1. 为什么要搞清楚“车间调度问题”的归类
先一句话点破本质：车间调度问题就是研究“有限资源（机器、人手、刀具）怎么分配给待加工任务，在满足各种约束的前提下，把生产目标做到最优”的一系列数学问题。
很多人刚接触调度优化时会有点懵，因为文献里一会儿说JSP、一会儿说FJSP，一会儿又来一个HFSP，外行看着像字母排列组合，内行其实明白——它们根本就不是同一类问题，解法思路相差十万八千里。我最早做车间排产项目时，就是把这些问题混在一起处理，结果算法设计得牛头不对马嘴，折腾半个月才发现是问题建模那一层就错了。
搞懂分类，最直接的价值有三个：
- 决定算法选型。单机调度可以用简单的EDD/WSPT规则，作业车间调度JSP基本得上遗传算法、禁忌搜索这类元启发式算法，你要是拿处理单机问题的办法去搞柔性作业车间，跑出来的结果基本没法用。
- 决定数据采集范围。不同调度问题需要的输入参数完全不同。静态流水车间只需要加工时间矩阵，柔性车间调度还要准备机器能力矩阵、装夹时间、工序可选机器集合。数据不到位，建出来的模型再漂亮也是空中楼阁。
- 决定问题规模边界。车间调度属于NP-hard问题大类，但不同子类的难度台阶差异极大。有些类型可以精确求解，有些类型到20个工件就计算爆炸。不搞清楚边界，容易把项目目标定得不切实际。
这篇文章就围绕“分类”这件事做一个系统性梳理，从四个维度拆解调度问题：机器环境、工件特性、目标函数、约束条件。每个维度怎么分、分了之后对实际排产意味着什么，都会给出明确解释和实操上的判断建议。
2. 分类的总框架：别只盯着一个维度看
2.1 为什么分类体系要分多个维度
车间调度问题之所以难分类，是因为它不像“苹果是水果”那样有唯一答案。一个问题不是刚性的单分类，而是同时属于多个维度下的多个类别。拿现实中很常见的一个场景举例：一条流水线上加工5种规格的零件，每个零件经过3台机床，机床之间有缓冲区限制——这个问题既可以按照“机器环境”归为流水车间调度，也可以按照“工件特性”归为静态确定性调度，还能按照“性能目标”归为以最小化最大完工时间为目标的问题。
所以真正专业的分类方式，是建立一个多维度坐标系。任何一个具体的调度问题都能在这个坐标系里找到自己的位置。学术界通行的一套框架是Graham等人提出的α|β|γ三参数表示法，它把调度问题分成机器类型（α）、工件特性与约束（β）、目标函数（γ）三个域，每个域再细分。这套体系冷战时期就有人提出来了，经过几十年修正，现在依然是最不容易引起歧义的分类口径。
我在实际做调研时，判断一个调度问题属于什么类型，从来不看论文标题里有没有乱七八糟的缩写，直接看α|β|γ三参数写的是什么，一眼就能定位到准确的类别归属。
2.2 调度决策的组织层级
除了三参数表示法，车间调度问题还可以按照决策层级分成几层，这层划分对实际应用非常关键，直接关系到你做的优化模块在企业信息化系统里处于什么位置。
- 计划层（Plan）：常表现为主生产计划MPS或粗能力计划RCCP，时间粒度可能是“周”或“月”，解决的是“生产什么、生产多少、什么时候开始生产”这类大方向决策。
- 调度层（Schedule）：粒度细化到“天”或“班次”，解决的是“哪些订单在什么时候投料、排到哪条产线”的分配问题。
- 排产层（Sequencing）：粒度细到“分钟”或“小时”，解决的是“同一台设备上多个工序谁先谁后”的具体顺序问题。
有些人会把计划、调度、排产混在一起叫“车间调度”，但实际落地的时候，它们的建模方式、算法复杂度、系统模块划分都不一样。我见过不少企业ERP上线后，车间主任根本不看系统生成的工单顺序，就是因为系统只做了计划层的粗排，没做调度层和排产层的细化，排出来的顺序没法执行。这也是为什么每次聊调度问题，我都会先把“分类”和“层级”一并讲清楚。
2.3 调度环境的时间特征
调度环境按时间特征还能分成静态调度和动态调度两大类。
- 静态调度：所有信息（订单到达时间、加工时间、机器可用状态）在排产之前都已知且不再变化，只需要一次求解，结果固定输出。
- 动态调度：生产过程中会不断出现新订单、机器故障、交期变更、来料延期等扰动事件，需要滚动排产或者事件驱动式重调度。
动态调度又可以根据触发方式细分为周期驱动、事件驱动和混合驱动三类。这个维度的分类决定系统架构要不要设计“重调度引擎”：纯静态的问题，你做个离线排产模块就够；动态问题，必须考虑实时数据接入、异常检测、快速重算这些能力。我做过的几个项目，凡是对“动态性”估计不足的，后期基本都要返工加功能，这一点大家做系统规划时一定要谨慎。
3. 按机器环境分类：最经典的划分方式
这是最经典、也是文献中出现频率最高的分类维度，它回答的问题是：工件在车间里要经过什么形态的机器布局来完成加工路径。
3.1 单机调度（Single Machine）
所有工件只有一道工序，且这同一道工序都落在同一台机器上。你别觉得这个情况太简单不值得研究，现实里很多瓶颈工序、关键设备（比如热处理炉、数控加工中心）就属于这种场景——几十个工件排队等着过一台设备，排谁先谁后，直接决定整体交期。单机问题是调度领域的基础模型，很多复杂调度研究的第一步都会退化成单机问题。它的求解相对成熟，单机加权完工时间和最小、单机最大延迟最小等问题都有多项式算法甚至解析解。日常管理中用到的EDD（最早交期优先）、SPT（最短加工时间优先）、WSPT（加权最短加工时间优先）这些分派规则，主要就是应对单机场景的。
3.2 并行机调度（Parallel Machines）
这个类别是“多台单机并联”，工件也只有一个工序，但机器不止一台，需要决策两件事：把工件分配给哪台机器，以及在这台机器上的加工顺序。并行机之间还有区别——如果所有机器加工速度一样，是相同并行机（Identical）；如果速度不一样但加工能力范围一致，是均匀并行机（Uniform）；如果机器之间完全不能互相替代、各有各的加工范围，是无关联并行机（Unrelated）。
这个分类在实际工厂里极其常见。比如一个车间有5台同型号CNC，来了20个零件任务，就需要做“分配+排序”的双层决策。很多初学者直接套单机的排序规则，忽略了分配环节，结果某台机器被塞满排到深夜，旁边机器空着发呆。这就不叫调度，这叫拍脑袋。
3.3 流水车间调度（Flow Shop）
Flow Shop的核心特征是每个工件的加工路径完全相同，都按照相同的顺序经过一组机器。比如一个轴类零件要依次经过车削→铣削→磨削，每个零件都是一样的路线，那就构成了一个流水车间。最经典的流水车间调度目标是最小化最大完工时间（Makespan），两个工件的场景可以精确求解，工件数量多的时候就得用启发式算法或元启发式算法。生产管理中常用的Johnson规则就适用于两台机器的流水车间问题。
流水车间里还有一个很常见的变体叫置换流水车间（Permutation Flow Shop），它额外要求所有机器上的工件加工顺序保持一致，也就是说，第一台机器上先加工哪个工件，后面所有机器都得按这个顺序来，不允许中间变换顺序。这种约束大大简化了问题的搜索空间，也很符合很多流水线生产的实际情况，因为生产线中间换顺序的成本太高。
3.4 作业车间调度（Job Shop, JSP）
这是调度领域最经典也最难的问题类型之一。和流水车间不同，作业车间里不同工件的工艺路线可以不同，每个工件有自己的工序顺序，而且每道工序可能要在不同的机器上完成，机器之间的产品流向没有统一的模式。比如工件A是“车→铣→磨”，工件B是“铣→钻→磨”，工件C是“磨→车”，三者在车间里的路径完全不一样，传统意义上的“作业车间”就是这个状态。
JSP的难点在于，机器约束和工序先后约束交织，搜索空间巨大，属于典型的NP-hard问题。工件数量超过20、机器数量超过10，精确求解基本不现实，工业界一般用遗传算法、模拟退火、禁忌搜索等元启发式方案。JSP也是学术界测算法性能的“角斗场”，著名的基准测试集比如FT系列、LA系列、DMU系列，都是JSP领域的标准考题。
3.5 柔性作业车间调度（Flexible Job Shop, FJSP）
FJSP是作业车间的扩展，也是最贴近现代智能工厂实际情况的一种模型。它与JSP的区别在于：JSP中每道工序指定的机器是唯一的，而FJSP中每道工序可以在多台候选机器中选择任意一台加工，而且不同机器上的加工时间通常不同。这引入了一个新的决策维度——机器选择，和原本的工序排序叠加在一起，变成双层的组合优化问题，复杂度比JSP再上一个台阶。
FJSP还能再细分：完全柔性（每道工序可以在所有其他机器上加工）和部分柔性（每道工序只能在某几台特定机器上加工），实际工厂基本都是部分柔性。我做排产项目时用到最多的模型就是FJSP，因为它完整反映了一个真实机加车间的状态——同样的铣削工序，既可以上三轴机也可以上四轴机，但时间和成本不一样，这种灵活性不建模进去，优化就没有意义。
3.6 混合流水车间调度（Hybrid Flow Shop, HFS）
HFS也常被称为柔性流水车间（Flexible Flow Shop），是流水车间和并行机的结合：车间按工序分成多个加工阶段，每个阶段有多台并行机，每个工件按相同的方向依次通过这些阶段，但在每个阶段可以选择该阶段内任意一台并行机加工。现实中很多近似流水线形态的车间都属于HFS，比如PCB制造、钢铁轧制、食品加工、汽车零部件生产线等。
HFS比Flow Shop更难，因为多了一个“阶段内选机”的维度；但比FJSP略“温和”一些，因为整体流向仍然是一致的，工件的工艺路线具有相同的阶段顺序。HFS的求解通常分两个层次，先决定各阶段内工件的排序，再决定工件在各并行机上的分配，很多文献把这两个决策分开做，做集成优化的相对少。
3.7 开放车间调度（Open Shop）
Open Shop与JSP的主要区别是，工件的工序之间没有预设的先后顺序，工序顺序本身也是一个需要决策的变量。比如一个维修车间，多个设备故障件需要经过检测、拆解、清洗、修理、装配等多个工序，这些工序之间并不存在固定的先后约束，可以根据设备和人员的忙闲状态灵活安排。Open Shop在实际中不如JSP和FJSP常见，研究文献相对少，但遇到灵活型维修车间、实验室测试调度这类场景时，Open Shop模型反而是最贴切的。
4. 按工件特性与环境信息分类
机器环境解决的是“有多少机器、怎么布局”，工件特性解决的是“工件本身有哪些属性、这些属性变化不变化”。
4.1 按到达模式区分
- 静态到达：所有工件在调度初始时刻就已全部到达（或已知到达时间），排产只需要考虑这一批工件。
- 动态到达：工件按时间陆续到达，调度器需要边加工边接收新信息。按到达方式还能进一步区分成“零时刻全部到达”“已知到达时间”“随机到达时间”等子类，对算法设计影响很大。
4.2 按加工时间属性区分
- 确定性加工时间：每个工件在每台机器上的加工时间是已知的固定值，这是绝大多数调度模型的标准假设。
- 随机加工时间：加工时间服从某个概率分布，比如正态分布、指数分布，需要采用随机规划、鲁棒优化等方法。实际工厂里机器老化、操作员熟练度波动、来料批次差异都会导致加工时间呈现出随机性，但考虑到建模复杂度，一般先按确定性问题处理，再通过预留缓冲时间吸收扰动。
4.3 按工件相关性区分
- 独立工件：工件与工件之间没有任何逻辑关系，完工一个是一个，这是多数调度模型的隐含假设。
- 耦合工件：工件之间存在装配关系（多个子件完工后配套入库）、优先级关系（某个工件必须优先于另一个开工）、批次关系（同批工件必须同时或连续加工）等。制造业里严格来说很少有完全独立的工件——总有装配、总有共用物料——但建模时是否考虑这种耦合，取决于问题的核心矛盾。
4.4 按投产方式区分
- 批量调度：工件以批次为单位投产，即使批内各个零件技术上是单件，但在组织生产时按批量移动，可以减少换型次数。
- 单件调度：按单件独立调度，最大限度追求灵活性，但换型次数多、设备利用率可能下降。
- 批处理和批次拆分：后面会单独展开，因为它在实际生产中的影响经常被低估。
5. 按目标函数与优化指标分类
调度问题的第三维是“到底在优化什么”。目标不同，问题性质完全改变——有的目标是线性可加成的，有的目标是极值型的，有的目标是带权重的调和。构建模型之前没有锁定优化目标，算法算得再热闹也是无头苍蝇。
5.1 基于时间类指标
- 最小化最大完工时间：即Makespan，表示为Cmax，目标是让最后一个工件的完工时间最短，对应“尽快把这一批活干完”的生产诉求。这是一种全局效率指标，应用最广，几乎所有调度论文都会用这个默认目标。
- 最小化总完工时间：目标是让所有工件完工时间之和最小，记为ΣCj。它和Cmax在意义上不同，总完工时间关注的是“从统计学意义上每个工件平均多久能做完”，更绕不开在制品的库存压力和资金占用。
- 最小化最大流经时间：流经时间指从工件抵达车间到加工完成的总时间。如果所有工件零时刻到达，最大流经时间与Cmax等价；但如果有到达时间差，两者就分化了。
- 最小化总流经时间：在FIFO生产线中相当于最小化平均在制品库存，对周转率优化非常有意义。
5.2 基于交期类指标
- 最小化最大延迟：Lmax = max(Cj - dj)，表示所有工件中超过交期最严重的那一个的延迟量，属于“杜绝极端拖期”型指标。
- 最小化总拖期：ΣTj（可能有加权），它只统计拖后的工期，早于交期完工的工件拖期记为0，对应“整体履约率”目标。
- 最小化拖期工件数：只关心有多少个工件没按交期交付，不关心拖了多久，这在客户按“是否按时交付”考核时很常用。
5.3 基于成本与资源利用类指标
- 最小化总成本：涵盖加工成本、换型成本、拖期惩罚成本、库存持有成本等，多个分目标的加权一体化表达。
- 最大化设备利用率：侧重消减设备空闲和等待，但在排产时过分追求利用率容易出现“局部满负荷、全局拥堵”的副作用。
- 最小化能耗：近几年的热点方向。把机器加工的能耗、待机能耗、开关机能耗建模到目标函数里，在双碳背景下很多企业都在上这类项目。以前排产只算时间账，现在还要算电费账——其实调度算法本身改动不大，主要是目标函数结构变了，多目标权重怎么设定是个学问。
5.4 多目标调度
实际项目中最常遇到的不是单目标问题，而是“既要交期短，又要成本低，还要设备利用率高”的多目标问题。多目标调度的处理方式有三种：
- 加权求和法：把多个目标折算成权重后相加，简单、好理解，但权重设置靠经验和业务方博弈，且不同目标量纲不同需要归一化。
- Pareto优化法：不提前设置权重，算法直接输出一组互不支配的Pareto解集，让决策者根据现场偏好选择。NSGA-II、NSGA-III是这类做法的常用算法。
- 字典序法：按优先级逐级优化，先优化最高优先级的指标，再在保持该指标不变的条件下优化次优目标，适合目标之间有硬约束层级关系的场景。
我自己的经验是：如果企业管理者能明确说出“先保交期，再看成本”，字典序法是最容易落地部署的，因为它不折腾用户去理解复杂的权重概念；只有当场内多个部门各执一词、无法给出明确优先级排序时，才值得上Pareto那一套。
6. 按约束与工况特征分类
这个维度在实践中的分量比多数人想象中的重。同样一套调度逻辑，放进有换型时间的车间和没有换型时间的车间，跑出来完全是两个方案。
6.1 资源约束的常见形态
- 机器可用时间约束：周末不生产、夜班停机保养、计划内检修等会导致机器在某些时间段不可用，排产时必须避开这些时间窗。
- 人力约束：操作工人的数量与技能决定同时间段最多能开几台设备。柔性生产线里“一人多机”已是常态，人力约束对排产的限制度相当高。
- 刀具/工装/模具约束：每类刀具或模具数量有限，关键模具的周转周期直接影响排产模板。我见过一家注塑厂，模具数量不够导致排产排得很漂亮却没法执行，后来在模型里加了模具约束才真正落地。
- 物料约束：因来料分批到达，即使设备产能足够，也只能按期分批投产。物料齐套率对车间执行率的影响，很多时候高于设备能力本身。
6.2 工艺路径约束与柔性
- 线性工艺：所有工序按固定顺序串行执行，不可乱序、不可并行。
- 装配树约束：多个零件的产出要匹配到装配节点，缺任何一个下级件，装配工序就要等待。装配约束下的调度要从最后装配节点反推各零件的最迟完成时间，逻辑和普通独立件排产完全不同。
- 可重入约束：工件可能多次返回同一台设备加工，比如半导体晶圆制造中同一台光刻机在不同工序被多次使用。可重入问题导致各工序在时间维度上产生交叠，调度难度陡增，是半导体行业调度研究的核心难点之一。
6.3 缓冲区约束
较小规模的调度研究常默认缓冲区无限大，但在真实车间中，工序间的在制品缓存区往往容量有限，一旦缓冲区占满，上游机器就得停工等待，形成“阻塞”。带缓冲区容量约束的调度更贴近实际，也明显难算。实际选型时我建议先确认现场有没有明显的物理缓存极限，如果没有硬性限制，建模时先用无限缓冲区简化，后续再迭代加约束。
6.4 准备时间与换型约束
换型时间的存在，让调度问题的目标函数不再只依赖加工时间，还与工件的排产顺序强相关。按是否依赖顺序，可以分成：
- 与顺序无关的准备时间（比如每班开工前固定的点检时间）
- 与顺序相关的准备时间（比如从加工深色切换到浅色，清洗时间远大于反过来）
- 同时受“工件对”和“设备”双维影响的准备时间
带有顺序相关换型时间的调度，通常需要把“顺序”变量显式建模，描述复杂度显著上升，搜索空间也急剧膨胀。行业里处理这类问题常用“虚拟工件”方法把换型映射成一段虚拟加工工序，或使用扩展的旅行商问题结构做建模。
6.5 不确定性约束
不确定性是车间调度绕不开的话题。一般分为：
- 加工时间不确定性：设备状态波动、刀具磨损造成的加工时长偏差。
- 订单不确定性：新订单随时插入、已有订单临时改交期或取消。
- 资源不确定性：设备故障、人员请假造成的临时产能下降。
应对不确定性的经典策略有三种：完全反应式调度（出问题才重排）、预测-反应式调度（先生成预调度方案，异常发生时触发重调度）、鲁棒调度（生成对扰动不敏感的缓冲型方案）。这些策略下的“分类”，往往比纯粹的静态问题分类更贴近生产管理系统的实际需求。
7. 从分类到实战：几个典型场景的归类演练
理论分类讲了一堆，不还原到现场就没啥用。下面拿三个典型的车间场景做一次完整的归类分析，帮助你把前面几个维度的框架真正串起来。
7.1 场景一：汽车零部件机加车间
该车间有20台数控机床，分为车削组、铣削组、磨削组、钻孔组共四类设备。每个零件按自身工艺路线依次经过其中若干组，某些工序有两台以上同类设备可选。订单每周滚动下达，交期要求严格。
- 机器环境：柔性作业车间（FJSP），部分柔性，4个设备组共计20台。
- 工件特性：动态到达，按周滚动，加工时间基本确定。
- 目标函数：最小化拖期+最大化设备利用率的加权多目标。
- 核心约束：部分工序存在换型时间，关键刀具数量限制，夜班设备保养窗口。
- 算法选型：优先考虑带时间窗约束的FJSP模型，用元启发式算法（遗传算法+局部搜索）求解。要是现场刀具约束特别紧，还需在上层加一个基于约束传播的前置检查模块。
7.2 场景二：电子元器件组装测试线
产线由贴片、回流焊、在线测试、老化测试、包装五个阶段组成，每个阶段有多台同型号设备，所有产品均依次通过全部阶段，且各阶段内机器可互相替代。
- 机器环境：混合流水车间（HFS）。
- 工件特性：批量到达，同一产品族的不同批次本质上不存在工艺路线差异。
- 目标函数：最小化最大完工时间，同时兼顾工位负荷均衡。
- 核心约束：老化测试阶段存在批量并行的特征（多件同时入炉），测试时间受炉内装载量影响。
- 算法选型：以阶段为单位做流水排序，再在阶段内部做并行机分配，采用分层式HFS求解会比直接整体建模省很多算力。老化测试阶段的批量逻辑要单独做子模型，不能简单当单件并行机处理。
7.3 场景三：定制化机械加工车间
订单批量小、种类杂，几乎没有两道工序在同一台设备上稳定重复，设备不是按产线布局而是按机加工类型机群式散布，不同订单的工艺路线五花八门。
- 机器环境：作业车间（JSP）或柔性作业车间（FJSP），取决于每道工序是否有多个可选设备。如果每道工序只能指定一台设备，就是JSP；如果同类设备有2-3台可选，就是部分柔性FJSP。
- 工件特性：随机到达，交期经常变动。
- 目标函数：最小化拖期+最小化总完工时间。
- 核心约束：订单插入频繁，要求重调度机制；个别大件有行车搬运时间约束。
- 算法选型：由于订单变更频繁，一次性静态求解意义不大，必须做滚动重调度，每次重调度的时间窗要控制在“分钟级”。这种场景对算法的响应速度要求远高于对最优性的追求，能做“快速可行解+局部优化”的方案往往比追求全局最优的算法更实用。
这类归类演练做多了，你会发现一个规律：实际场景很少是教科书里某个单一问题的严格复刻，往往是几种基础类型的组合变体。分类框架的真正价值不是给你一个“标准答案”，而是帮你快速定位到问题的核心复杂度在哪，然后把有限的精力花在最关键的那个维度上。
8. 分类之后怎么做算法选型——我的实操建议
聊完分类，最后给一点算法选型层面的心得，这部分算是我多次调试调度算法后沉淀的私货。
8.1 按分类结果快速匹配算法策略
前面这几个分类维度的信息汇总在一起，基本可以直接按下面的路径做算法粗选：
- 单机或并行机、工件数量可枚举（差不多20个以内）：优先用精确算法或分支定界，或者干脆用派工规则。不要小题大做上智能算法，性能和可解释性都不占优。
- 流水车间或置换流水车间，规模中等：Johnson规则（两机）、NEH启发式（多机）、禁忌搜索都是口碑极好的方案。
- 作业车间或柔性作业车间，规模中等以上：基本考虑遗传算法、模拟退火、禁忌搜索、粒子群这类元启发式，或者它们的混合体。如果机床数量特别大，建议加约束传播或邻域搜索加速收敛方向。
- 混合流水车间：按“阶段排序+阶段内并行机分配”分层做，先粗排再细调比直接整体编码简单得多，也更容易让业务人员理解输出方案的逻辑。
- 动态事项多：建议选反应式调度或滚动时域重调度，预排方案只做参考，系统必须带快速重算能力，别想着一次排完吃一年。
- 带强序列相关换型：优先考虑把问题转化成扩展旅行商问题或带时间窗的车辆路径问题来做邻域变换。要先把换型矩阵建好，这个数据的准确性比算法本身更重要。
8.2 一个不太被提到但非常关键的提醒——数据是分类的前提
很多时候我们纠结选什么模型、用什么算法，实际卡点反而是数据不齐。FJSP需要机器能力矩阵、换型时间表、工件工艺路线表；JSP需要严格的工序-机器映射关系；HFS需要阶段内并行机参数。企业现场这些数据的完整度和准确性往往参差不齐，有的工艺路线已经三五年没维护，加工时间还是估出来的，那再好的分类框架和算法都白搭。
接项目时先做数据盘点，把机器清单、产品工艺路线、工时定额、换型时间、设备日历这几类基础数据摆到桌面上过一遍，再去定算法方向，这个顺序不能颠倒。
8.3 算法可解释性千万别忽略
最后一个经验是：调度系统的使用者在很多情况下不是算法工程师，而是车间计划员。他完全不关心你用了几种启发式、收敛了几代，只关心“为什么排到3号下午而不是4号上午”。如果算法输出方案无法给出一个通俗的解释，即使目标值再优，现场也不敢执行。
所以选型时不要只看论文上的benchmark对比数据，还要考虑方案能不能转成车间能看懂的甘特图、能不能把关键约束以可视化的形式呈现、能不能在用户质疑时快速调整参数重算。就我接触过的工厂而言，能落地的好调度系统，几乎都是“算法能力中等偏上+解释能力上等”的组合，而不是纯追求最优性的黑盒工具。
最后分享一个个人习惯：接手任何调度问题，我先花一周时间把问题按前面那几个维度梳理出来写成一页纸的“问题定性说明”，再花一周时间做数据盘点和清洗，最后才动代码。大部分翻车项目都是因为前面两步跳过了直接写算法。分类这件事看起来“学术”，实际上恰恰是工业项目中最大的省钱环节。
