排产的难处，往往不在算法库不够多，而在模型与现场对不上：设备可用、人手没空；工序做完了、检验还没放行；急单插进来，已下达的计划就得重排。APEX 想解决的就是这一整条链路——让规划员用自然语言调整模型、比较方案，把改约束、加目标的编码工作交给智能体，算法核心只负责构造、评估和校验。
一个可扩展的通用生产模型
APEX 在柔性作业车间（flexible job-shop）模型上扩展，覆盖离散生产的详细排程要素：可替代的工艺路线（workplan）、设备与人员、班次、准备与收尾活动、物料可用性，以及来自既有计划的承诺（commitment）。订单按最大批量拆分，批次数量在展开阶段就确定，不把经济批量当作额外的优化决策。每道工序从允许的模式（mode）中选一个，模式规定主资源、有序阶段和并行资源需求，因此换一台机床或换一套人机组合都能表达。时间用整数秒计，区间左闭右开；日历决定何时允许作业、何时允许占用产能，夹具可以过夜夹紧而工人先释放。
四种搜索组件，共享一条评估路径
框架把搜索拆成四个可组合的组件：XG 贪心构造、XH 超启发式策略搜索、XT 前缀树搜索（用 UCT 选分支）、XE 直接调度进化。它们共用一条候选选择、依赖就绪、任务与模式决策、资源放置、目标评估、校验的路径，并在路径上预留扩展钩子：过滤不合规的工序或模式、给出排序信号、声明并计算新目标、对完整计划做最终校验。这样，应用相关的决策逻辑与搜索引擎分开，改规则不必动核心。
69 个算例：质量与时间要分开看
作者用 69 个公开算例（作业车间、柔性作业车间、置换流水车间）对比 NSGA-II、SPEA2、MOEA/D 与 SMS-EMOA。组合配置 XHTE 与 XHE 的平均相对超体积亏缺为 0.457% 与 0.466%，外部算法中最好的 MOEA/D 为 2.248%；XHTE 的最小完工时间（makespan）差距为 1.717%，XHE 的总流程时间差距为 3.053%。但质量不是免费的：XHE 与 XHTE 的平均耗时约 30.0 秒与 33.1 秒，外部方法只要 0.54 至 0.72 秒。不同问题类还会换冠军——作业车间与柔性作业车间偏向策略搜索，置换流水车间则是 MOEA/D 与单用 XE 更好。
智能体站在规划员与算法之间
实验用 GPT-6-astra 作为交互层：它把规划员的请求翻译成模型修改与工具调用，再由核心构造、评估、校验计划。规则、承诺、目标、情景对比四类请求各两次，在三份全新上下文中重复，共 24 次会话全部通过独立检查，会话中位时长 44.5 秒。例如把 M1 在 0 至 2400 秒的停机变成禁止加工与占用，完工时间变为 6300 秒；把 J2-1 固定在 M2、且必须 3600 秒开工，完工时间为 8400 秒；把成本目标提到首位后，模式成本从 30 降到 12，完工时间升到 9000 秒——这正是被要求的取舍。更硬的一关是写代码：编码智能体通过钩子实现一个新的平方拖期目标和一个工位负载均衡硬约束，7 次尝试中 6 份提交全部通过验收，1 次超时未提交。
边界
论文没有回避局限：交互研究用的是合成的六工序工厂，编码实验也只有两个定制；结论说明可扩展性在受控条件下成立，不等于任意车间即插即用。
对制造企业的启示是：排产智能体的价值不在替人点求解，而在把改模型这件最贵的事变成可追溯的会话与代码。模型、搜索、校验三层分开，人才敢让它碰真实订单。