工厂第一个AI别急着上大模型——先把老师傅的脑子搬进知识库

一家做精密注塑的工厂，去年花了小一百万上了套大模型平台。厂长很兴奋，开动员会说"以后有问题问AI"。三个月后我去回访，打开后台一看——月活跃用户，两个人。一个是IT，一个是他自己。

车间里的人还是照旧：设备一报警，先喊班长；班长搞不定，翻那本卷了边的维修手册；手册里查不到，就打电话问已经退休的老张。那台花了百万的大模型，安安静静躺在服务器里,一次没被真正用起来。

花百万上大模型的工厂，为什么三个月后没人用

我见过太多这样的场景，几乎能背出剧本了。

老板的逻辑很朴素：AI这么火，那我买最强的那个总没错。于是对标参数、比拼跑分，谁家模型排行榜靠前就上谁。但工业现场的人不关心你的模型有多聪明，只关心它能不能替他解决眼前这台正在报警的机器。

问题就出在这里。通用大模型什么都懂一点，可你问它"我们这台海天注塑机报E07代码、料筒温度飘、之前换过加热圈"是什么原因，它只会给你一堆放之四海皆准的正确废话——检查温控、检查传感器、联系厂家。这些话老师傅闭着眼都能说，工人要的是"上次三号机同样的毛病，是B区加热圈接线松了"这种带着厂子记忆的答案。

通用模型没有你厂子的记忆。它没读过你的工单，没见过你的设备台账，不知道你车间那台老机器的脾气。

▎ 你买的不是不够聪明的AI，你买的是一个没在你厂里上过一天班的AI。

所以员工用两次就放弃了——问了等于没问，还不如喊班长快。工具再贵，用不上就是摆设。

工业AI落地的真相：卡点从来不是算法，是知识没沉淀

这几年帮制造企业做AI落地，我越来越确信一件事：工业AI落地失败，九成不是败在模型，是败在企业根本没有一份AI能读懂的知识。

这句话可能让一半人皱眉——不是说大模型无所不能吗？

我们把工厂里真正值钱的知识摊开看看它长什么样：老师傅脑子里三十年的手感、贴在机床上被油污糊住的操作提示、散落在几百个Excel里的工艺参数、微信群里随手发的"这批料要降5度"、以及一堆连命名都没规范的PDF手册。

这些东西有个共同特点——AI一个字都读不进去。它们要么在人脑里，要么在AI看不懂的格式里，要么根本没被记下来。

所以正确的顺序被搞反了。不是"买个强模型，然后让它变聪明"，而是"先把厂里散落的知识收拢、整理、喂给一个够用的模型"。模型是发动机，知识是燃油——油箱是空的，法拉利也跑不动。

想清楚这一点，第一个该落地的Agent自然就浮出来了。

第一个该落地的Agent：会查手册的"数字老师傅"

别一上来就想着让AI替你排产、优化良率、预测设备故障——那些是登月，你连火箭都还没造。

工业AI落地真正该迈出的第一步，是一个特别朴素的东西：一个会查手册、能答工艺问题的问答Agent。我管它叫"数字老师傅"。

它干的活很具体：工人在车间用手机或工位电脑,用大白话问一句"三号注塑机报E07怎么处理"，它把你厂子历年的维修工单、设备手册、SOP、老师傅的经验笔记全翻一遍，给出一个带着你厂子上下文的答案，还附上出处——"依据2025年3月三号机维修工单#0417"。

为什么是它先落地？三个理由，条条实在：

• 需求最真。设备报警、工艺卡壳，是车间每天都在发生的痛，不用教育市场。
• 知识最好收。工单、手册、SOP这些是现成的文档，比"手感"这种隐性知识好数字化得多。
• 风险最低。它只答不动手，答错了工人自己会判断，不会像自动控制那样直接把机器搞停。

先用一个救急的小工具让工人尝到甜头，AI在厂里才有资格谈下一步。 一上来就搞宏大叙事的，最后大多躺在服务器里吃灰。

那这个"数字老师傅"具体怎么搭起来？

落地四步：从一堆工单到能问答的知识库

我把这套落地路径压成四步，每一步都能验收，不玩虚的。

第一步：盘家底。 花一周时间,把厂里所有跟设备、工艺相关的文档翻出来——维修工单、设备手册、SOP、质量异常记录、甚至老师傅的手写笔记。别嫌乱，先列个清单,你会惊讶于自己厂子其实"藏书"不少，只是从没归拢过。

第二步：清知识。 这一步最苦也最关键。把扫描件做OCR、把Excel里的参数结构化、把内容重复矛盾的地方标出来找人确认。这一步的工作量，占整个项目的六成以上——谁想跳过它，谁的AI最后就答非所问。

第三步：搭检索。 用RAG（检索增强生成）这套成熟方案：把清洗好的知识切成小块、转成向量存进知识库；工人一提问，系统先从知识库里捞出最相关的几段，再让大模型基于这几段作答。模型不负责记忆，只负责组织语言，答案永远来自你的知识,不是它瞎编。

第四步：接场景。 别停在一个网页问答框。接进工人天天用的地方——企业微信、工位平板、扫设备二维码直接问。工具要长在人的动线上，才有人用。

四步走下来，坑是躲不开的。有几个我几乎每个项目都会踩，提前说给你。

这些坑我见一次踩一次，提前说给你

坑一：迷信"喂得越多越好"。 有厂子把十年所有文档一股脑塞进去，结果里面一半是过期版本、互相矛盾的参数。AI照单全收，答出来的东西比不用还危险。知识库的价值不在大，在准。宁可先上一条产线的干净知识，也别上全厂的一锅粥。

坑二：让IT一个人扛。 清洗知识、判断哪个工艺参数是对的,这活儿IT干不了，必须拉上懂工艺的老师傅。可老师傅往往觉得"教AI就是教徒弟饿死师傅"，不配合。这不是技术问题，是得让老师傅看到——他的经验被AI放大后，他从"救火队员"变成了"知识权威"，地位是升不是降。

坑三：追求一步到位的准确率。 上线第一天就想要95%准确，不现实。合理的做法是让它先在一个小范围跑,工人每次用完点个"有用/没用",用真实反馈持续喂养。知识库是养出来的,不是买来的。

▎ AI落地不是一场发布会，是一场没有终点的园艺。你得天天浇水,它才活。

坑都躲过了，最后一个问题：这东西到底有没有用，怎么证明？

效果怎么衡量：别看模型多聪明，看老师傅还接不接电话

老板最爱问的问题是:"你这AI准确率多少?"

我通常反问一句:"你们退休的老张,现在一周还接几个求助电话?"

工业AI有没有落地,不看后台的技术指标,看车间里那部老电话还响不响。 真正跑起来的知识库,会带来几个肉眼可见的变化：

• 新来的工人不再逢事就喊班长，自己先问一句"数字老师傅"；
• 老张的求助电话从一天五个变成一周一个,他终于能安心退休；
• 同一个设备故障的平均排除时间,从两小时压到半小时；
• 关键的——厂子的知识不再随着一个老师傅的离职而蒸发。

这最后一条,才是工业AI落地最深的价值。设备会折旧,人会流动,但沉进知识库的经验会留下来,而且越用越厚。

工业AI落地这件事,别被"大模型"三个字唬住。它不需要你先成为技术专家,只需要你换个顺序想问题——先问"我厂里最值钱的知识在哪、怎么留住",再问"用什么AI去激活它"。

顺序对了,一台够用的模型加一份干净的知识,就能让车间那部老电话,慢慢安静下来。