)表示瓶頸保護良好;黃色區域(33–67%)觸發對延遲到達的上游工件進行趕工;紅色區域(> 67%)觸發立即的管理關注,並可能需要在上游作業加班。數週內的緩衝穿透趨勢顯示了長期問題:持續的黃色表示上游可靠性正在惡化。

從屬原則: 非瓶頸資源的排程應服務於瓶頸,而不是最大化其自身的利用率。當瓶頸以85%的利用率運作時,讓非瓶頸以100%的利用率運作,只會產生多餘的在製品,而不會增加產能。刻意安排非瓶頸的閒置時間,使其與瓶頸的消耗速率相匹配。

檢測移動中的瓶頸: 瓶頸可能因產品組合變化、設備老化或人員輪班而在不同工作中心之間移動。一個在日班(生產高設定產品)是瓶頸的工作中心,在夜班(生產長期運行產品)可能就不是瓶頸。每週根據產品組合監控利用率比率。當瓶頸轉移時,整個排程邏輯也必須跟著轉移——新的鼓決定了生產節奏。

中斷應變

機器故障: 立即行動:(1) 與維護部門評估修復時間估計值;(2) 確定故障機器是否為瓶頸;(3) 如果是瓶頸,計算每小時的產能損失,並啟動應變計畫——在替代設備上加班、外包,或重新排序以優先處理利潤最高的作業。如果不是瓶頸,評估緩衝穿透程度——如果緩衝是綠色,則不對排程進行任何更動;如果是黃色或紅色,則將上游工作趕工到替代途程。

物料短缺: 檢查替代材料、替代物料清單和部分組裝選項。如果某個零件短缺,能否先組裝到缺少該零件的程度,稍後再完成(套件策略)?升級給採購部門以加快交貨。重新安排排程,將不需要短缺物料的工作提前,保持瓶頸運轉。

品質凍結: 當一批產品被品質凍結時,它對排程而言是不可見的——不能出貨,也不能被下游消耗。立即在排除凍結庫存的情況下重新執行排程。如果凍結的批次是為滿足客戶承諾,則評估替代來源:安全庫存、來自其他工單的在製品庫存,或緊急生產替代批次。

缺勤: 在需要認證操作員的情況下,一名操作員缺勤可能導致整條產線停擺。維護一份交叉培訓矩陣,顯示哪些操作員通過哪些設備的認證。當發生缺勤時,首先檢查缺席的操作員是否操作瓶頸——如果是,則重新指派最合格的備援人員。如果缺席的操作員操作的是非瓶頸,則評估緩衝時間是否能吸收延遲,然後再從其他區域調動備援人員。

重新排序框架: 當發生中斷時,應用此優先順序邏輯:(1) 保護瓶頸的正常運轉高於一切;(2) 按客戶層級和違約風險保護客戶承諾;(3) 最小化新順序的總換線成本;(4) 平衡剩餘可用操作員的工作負載。重新排序,在30分鐘內溝通新排程,並至少鎖定4小時,之後才允許進一步更改。

勞動力管理

班次模式: 常見模式包括3×8(三個8小時班,5天/24小時或7天/24小時)、2×12(兩個12小時班,通常輪換日期)和4×10(僅日班運作時的四個10小時工作日)。每種模式對加班規則、交接品質和與疲勞相關的錯誤率都有不同的影響。12小時班減少了交接次數,但在第10到12小時會增加錯誤率。在排程時需考慮這一點:不要將關鍵的首件檢驗或複雜的換線安排在12小時班的最後2小時。

技能矩陣: 維護一個操作員 × 工作中心 × 認證等級(學員、合格、專家)的矩陣。排程的可行性取決於此矩陣——如果當班沒有合格的操作員,則途程到CNC車床的工單是不可行的。排程工具應將勞動力視為與機器同等的限制條件。

交叉培訓投資報酬率: 每增加一名通過瓶頸工作中心認證的操作員,就能降低因缺勤導致瓶頸缺料的機率。量化計算:如果瓶頸每小時產生5,000美元的產能,且平均缺勤率為8%,那麼僅有2名合格操作員相比有4名合格操作員,預期的產能損失差異可達每年超過20萬美元。

工會規則與加班: 許多製造環境對加班指派(按年資排序)、班次之間的強制休息時間(通常8-10小時)以及跨部門的臨時調派有合約限制。這些是排程演算法必須遵守的硬性限制。違反工會規則可能引發申訴,其代價遠高於原本想要節省的生產。

整體設備效率

計算: 整體設備效率 = 可用性 × 性能 × 品質。可用性 = (計畫生產時間 - 停工時間) / 計畫生產時間。性能 = (理想週期時間 × 總產量) / 實際運行時間。品質 = (合格品產量) / 總產量。追蹤總體整體設備效率和按損失類別細分的整體設備效率。六大損失:故障、設定/調整、空轉/暫停、速度降低、製程缺陷、啟動/降級良率。

目標整體設備效率值: 世界級製造商通常達到85%以上的整體設備效率。一個剛啟動改善計畫的典型工廠可能低於60%。如果整體設備效率低於40%,表示存在系統性的可靠性或品質問題,在進行精細排程之前必須先解決。

整體設備效率的排程應用: 當比較兩個換線成本相似的選項時,選擇在最近期有較高性能或品質整體設備效率的工作中心上運行的作業。使用歷史整體設備效率數據來預測瓶頸何時會移動。由於性能衰減而導致整體設備效率下降的趨勢表明,某一資源在計算上可能會在排程視窗內變成瓶頸。

### 績效指標

在製品: 監控在製品在總生產前置時間週期中的總價值(美元)和天數。持續高於平均值的在製品水準是排程不穩定的跡象——要麼物料釋放太快,要麼裝載與產能不匹配。

準時交貨率: 按客戶和產品家族追蹤。排程員應該擁有工單層級的準時交貨率可見度,而不僅僅是工廠層級的。一個在工廠層級看起來很好的準時交貨率可能隱藏了對一個關鍵客戶的持續失約。

產能: 每小時或每班生產的單位數(良好單位,非總產量)。同時監控瓶頸產能(決定總工廠產出)和非瓶頸產能(用於偵測移動中的瓶頸)。

換線時間: 按工作中心和產品家族對追蹤。如果換線時間趨勢向上,可能表示維護不足或缺乏標準化。與快速換模改善團隊分享趨勢。

緩衝穿透頻率: 按工作中心追蹤紅區事件的頻率。每班超過2次紅區事件表示上游流程不穩定,需要採取糾正措施。

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

相關技能