从Excel到多人协作看板:我用AI两天帮工厂搭了个生产排产系统

朋友说：工厂的生产排产还在用Excel传来传去，太痛苦了。
我说：交给我，两天搞定。

🎬 起因：一个Excel引发的"惨案"

上周末，做生产管理的老朋友来找我吐槽：

我们工厂排产还在用Excel，每天大家各自填完，再用微信传来传去，经常搞混版本。芯片工序填一张表，测试填另一张，封装又是另一张，最后还要手动汇总……

他描述的痛点我太熟悉了：

📌 三张独立的 Excel 表（芯片/测试/封装），数据互不相通
📌 每天生产数据靠微信传来传去，经常版本混乱
📌 月底汇总要人工算，费时费力还容易出错
📌 办公室七八个人，没法同时编辑同一份文件

他问我：能不能做一个大家同时都能填、数据自动汇总的系统？

我说可以，而且——两天内搞定。

但说实话，我虽然懂业务，Node.js 这东西也就断断续续写过一点。换以前我肯定不敢接这个话，但这次不一样——我打算全程跟 AI 搭档干。

🧠 第一步：方案设计（AI 帮我理清需求）

先理清需求：

需求	说明
三工序管理	芯片、测试、封装各自独立填表
每日填报	按天填产量（1日~31日），自动算完成量
自动汇总	按项目合并三道工序数据，进度条可视化
多人协作	办公室同时编辑，数据实时同步
一键导出	导出 CSV 用 Excel 做进一步分析

技术选型这块，我直接跟 AI 聊了一轮：

💬 我跟AI说：
"我要给工厂做个生产排产系统，七八个人同时填数据，每日填报31天产量，三道工序自动汇总。不需要复杂的权限系统，部署要简单，最好一个命令就能跑起来。用什么技术栈？"

AI 给了几个方案，最终选了这套：

后端
：Node.js + Express（轻量又强大）
数据库
：SQLite（零配置，单文件，随用随走）
实时同步
：Socket.IO（WebSocket，一改全改）
前端
：原生 HTML + CSS + JavaScript（零依赖，打开即用）
图表
：Chart.js（进度柱状图，可视化一目了然）

整个系统架构长这样：

┌─────────────────────────────────────────────┐
│  Node.js Server (Express + Socket.IO)       │
│  ┌───────────────────────────────────────┐  │
│  │  SQLite Database (database.sqlite)    │  │
│  └───────────────────────────────────────┘  │
└────────────┬────────────────────┬───────────┘
             │ HTTP API           │ WebSocket
    ┌────────▼────────┐   ┌──────▼──────┐
    │  浏览器 A       │   │  浏览器 B   │
    │ (办公室电脑1)   │   │ (办公室电脑2)│
    └─────────────────┘   └─────────────┘

核心数据表就两张，简单但够用：

projects 表
— 项目信息（名称、工序、计划量、交期等）
dailydata 表 — 每日产量（project
id + 日期 + 数量）

每张生产表的列结构（38列）：

项目名称 | 计划总量 | 规格 | 接单日期 | 交期 | 1日 ~ 31日 | 已完成 | 完成率 | 操作
├── 5列固定 ──┤├──────────── 31天填报 ──────────┤├── 自动计算 ──┤

💻 第二步：编码过程（跟AI搭档的实战记录）

这一段是我最想分享的。不是因为我代码写得有多好，恰恰相反——我的Node.js水平大概就是能看懂的程度。但这次跟AI搭档干活，整个过程出乎意料的顺畅。

🎯 第0关：搭骨架——AI 30分钟生成了整个项目

传统开发的第一步是什么？配环境、初始化项目、装依赖、搭目录结构。这些事看着简单，但对不常写代码的人来说，每走一步都可能卡住。

我直接跟AI说想搭一个 Node.js + Express 的生产排产看板，支持三工序填表汇总。AI 很快给出了完整结构：

production-dashboard/
├── package.json
├── server.js          # Express 服务 + WebSocket
├── database.js        # SQLite 初始化 + 查询方法
├── public/
│   ├── index.html     # 主页面
│   ├── style.css      # 样式
│   └── app.js         # 前端逻辑
└── start.bat          # 一键启动脚本

我把这些文件创建好，npm install，然后 node server.js——服务跑起来了。

★ Insight：传统开发光是搭架子就要半天到一天（配环境、查文档、调版本）。跟AI搭档的话，你只需要说清楚你要什么，它几分钟给你一个能跑的结构。

🎯 第1关：数据结构——AI帮我把业务需求变成了数据库表

骨架有了，接下来是最核心的事：数据怎么存。

工厂排产的需求其实挺绕的：三个工序各自填31天的产量，最后要按项目汇总。我把业务流程描述给AI，它直接设计了两张表——一张存项目信息，一张存每日产量，外键关联。

我看完后追加了一个需求：能不能再加个工序汇总视图？AI 又用 GROUP BY 把三个工序的数据聚合在一起。

-- 核心就两张表
CREATE TABLE projects (id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT, process TEXT, plan_quantity REAL, ...);
CREATE TABLE daily_data (id INTEGER PRIMARY KEY AUTOINCREMENT, project_id INTEGER, day INTEGER, quantity REAL, ...);

🎯 第2关：数据库选型——编译报错，AI秒给替代方案

表结构定了，开始写代码。

一开始我用的是 better-sqlite3，这个库性能好，但需要本地编译 C++ 扩展。结果一跑就报错：

npm ERR! gyp ERR! build error
npm ERR! No Visual Studio installation found

朋友的电脑是台普通办公机，哪有 Visual Studio 编译工具。

我直接把报错截图丢给 AI：

💬 我跟AI说：
"better-sqlite3 安装报错了，说找不到 Visual Studio。这个电脑上没有编译环境，有没有不用编译的替代方案？"

AI 秒回：换成 sql.js——纯 JavaScript 实现的 SQLite，不需要任何本地编译。npm install 即装即用。

但有个小坑：sql.js 的数据存在内存里，关机就没了。AI 紧接着给出了解决方案——每次修改后用 fs.writeFileSync 把数据写到文件：

const SQL = require('sql.js');
const db = new SQL.Database();
// ... 执行 SQL ...
const data = db.export();  // 导出为 Buffer
fs.writeFileSync(dbPath, Buffer.from(data));

★ Insight：换库这个事，要搁以前我得先搜"better-sqlite3 编译失败"，看几篇 Stack Overflow，试三四个方案，折腾半天。但跟AI搭档的话——你把问题描述清楚，它在几秒内就给了最优解。而且它不光告诉你怎么修，还给完整代码。

🎯 第3关：实时同步——AI让"多人协作"一键实现

这是整个系统最核心的功能——一个人填数据，其他人实时看到变化。

AI 帮我搭了 Socket.IO 的完整通信逻辑：数据变更时服务端广播，所有客户端自动刷新。我还问AI有没有优化方案，因为七八个人同时填，每敲一个数字就保存一次服务器压力太大。AI 建议加防抖处理——用户停下输入 400ms 后再保存，省流量又省数据库。

🎯 第4关：文档和部署——AI包办了最"烦人"的事

代码写完了，还有两件传统开发最让人头大的事：写说明文档和做部署脚本。

我让AI帮忙生成 README 和 start.bat。它几分钟就搞定了——背景说明、三步安装指南、常见问题，写得很清楚。自己写至少要半天，还写得干巴巴的。

第三步：成果展示

主界面

顶部是 4 个 KPI 卡片：总项目数、整体完成率、芯片完成率、封装完成率

工序标签页

三个工序独立编辑，标签切换丝滑流畅：

🔬 芯片 — 芯片工序数据填报
🧪 测试 — 测试工序数据填报
📦 封装 — 封装工序数据填报

每个工序表支持：

✅ 项目名称、计划量、规格信息编辑
✅ 1日~31日每日产量填报
✅ 自动计算已完成数量和完成率
✅ 列宽拖拽调整
✅ 左侧5列固定不动，右侧31天滚动查看

汇总看板

一键切换到汇总视图，所有工序数据自动聚合：

📊 柱状图：每个项目在三道工序的完成率对比
📋 汇总表：计划量、完成量、完成率 + 进度条
📌 合计行：底部自动汇总

多人协作

同事只需打开浏览器输入地址，就能一起编辑：

本地:   http://localhost:3000
局域网: http://192.168.1.227:3000

顶部的在线人数显示让协作更有实感：

🟢 3人在线

一键导出

按 Ctrl+E 或点导出按钮，自动下载 CSV 文件，Excel 直接打开分析。

📦 如何部署？

整套系统部署超级简单，3步搞定：

第1步：安装 Node.js
打开 nodejs.org → 下载 LTS 版 → 一路 Next

第2步：启动系统
方式一：双击 start.bat ✅ （推荐，傻瓜式）
方式二：命令行 cd 项目目录 && npm start

第3步：同事访问
在同一 WiFi 下，打开浏览器输入显示的局域网地址即可。

整个系统只有 3 个后端文件 + 3 个前端文件，总大小不到 200KB。一个电脑当服务器，办公室任何电脑都能访问。

🤔 经验总结

⚡ AI 编程到底改变了什么？

这次经历让我对「AI 编程」这件事有了非常具体的体感。不是抽象的概念，而是实实在在的效率差。

1. 编程能力的"平权"

以前写代码，门槛是"你会不会"——会不会这个框架、懂不懂那个语法、能不能搞定编译错误。但现在，门槛变成了你能不能把需求说清楚。

描述我想要什么效果
把报错信息复制给AI
截图告诉AI哪里不对
看完AI的代码说"这里改一下"

我的角色从一个"写代码的人"，变成了"提需求的人"和"审代码的人"。

2. 调试效率提升了不止10倍

这个项目里踩了好几个坑：better-sqlite3 编译失败、CSS 固定列层级错乱、Socket.IO 连接不稳定、拖拽时文本被选中……

每一次，我的做法都一样：把现象描述清楚 → AI 给出方案 → 复制粘贴试一试 → 不行再反馈。平均每个问题 2-3 轮对话就解决了。

传统模式下，这些问题每一个都要打开搜索引擎，看三五篇帖子，试四五个方案，至少半小时起步。AI 把它缩短到了几分钟。

3. AI 会"主动提醒"你没想到的事

"这里建议加防抖处理，避免频繁写入数据库"
"SQLite 数据在内存中，记得用 export() 持久化到文件"
"建议先创建索引，提高按月查询的速度"

这种感觉就像有一个经验丰富的同事坐在旁边，你写一段，他瞄一眼，说"这里会出问题，改一下"。

🏭 对中小工厂的一点启发

做完这个项目我有一个很深的感触：

很多中小企业谈到"数字化转型"就觉得要大动干戈——上 ERP、上 MES、花几十万请团队开发。但实际情况是：

80% 的数字化需求可以用轻量工具解决
一个 Excel 表格 + 一个 Web 界面 = 90% 的生产管理需求
从"能用"到"好用"之间，差的不是功能，而是实时协作

✅ 数据实时共享，不再传 Excel
✅ 自动汇总，不再人工算
✅ 多人协作，不再抢文件

而最关键的是——做这样一套系统，不再需要花几万块请外包团队了。一个懂业务的人 + AI，两天就能搞定。

🔮 未来的工作模式

这次经历让我对"未来的软件开发"有了一点想象：

不是 AI 取代开发者，而是每个懂业务的人都可以拥有一个"AI 程序员搭档"。你负责想清楚"要做什么"和"做成什么样"，AI 负责"怎么写代码"和"怎么调通"。

精益管理讲"尊重人"，在我看来，AI 编程也是一种"尊重人"——把人不擅长的事交给机器，让人专注于自己擅长的判断和决策。

💡 全文完。如果你也有类似的"Excel 之痛"，不妨试试这个思路——找一个AI搭档，用轻量的 Web 应用，解决最核心的协作问题。数字化不一定复杂，关键是想清楚：真正卡住效率的那个瓶颈到底是什么。