让品类策略长出牙齿：从一份文档到 PLM 校验规则

两张纸之间，隔着一次人工翻译

在某大型家电集团做品类管理，都知道两张纸之间的鸿沟。上面一张是品类策略文档，管理层的语言——这个品类今年买什么、不买什么、跟哪些供应商走、要防什么供应风险。下面一张是规格标准，执行层的语言——具体到物料的属性字段、参数约束、组合规则，以及它们在产品生命周期管理（PLM）系统里怎么设校验。策略是「方向」，规格是「准绳」。

这个翻译环节我亲手做过多年，痛点闭着眼睛能数出三个：

1. 慢。通读策略、翻成属性、对着物料数据核、再整理成规格表，一版要做 2-3 天。
2. 质量看人。策略里一句「优先高可靠方案」，落到执行层是哪几个参数区间、哪些材质约束，不同人翻出来不一样。漏一条约束，下游就按错的规格执行，等发现时物料可能已经进 BOM 了。
3. 策略没有牙齿。就算规格表做出来了，它在 PLM 里也不生效——新增物料靠审核员记着策略去把关，人力占用多，把关作用反而弱，策略之外的规定外规格照样能生成出来。

所以当工具链成熟，我前后迭代了三代来收编这个环节：第一代解决「慢」，把翻译做成工作流；第二代解决「质量看人」，把流程固化成流水线并用协议锁死编造；第三代解决「没有牙齿」，让产物直接落进 PLM 变成校验规则。这篇文章把三代一次讲完——它最终回答的只有一个问题：一份策略，怎么才能不只是纸。

第一代：把翻译做成工作流

Aily 工作流能力一成熟，我第一个就想收编这个环节。整套系统是平台上的两节点工作流：一个 Agent 节点加一个 Python 代码节点。流程五步：策略要点结构化输入 → 大模型解析出属性、约束、组合关系 → 三级属性匹配 → 自动生成规格管理表、PLM 校验规则和文档报告 → 全流程留痕。从粘贴策略要点到拿到成套产出，30 分钟——痛点一的答案。

哪些给模型，哪些必须留人工

这是我拆得最用心的地方，原则一句话：模型做「读和写初稿」，代码做「匹配和格式」，人做「拍板」。

• 交给模型：非结构化文档的理解、要点抽取、字段归类、初稿生成。这是它的主场，让它读透「优先高可靠方案」背后对应的工程含义。
• 交给代码：属性匹配和输出生成。三级匹配算法——先精确匹配属性名，不行走语义匹配，再不行给模糊候选。输出规格表和 PLM 校验规则由代码按固定模板生成，格式永远整齐。
• 必须留人工：模糊匹配给出的候选必须人确认——机器可以说「这两个属性看起来是一回事」，但「是不是一回事」的最终责任在人；以及发布前的最后一道审核。系统生成的是草稿，按下去的按钮必须是人的。

prompt 调了三次弯路才顺

第一，强制结构化输出：prompt 里写死输出格式，模型必须按字段吐 JSON，自由发挥的文字一律不要——没有这一步，后面的代码节点根本接不住。第二，建术语映射知识库：把策略层的说法和执行层的参数对应关系整理成对照表喂进去，「高端」对应哪些参数区间、「高可靠」对应哪些材质和寿命约束，不再指望模型自己猜。第三，教它区分硬约束和偏好描述：策略里「必须」「禁止」要变成校验规则，「优先」「倾向」只能进备注——这两类混在一起，是早期版本最大的错误来源。

这一代很快，也够用了一阵子。但它是对话式触发、单次生成，产出稳定性依赖当次的模型状态，过程经验散落在一次次对话里攒不下来。痛点二和痛点三，它都没有真正回答。

第二代：六步流水线与七条铁律

第二代把整件事固化成一个技能包：6 个脚本、约 4000 行 Python，版本号迭代到 v67.40，一个月的更新日志里留下 60+ 条记录——每一条都是一次真实踩坑。

先说它防的是什么。生成型智能体最大的风险不是笨，是装懂：拿不到数据就编一份，脚本报错就自己悄悄换条路走。对治装懂的办法，不是在提示词里反复恳求「请诚实」，而是把约束写成人机协议。说明文件里有一节叫「核心铁律（违反即失败）」，最要紧的五条原文节选：

每一条铁律都对应一次线上事故。

六步流水线，坑都在细节里

流水线六步，每步都有真坑：取品类信息（品类名里带竖线会被 shell 拆成管道命令，脚本把拆散的参数重新拼接还原）；导出物料明细（先用官方 API 拿真实字段顺序再重排数据，has_more 不可靠就改用返回记录数判断）；分析物料属性（逐字段做值分布统计，空值字段也生成记录，防止下游漏字段）；解析策略文档（按表格 8 秒、云文档 30 秒、多维表格 10 秒的顺序探测分发；平台改写链接 token 大小写导致取不到文档，脚本就对 token 前十个字符逐个翻转大小写重试——不抱怨平台，自己试出来）；属性映射与建表；生成报告与思维导图。

第五步是全流水线最精巧的一步。脚本调不了 AI，就把流程设计成两阶段握手协议：第一次运行脚本，输出映射提示后主动退出——说明文件里明确注明这是「正常现象」，中途退出不是失败；AI 补写映射文件；第二次运行读取映射，建表写数。组合表的生成最后卡 5000 条硬上限（从最初的 50000 降下来，防止笛卡尔积把内存和 API 双双打爆）。超限不隐瞒：打 truncated 标记，报告里插一条黄色警告，提示精简属性值或补充约束后重新生成。

提示词工程上有一条教训值得单独说。v60 的更新日志原文：「脚本生成的 AI prompt 中移除『内容为空时尝试自行搜索』的提示（这是导致 AI 自行搜索知识库的根本原因）」——提示词里一句好心的降级建议，反而诱发智能体越权找数据。删掉一句话，比加十条「禁止乱搜」有效。后来还有一条「先引用再写入」：凭记忆写 token 会大小写失真，于是强制 AI 先在回复里用代码块逐字引用链接，再写入文件——代码块等于引用原文等于保真，写文件等于凭记忆等于失真。

这套流水线后来有了平台化入口：授权策略文档后，输入品类与文档链接即可发起任务，下方的任务历史里每次执行都留下「已完成」状态——使用者不必知道背后有六个脚本。

产物：一份按推理链组织的报告

流水线跑完，交出来的是一份「系统管控规则报告」。它的五个章节不是目录，是推理链——每一章的输出是下一章的输入。

第 1 章品类基本信息是唯一没有 AI 参与的一章：品类名称、生成时间、文档版本、策略文档链接，模板自动填充。别小看策略文档链接这个字段——它是追溯依据，策略改了就必须重新生成报告，报告永远绑定生成那一刻的策略版本。第 2 章物料明细分析盘点现状：从采购库拉全量物料，按「在产 + 可采购」筛选，逐属性做值分布统计。第 3 章差异分析做双向追问（下面细拆）。第 4 章管控规则输出出白名单和约束。第 5 章交三张多维表格，全部以发起人的身份创建，链接永久可分享。

先盘家底：93 颗物料的账本

拿一个真实品类跑一遍：某片式连接器品类。在册 93 颗物料，按「在产/正常 + 可采购」筛选后剩 44 颗——将近一半是冻结停用的历史遗留，这一步就把分析范围收掉了一半。

44 颗的现状是什么样？型号属性有 44 种值，每颗一个——没有任何两颗料共用一个型号，这是典型的「一颗料一个名字」长尾；管脚数量有 24 种不同的值，其中 12 种值全库只有一颗在用；更有意思的是高度、长度、宽度三个属性，44 颗里 42 颗的值是 0.0——报告的注意事项里专门写了一句大实话：0.0 通常表示该物料未维护这个属性。也就是说这个品类的尺寸规格管理，此前基本靠图纸不靠字段。

这就是第 2 章的价值：还没开始管，先把你家底的数据质量盘清楚了。

差异分析是双向追问，不是单向比对

第 3 章的匹配是双向的。正向：策略里的 5 个核心属性（接口方向、Pin 间距、引脚数、基座形态、是否高刷）逐个去 PLM 字段里找——3 个匹配上了，而且是语义级匹配：策略写「接口方向」，系统字段叫「插接方向」；策略写「Pin 间距」，系统叫「管脚间距」。匹配不上的 2 个不会静默丢弃，而是标记「确认是否需要在 PLM 新增字段」。

反向：系统里的 19 个字段策略完全没覆盖（环保要求、焊接工艺、排数、有无卡锁……），逐一标记「确认是否增加管控」。双向提示是这份报告最值钱的设计——单向生成只会把策略抄一遍，双向追问才把「策略与系统的边界」这个问题摊在桌面上。

值层面同样如此：策略说间距只允许 0.5mm 和 1mm，实际物料里还有 0.4、1.9、1.27；策略允许 13 种引脚数，实际在用的有 15 种——82 脚、98 脚这些策略之外的规格，报告不替你决定杀留，统一标「需确认映射关系」，交品类负责人拍板。语义匹配是 AI 判断的，可能出错，所以每一处都留了「待确认」列。

白名单：规则的最终形态

确认完差异，第 4 章输出规则的最终形态。这个品类的白名单长这样：管脚间距允许 0.5mm、1mm 两个值；引脚数允许 1、10、12、15、20、30、38、41、51、60、68、80、96 共十三个值；插接方向允许立式、卧式；其余值一律禁选，新设计不允许使用。

约束关系单独成表、带编号可追溯：CON001 按信号用途分组定间距——小信号用 0.5mm、另一组线材用 1.0mm；CON002 收敛特殊与近似规格——3Pin 这类特殊规格去掉，15/16Pin 这类近似规格只留 15Pin；CON003 规定部分部件的立式/卧式按整机平台需求缩减。约束的意义在组合管理上显形：属性组合 = 各属性允许值的笛卡尔积，再用约束过滤掉无效组合——没有约束，13 个引脚数乘 2 个间距乘 2 个方向就是 52 种合法组合；有约束，才是真正想管住的那几种。

落地：导入 PLM，规则才长出牙齿

报告只是中间产物，导入 PLM 之后规则才真正生效——痛点三的答案在这里。

对新增物料：属性组合约束写进 PLM，新申请的物料必须落在白名单组合内，规格外的直接禁止生成；确有特殊需要，走《通用化规则外新增零部件评估申请单》审批——例外存在，但例外的代价足够高。对存量物料：按属性组合关系自动匹配，标记出规格内和规格外，规格外的推进优化淘汰。

把关方式就此换了一层：之前，策略靠人执行，新增物料时靠审核员记着策略去把关，人力占用多、把关作用弱；现在，策略翻译成系统可识别的属性组合约束，规格外的物料直接禁止生成。把关从「人的记性」变成「系统的硬约束」。

维护节奏也写死了：策略文档更新、物料明细重大变化、属性值要调整——三种情况任一发生就重新生成报告；属性值管理表由品类负责人维护、禁止随意增删（不在白名单里的值将无法新增物料，所以白名单必须覆盖完整）；建议每季度重跑一次，保持报告与策略的时效性。

三代复盘：可带走的方法

三代各自踩的坑，合并成一份清单。

第一代教我的：动手前先花一天蹲点规格工程师，看他们拿到策略文档后第一件事做什么——我第一版按自己的理解拆流程，交付时才发现人家真正卡的是属性映射，返工了一次。术语知识库从第一天就建，而不是靠 prompt 硬记术语——知识库是资产，prompt 里塞术语是负债，换模型就清零。把「模糊匹配必须人工确认」设计成产品的一部分，而不是上线后发现错配再打补丁——人对系统的信任很难二次建立。输出模板先冻结再调模型，两头同时动，出了问题分不清是谁的锅。

第二代教我的：防装懂靠协议不靠恳求，铁律要写成「违反即失败」的硬约束；出了幻觉先找根因，很多时候删掉提示词里一句降级建议，比加十条禁令有效；生产级的成色藏在细节里——has_more 不可靠、token 大小写被平台改写、品类名带竖线拆成管道命令，这些坑一条条写进版本日志，才有了 v67.40。

第三代教我的：一是数据质量先于规则——42/44 的尺寸属性是 0.0，规则再严也管不住没维护的字段，上规则之前先补数据；二是语义匹配必须人确认——「接口方向」和「插接方向」是不是一个字段，AI 给判断、人签字；三是策略本身会过时——实际在用的 15 种引脚数里有 4 种在策略白名单之外，是杀是留，逼着品类负责人把五年没更新过的策略重新想了一遍。报告生成是一次性的，但它逼出来的策略盘点是持续的。

回头看，这三代做的事其实是同一件：在「品类策略」和「规格管理」两个世界之间当翻译。市面上教你怎么调 prompt 的教程很多，没人教你怎么在两种管理层语言之间做翻译——后者只能靠在业务里泡出来的经验。这也是我认为业务人员做 AI 落地反而有优势的原因：工具是通用的，翻译能力是稀缺的。

如果你也要做类似的事，四条可以直接搬：

1. 脚本能做的绝不交给模型自由发挥——黑盒封装加强制落盘，模型只在语义理解和结构化输出两个点上出手；
2. 翻译类产物按推理链组织——现状盘点、双向差异分析、白名单输出，双向追问比单向生成值钱；
3. 语义匹配让 AI 判断、人签字确认，例外通道保留但把代价抬到足够高；
4. 上规则之前先盘数据质量——0.0 就是没维护，规则再严也管不住空字段。

如果只记一句话：策略的天花板，不是写得有多好，而是它能不能变成一条系统校验规则。