我的AI工厂
面向制造现场的 AI 落地知识库
把 AI 落到产线上，
把 AI 落到产线上，
从场景判断到指标验收
工业 AI 不缺算法，缺的是“这个场景值不值得做、数据够不够、上线后怎么算收益”。这里把常见场景拆成可执行的判断清单，并把智能体的架构与治理讲清楚。
8–12周单个试点周期
6类高频可落地场景
20+项验收指标口径
00:00▸ 接收事件订单 A 交期提前 2 天
00:01▸ 检索知识库换型时间 / 设备产能 / 历史排产
00:03▸ 规划任务3 条候选方案，按交期与换型成本排序
00:05✓ 调用工具MES.query() · APS.simulate()
00:07! 人工确认方案 B 影响 1 张在制工单，需确认
00:09✓ 已下发排产调整 12 条工单，预估溢价 +3.2%
先问三个问题，再谈模型
大部分工厂 AI 项目的失败不在算法，而在选错了题。
收益
问题值多少钱
不良率、停机小时、能耗单价——先算清“改好一点能省多少”，否则验收时无法证明价值。
数据
数据够不够
有没有稳定的采集、有没有标注、历史数据能不能覆盖异常工况，决定项目是 1 个月还是 1 年。
闭环
现场接不接得住
模型输出要能进 MES/PLC、要有人看、要有处置动作，否则再准也只是个看板。
用数据说话
下面两组是项目复盘里最常被追问的问题：值多少，降多少。
每产线年化收益（示例区间）
单位：万元 / 年 / 条产线
可直接换算为成本
能耗 / 安全类
依赖排程 / 工艺知识
数据来自公开案例与项目复盘的典型区间，不是承诺值；实际收益取决于产量、良率基线与停机成本。
视觉质检：12 周缺陷率
上线后逐周收敛，第 12 周稳定在 1% 以下
实际缺陷率
目标线 1.0%
前 3 周会有“过杀率上升”的阵痛，验收时要同时看漏检与过杀，避免指标转移。
工厂智能体
不是一个模型，而是一套会闭环的执行体
智能体 = 感知现场事件 + 检索工艺知识 + 调用系统工具 + 生成处置动作，并在关键节点留人工确认与审计。
感知
事件与数据
设备告警、质量波动、订单变更、能耗异常——先统一成事件，再谈推理。
决策
规划与工具调用
不是直接输出答案，而是拆任务、调接口（MES/APS/QMS）、校验结果后再给建议。
治理
人工确认与审计
影响生产、质量、交付的动作必须可回溯：谁触发、依据什么、改了什么、能否回滚。
算一算你的产线
按“不良率下降 50%”做保守估算，输入自己的数字看年化空间。
年化可挽回（按 300 工作日、不良率改善 50%）
144.0 万元 / 年
仅为质量损失口径的粗算，不含停机、返工、客诉与品牌影响。