AI+X | 代码之外，还有什么在生长|mes|代码|翻译|自然语言

来源：市场资讯

（来源：中国宝武）

邂逅 · 3600 期 · 12400 篇

编者按

AI正重塑着宝武的生产方式、管理模式和价值创造逻辑。每个岗位都在经历着静默而深刻的变革，每位员工都是这场智能革命的亲历者与缔造者。我们向身处其中的每一位征稿，选用即有奖

代码之外，还有什么在生长

宝信软件信息化事业本部

马骁

时代的浪潮从不等人。

当大模型技术的讨论从技术圈蔓延到每一个工作群，当同事们开始在午饭时聊起AI写代码、AI分析数据，我坐在工位上，盯着屏幕上那一行行MES系统的接口日志，第一次认真想了一个问题：我做的这些事，会被重新定义吗？

我是一名MES系统软件工程师，在制造执行系统这个领域工作了几年。MES是什么？简单说，它是连接计划层与控制层的"神经中枢"——生产指令从这里下发，工序数据从这里汇聚，质量记录在这里留存，设备状态在这里可视。每一炉钢水的流转，每一道工序的执行，背后都有MES在默默调度。这份工作不算光鲜，但我一直觉得它扎实、有分量。

然而扎实的工作，也有它沉重的一面。

那些年，我们是怎么工作的

做MES开发，最让人头疼的不是写代码本身，而是"理解业务"这件事。

钢铁生产流程极其复杂，从炼铁、炼钢到连铸、轧制，每个工序都有自己的工艺逻辑、质量标准和设备约束。每次接到一个新需求，我需要反复和工艺工程师、现场操作人员沟通，把他们口中的"这个参数超了就不行"翻译成系统能理解的判断逻辑。有时候一个看似简单的质量卡控规则，背后牵扯着十几个工艺参数的联动关系，稍有遗漏，就可能在生产中埋下隐患。

更难的是系统集成。MES需要与ERP、SCADA、质量系统、能源系统等多个平台对接，每个系统都有自己的数据格式、接口协议和更新节奏。每次联调，都像是在拼一幅没有参考图的拼图——你不知道哪块数据会在哪个环节出问题，只能一遍遍地跑日志、对字段、找差异。

那时候，我的工作状态是：大量时间消耗在信息收集和沟通对齐上，真正用于系统设计和逻辑优化的时间，反而是少数。

我记得有一段时间，我花了整整一周时间来理解一个工艺流程的细节。工艺工程师用行业术语讲解，我用技术语言记录，然后回到工位再翻译成代码逻辑。这个过程中，我要反复确认每一个细节——这个参数是实时更新还是定时更新？这个判断条件是"与"还是"或"？这个异常是否需要立即告警还是可以延迟处理？每一个细节的错误，都可能导致整个系统的逻辑混乱。

系统上线后，我还要花时间在现场调试。坐在生产车间的控制室里，看着数据在屏幕上跳动，和操作人员讨论"这个数据是不是不对"，然后回到办公室改代码、再测试、再上线。这个循环有时候要重复十几次。

AI进来之后，什么变了

变化不是一夜之间发生的，但当我回头看，确实有一个明显的分水岭。

最初，我只是把AI工具当作一个"高级搜索引擎"——遇到不熟悉的接口协议，问一下；写一段数据转换的脚本，让它帮我起个草稿。效率确实提升了，但我并没有觉得有什么本质不同。

真正的转变，发生在一次系统优化的过程中。

当时我在处理一个生产数据延迟的问题：现场采集的工序数据，经过多层系统流转后，到达MES的时间存在不稳定的滞后，影响了实时调度的准确性。按照以往的方式，我会先梳理数据链路，逐段排查，这个过程往往需要几天时间。

这一次，我尝试把整个数据流架构、各节点的处理逻辑、以及我观察到的异常现象，系统性地整理成一段描述，输入给AI工具，请它帮我分析可能的瓶颈所在。

结果让我有些意外。AI不仅梳理出了几个我已经注意到的可疑点，还提示了一个我没有重点关注的方向——中间件的消息队列在高并发场景下的积压机制。顺着这个方向深挖，我找到了问题的根源。

这件事之后，我开始重新理解AI工具的价值。它不是在替代我的判断，而是在帮我突破"经验盲区"——那些因为习惯了某种思维路径，而容易忽略的角落。

但更重要的是，这个过程让我意识到一个新的工作方式：我可以把更多精力放在"问题的定义"上，而不是"问题的排查"上。以前我需要自己一步步排查，现在我可以把问题结构化地描述出来，让AI帮我快速定位方向。这样节省下来的时间，我可以用在更有价值的地方——比如思考"为什么会出现这个问题"，而不仅仅是"这个问题在哪里"。

从"用工具"到"换脑子"

有一段时间，我一直在思考一个问题：为什么同样在用AI工具，有些人只是提高了打字速度，有些人却真的在工作方式上发生了变化？

我觉得差别在于：你是把AI当"执行者"，还是当"思考伙伴"。

当我开始把AI引入系统设计的早期阶段——不是让它写代码，而是让它帮我推演方案的边界条件、识别潜在的设计风险——我发现自己的思维方式也在悄悄改变。我开始更习惯于把问题结构化，把假设显性化，把"我觉得应该这样"变成"如果这样，会有哪些情况需要考虑"。

这种变化，让我在和工艺工程师沟通时更有效率。以前我可能需要反复确认细节，现在我可以先用AI帮我整理出一份"需求清单"，然后和工艺工程师讨论这份清单是否完整、是否准确。这样沟通的效率提升了，但更重要的是，沟通的质量也提升了——我们讨论的不再是零散的细节，而是系统性的逻辑。

在做系统架构决策时，我也开始用AI来帮我"预演"不同方案的后果。比如，如果我选择这种数据存储方案，会对系统的实时性有什么影响？如果我选择这种接口设计，会对未来的扩展性有什么限制？这些问题以前我可能需要凭经验判断，现在我可以让AI帮我列举各种可能的情况，然后我再基于这些情况做出更有把握的决策。

在面对复杂问题时，我的焦虑也更少了。以前遇到一个陌生的问题，我可能会感到无从下手。现在我知道，我可以把问题描述给AI，让它帮我分解问题、列举可能的原因、建议排查的方向。这不是说AI替代了我的判断，而是说AI让我有了一个"思考的框架"，让我不再是盲目地摸索，而是有方向地探索。

MES系统的核心价值，从来不只是"把数据存起来"，而是让数据在正确的时间、以正确的方式，支撑正确的决策。AI的介入，让这个目标变得更加可及——不是因为AI替代了工程师的判断，而是因为它让工程师能够把更多精力放在真正需要人来判断的地方。

新的工作方式在浮现

最近，我开始尝试用AI来帮我写需求文档。以前写需求文档是一件很耗时的事——我需要把工艺工程师的口头描述转化成文字，确保每一个细节都准确无误，还要考虑系统开发人员能否理解。现在，我可以先用AI帮我生成一份初稿，然后我再基于这份初稿进行修改和完善。这样做的好处是，我可以更快地把想法落地成文字，而不是花大量时间在"怎么写"上。

我也开始用AI来帮我做代码审查。当同事提交代码时，我可以让AI帮我分析代码的逻辑是否清晰、是否有潜在的性能问题、是否遵循了我们的编码规范。这不是说AI的审查比我的审查更准确，而是说AI可以帮我快速定位问题所在，让我把更多精力放在"这个设计是否合理"这样的高层次问题上。

这些变化看起来很小，但累积起来，它们改变了我对工作的理解。我不再是一个"问题解决者"，而是一个"系统思考者"。我不再是在被动地应对各种需求和问题，而是在主动地思考"如何设计一个更好的系统"。