Lograr una toma de decisiones secuencial segura y eficiente en entornos dinámicos e inciertos es un desafío central en la fabricación inteligente y los sistemas robóticos. Durante la operación, los sistemas a menudo están sujetos a incertidumbres acopladas de múltiples fuentes, como perturbaciones estocásticas, desajustes de modelo y cambios ambientales, lo que hace que los enfoques tradicionales basados en modelos deterministas o en la verificación de seguridad post hoc sean incapaces de garantizar simultáneamente el rendimiento y la seguridad. En particular, la no diferenciabilidad de las probabilidades de satisfacción de restricciones en la toma de decisiones con restricciones de probabilidad dificulta severamente su integración con paradigmas de aprendizaje impulsados por datos. Para abordar estos desafíos, este documento propone DeepChance-OPT (Optimización de Oportunidades Profundas), un marco de decisión de rechazo de perturbaciones diferenciable de extremo a extremo, diseñado para tareas de agarre dinámico en ensamblaje de precisión. El marco primero codifica observaciones históricas y secuencias de control en una representación latente de baja dimensión para extraer características dinámicas clave relevantes para la toma de decisiones. Posteriormente, modela la propagación temporal de la incertidumbre en este espacio latente para predecir la distribución de probabilidad de los estados futuros. Además, a través de un mecanismo de restricción de probabilidad diferenciable, el riesgo de violación de restricciones se transforma en un término de penalización continuo y diferenciable, que se optimiza conjuntamente con el objetivo de rendimiento de la tarea para lograr una mejora sinérgica tanto en seguridad como en eficiencia. Todo el marco se entrena y ejecuta bajo una arquitectura unificada de extremo a extremo, lo que permite la toma de decisiones secuencial en bucle cerrado en línea. Los experimentos en una tarea de agarre de obleas de carburo de silicio de precisión demuestran que DeepChance-OPT logra un rendimiento en tiempo real (latencia promedio de decisión < 4 ms) mientras reduce la tasa de violación de restricciones al 2.3%, superando significativamente tanto a la optimización tradicional como a las líneas base puramente impulsadas por datos. En escenarios de incertidumbre compuesta, que incluyen perturbaciones de parámetros, ruido de medición y perturbaciones externas, la tasa de éxito se mantiene estable por encima del 87.5%, validando completamente la efectividad del marco propuesto para una toma de decisiones robusta, segura y eficiente en entornos dinámicos complejos. Este trabajo proporciona un nuevo paradigma para la toma de decisiones de rechazo de perturbaciones inteligente en la fabricación de alta precisión, ofreciendo tanto rigor teórico como practicidad ingenieril.