新能源工廠里的報表沒人看老師傅的經(jīng)驗快退休了帶不走產(chǎn)線上的異常參數(shù)要等第二天晨會才知道——這是我走訪過多家電池、光伏、儲能工廠后最常聽到的三句話。傳統(tǒng)的MES制造執(zhí)行系統(tǒng)、ERP企業(yè)資源計劃系統(tǒng)堆了一堆數(shù)據(jù)但真正能“用”起來的沒幾個。工業(yè)數(shù)據(jù)不缺缺的是把數(shù)據(jù)變成決策的那一層“翻譯官”。所以當AI低代碼和智能體AI Agent開始進入制造業(yè)主線時我一直覺得這才是智能制造等了很久的那個拐點。這篇文章不聊虛的我從新能源工廠的實際需求出發(fā)拆解AI低代碼平臺怎么在產(chǎn)線上落地智能體包括技術(shù)選型、知識庫設(shè)計、流程編排、異常處理機制以及我踩過的一些坑。如果你是工廠的IT負責人、數(shù)字化轉(zhuǎn)型項目經(jīng)理或是做工業(yè)AI應(yīng)用開發(fā)的工程師這篇內(nèi)容應(yīng)該能給你一些可以直接參考的路徑。1. 為什么是“智能體”而不是“一個更聰明的看板”1.1 傳統(tǒng)低代碼的邊界管得住流程管不住“判斷”先說個扎心的事實過去五年低代碼在制造業(yè)的落地基本都卡在了“表單搬運工”這個層級。設(shè)備點檢、工單流轉(zhuǎn)、審批流程這些結(jié)構(gòu)化、規(guī)則明確的場景低代碼做得確實不錯。但一旦遇到需要綜合上下文、模糊判斷、動態(tài)決策的任務(wù)傳統(tǒng)低代碼就抓瞎了。比如動力電池的化成分容環(huán)節(jié)溫度曲線、電壓平臺、內(nèi)阻波動老師傅能根據(jù)幾十個參數(shù)的綜合特征判斷“這批電芯的衰減趨勢可能有異?！钡珎鹘y(tǒng)低代碼的規(guī)則引擎面對這種輸入只能寫出一堆僵硬的IF-THEN如果溫度大于X且電壓小于Y就報警。這種規(guī)則不僅寫起來費勁而且沒法覆蓋真實工況里的千變?nèi)f化。這就是智能體出現(xiàn)的意義。智能體本質(zhì)上是一個“能調(diào)用工具、能推理、能記憶上下文、能自主規(guī)劃步驟”的AI程序。把它嵌入低代碼平臺等于給原來的流程自動化裝上了“大腦”——規(guī)則管流程怎么走智能體管每一步該怎么判斷。1.2 新能源工廠的需求密度剛好匹配智能體的能力區(qū)間新能源工廠可能是最適合智能體落地的場景之一原因很具體數(shù)據(jù)維度極其豐富一條動力電池產(chǎn)線從涂布、輥壓、卷繞到化成分容每一道工序的參數(shù)都有幾十個而且強耦合。工藝調(diào)整頻次高換型號、調(diào)配方、新批次原材料波動都會導(dǎo)致最佳工藝參數(shù)偏移固定的規(guī)則很難跟上這種動態(tài)變化。老師傅經(jīng)驗高度濃縮很多關(guān)鍵判斷依賴人的直覺這種“說不清但很準”的經(jīng)驗恰恰是大語言模型LLM最擅長學習和模擬的東西。所以智能體在新能源工廠的定位不是一個炫技的聊天機器人而是一個“經(jīng)驗結(jié)構(gòu)化決策輔助”的載體用AI低代碼的方式快速搭出來讓老師傅的經(jīng)驗?zāi)鼙挥涗?、被?fù)現(xiàn)、被迭代。2. 新能源工廠智能體的五層落地架構(gòu)2.1 我在產(chǎn)線實際跑通的參考架構(gòu)先說清楚工業(yè)場景最忌諱為了技術(shù)而技術(shù)。我的整體思路是AI低代碼平臺負責“搭骨架”智能體負責“長血肉”工廠的原有系統(tǒng)MES、SCADA數(shù)據(jù)采集與監(jiān)控系統(tǒng)、PLC可編程邏輯控制器負責“供數(shù)據(jù)”。我實際采用的分層結(jié)構(gòu)大概是這樣的層級核心組件解決的問題數(shù)據(jù)接入層MES接口、PLC采集網(wǎng)關(guān)、手工填報頁面把設(shè)備參數(shù)、質(zhì)量數(shù)據(jù)、工單信息匯攏到統(tǒng)一數(shù)據(jù)池知識構(gòu)建層工藝文檔向量化、老師傅經(jīng)驗問答對、歷史缺陷案例分析把隱性經(jīng)驗變成可檢索、可推理的知識庫智能體服務(wù)層意圖識別、工具調(diào)用查參數(shù)、算SPC統(tǒng)計過程控制、生成報告、多輪對話管理理解人的問題分解任務(wù)調(diào)工具執(zhí)行低代碼編排層可視化流程編排、事件觸發(fā)規(guī)則、人工審批節(jié)點定義智能體在什么時機介入、哪些步驟需要人確認業(yè)務(wù)交互層Web端駕駛艙、企業(yè)微信/釘釘通知、產(chǎn)線大屏把結(jié)果推給正確的人在正確的場景下呈現(xiàn)這套架構(gòu)和我之前做的傳統(tǒng)低代碼項目最大的區(qū)別在于中間多了一個“知識構(gòu)建層”和“智能體服務(wù)層”。低代碼編排層不再直接連接數(shù)據(jù)表而是連接智能體的“能力”流程的每一步都可以動態(tài)調(diào)用AI判斷。2.2 為什么數(shù)據(jù)接入層要刻意做“臟”很多朋友做工業(yè)AI第一步就卡在數(shù)據(jù)治理非要先把數(shù)據(jù)清洗得干干凈凈再開始做應(yīng)用。這個方向在傳統(tǒng)BI商業(yè)智能項目里沒錯但在智能體場景下我反而建議你“帶病起步”。為什么因為大語言模型本身就有極強的上下文理解能力它不介意字段里有缺失值、不介意單位不統(tǒng)一甚至能自己識別“溫度”和“Temp”是同一個意思。你只要把原始數(shù)據(jù)用自然語言描述清楚喂給它它就能給你一個“能用”的分析。我并不是說數(shù)據(jù)治理不重要而是說要分層處理讓智能體先跑起來用結(jié)果反推數(shù)據(jù)質(zhì)量問題的優(yōu)先級。哪個字段的數(shù)據(jù)不準嚴重影響判斷了就先去治理哪個字段。這種“用臟數(shù)據(jù)先跑通流程再逐步清洗”的方式在新能源工廠這種系統(tǒng)林立、數(shù)據(jù)標準混亂的環(huán)境里落地速度快得多。3. 實操用AI低代碼搭一個“工藝參數(shù)問答與預(yù)警智能體”3.1 選定首個場景的邏輯別一上來就搞“排產(chǎn)優(yōu)化”我見過太多團隊一聽說智能體厲害上來就要做“多目標調(diào)度優(yōu)化”這種終極難題。結(jié)果連數(shù)據(jù)接口都沒打通就卡死在模型層面。我的建議是第一個智能體場景一定要選“價值可量化、數(shù)據(jù)可獲取、風險可控”的。我這邊選的第一個試水場景是工藝參數(shù)問答與預(yù)警——產(chǎn)線技術(shù)員可以直接用自然語言問系統(tǒng)“今天上午3號涂布機的漿料粘度和上機涂布重量的相關(guān)性怎么樣”“這批NCM811材料的烘箱溫度設(shè)置是否在歷史優(yōu)參數(shù)區(qū)間內(nèi)”同時當關(guān)鍵參數(shù)連續(xù)偏離時系統(tǒng)自動推送預(yù)警。這個場景有三個好處數(shù)據(jù)現(xiàn)成SCADA系統(tǒng)和MES里存了好幾年歷史數(shù)據(jù)不需要額外裝傳感器。結(jié)果容易驗證AI分析完老師傅一看就知道對不對信任建立得快。風險極低只做分析和建議不直接反控設(shè)備不會因為AI誤判導(dǎo)致停產(chǎn)。3.2 知識庫設(shè)計的核心不是文檔多而是“問答對”好智能體的效果一半取決于大模型另一半取決于知識庫。我第一次做的時候犯了個錯誤——把幾十份工藝手冊、設(shè)備說明書PDF直接扔進向量數(shù)據(jù)庫然后發(fā)現(xiàn)智能體回答得驢唇不對馬嘴。后來我才意識到工業(yè)場景的知識庫構(gòu)建最應(yīng)該做的是把“文檔語言”翻譯成“問答語言”。工藝文檔里寫的是“涂布烘箱三段溫度分別設(shè)定為80℃/95℃/110℃風速變頻器頻率建議控制在28-32Hz區(qū)間?！边@種表述大模型能檢索到但回答時容易照本宣科。更好的做法是把老師傅的實戰(zhàn)問答整理成結(jié)構(gòu)化條目問進口漿料換成國產(chǎn)漿料后烘箱參數(shù)要不要調(diào)答要調(diào)。國產(chǎn)漿料的溶劑揮發(fā)曲線靠后一段溫度下調(diào)5℃二段、三段適當上調(diào)3℃走帶速度降低0.5m/min否則容易產(chǎn)生表面裂紋。適用條件涂布面密度在180-200g/㎡ 區(qū)間走帶速度25-30m/min?？匆妳^(qū)別了嗎前者是“知識”后者是“經(jīng)驗”。智能體只有喂了足夠多“經(jīng)驗形態(tài)”的數(shù)據(jù)回答才能對產(chǎn)線的人真正有幫助。在AI低代碼平臺里這個過程基本可以做成三步把問答對整理成Excel表格導(dǎo)入知識庫后臺自動做向量化切分然后在你搭建的應(yīng)用里掛載好這個知識庫設(shè)置好引用閾值。沒有多復(fù)雜但內(nèi)容質(zhì)量決定了智能體的上限。3.3 過程工具編寫讓智能體學會“查數(shù)”而不是“編數(shù)”大模型一個臭名昭著的問題就是幻覺——它會在沒有數(shù)據(jù)的時候一本正經(jīng)地胡說八道。在工業(yè)場景里這是不可接受的。所以智能體必須學會“先查數(shù)再說話”。我用的辦法是給智能體配置一個數(shù)據(jù)查詢工具。在AI低代碼平臺上這個動作通常被封裝成一個“自定義工具”節(jié)點。我用Python寫了一個簡單的查詢函數(shù)大概長這樣def query_process_data(start_time, end_time, equipment_id, params): 從MES/SCADA數(shù)據(jù)庫查詢工藝參數(shù)時序數(shù)據(jù) conn get_mes_connection() sql f SELECT record_time, param_name, param_value FROM process_data WHERE equipment_id {equipment_id} AND record_time BETWEEN {start_time} AND {end_time} AND param_name IN ({format_params(params)}) ORDER BY record_time df pd.read_sql(sql, conn) return df.to_json(orientrecords, force_asciiFalse)然后在智能體的系統(tǒng)提示詞里明確寫一條規(guī)則所有涉及具體數(shù)值的回答必須先調(diào)用query_process_data工具獲取數(shù)據(jù)嚴禁根據(jù)訓練數(shù)據(jù)猜測產(chǎn)線實時參數(shù)。這一步是整個智能體落地里最重要的一道保險。之后用戶問“3號涂布機上午9點到10點的粘度波動情況”智能體的執(zhí)行路徑是識別意圖→抽取設(shè)備ID和時間范圍→調(diào)用工具→拿到JSON數(shù)據(jù)→組織語言回答。整個過程在低代碼平臺的日志里全部可見出了問題能溯源。3.4 預(yù)警觸發(fā)的低代碼編排設(shè)置“AI判斷人工確認”雙保險數(shù)據(jù)查詢是“被動響應(yīng)”預(yù)警必須做成“主動觸發(fā)”。在AI低代碼平臺的流程編排面板里我搭了一個這樣的事件流數(shù)據(jù)源節(jié)點每分鐘拉取一次關(guān)鍵設(shè)備的最新工藝參數(shù)。規(guī)則初篩節(jié)點先用傳統(tǒng)SQL規(guī)則把明顯正常的時段過濾掉比如參數(shù)完全在規(guī)格范圍內(nèi)且無趨勢波動的直接丟棄不浪費AI資源。AI分析節(jié)點剩下疑似異常的數(shù)據(jù)交給智能體做上下文分析。智能體會結(jié)合前30分鐘的趨勢、同批次其他機臺的數(shù)據(jù)、材料切換記錄判斷是真異常還是工況切換的正常波動。分級通知節(jié)點確認異常后按嚴重程度分三級——黃色通知班組長橙色通知工藝工程師紅色同時通知生產(chǎn)經(jīng)理并自動生成異常報告草稿。人工確認節(jié)點所有預(yù)警都需要工程師在頁面上點一下“確認/誤報”這個反饋會回流到知識庫成為智能體后續(xù)迭代學習的語料。這個編排最巧妙的地方在于“規(guī)則初篩AI精判”的組合既控制了成本又提高了準確率。傳統(tǒng)規(guī)則引擎一天可能誤報幾十次工程師最后把預(yù)警功能直接屏蔽了。加了AI判斷之后誤報數(shù)量大幅下降預(yù)警的“信用額度”才慢慢恢復(fù)。4. 多智能體協(xié)作從單點工具到產(chǎn)線調(diào)度助手4.1 為什么需要兩個以上智能體“打配合”跑通單個問答和預(yù)警智能體后我很快遇到了新問題產(chǎn)線上的問題往往是跨領(lǐng)域的一個智能體Hold不住。比如設(shè)備工程師問“2號卷繞機今天張力波動偏大有可能是哪里的機械問題對電芯質(zhì)量有什么影響”這個問題包含了兩層訴求設(shè)備診斷質(zhì)量影響分析。如果只用單一智能體它要么側(cè)重設(shè)備要么側(cè)重工藝很難兩邊都答得專業(yè)。所以我又搭了第二個智能體——質(zhì)量分析智能體然后把第一個工藝知識智能體升級成設(shè)備診斷智能體最后通過低代碼平臺的“多智能體編排”能力讓它們協(xié)同工作。4.2 多智能體的協(xié)作模式我是這么編排的在低代碼平臺里多智能體協(xié)作不是讓兩個機器人自由聊天而是需要設(shè)計一個“主導(dǎo)-協(xié)作”的結(jié)構(gòu)**主導(dǎo)智能體生產(chǎn)綜合助手**負責接收用戶問題拆解任務(wù)判斷該調(diào)用哪個專業(yè)智能體匯總多方結(jié)果輸出統(tǒng)一回答。**專業(yè)智能體設(shè)備診斷/質(zhì)量分析/排產(chǎn)建議**負責各自領(lǐng)域內(nèi)的深度分析返回結(jié)構(gòu)化結(jié)論。我在實際流程里定義了一個簡單的任務(wù)分發(fā)協(xié)議用戶提問后主導(dǎo)智能體先做意圖分類。如果問題涉及設(shè)備標記need_device_analysis: true并把問題發(fā)給設(shè)備診斷智能體。如果還涉及質(zhì)量影響再標記need_quality_analysis: true把設(shè)備診斷的結(jié)果作為上下文連同原問題一起發(fā)給質(zhì)量分析智能體。兩個專業(yè)智能體返回結(jié)果后主導(dǎo)智能體做信息融合生成一份包含“問題原因-影響評估-處理建議”的結(jié)構(gòu)化報告。用AI低代碼平臺的畫布去拖這個流程體驗上像在搭積木。每個智能體是一個節(jié)點節(jié)點之間有清晰的輸入輸出映射流程一目了然后續(xù)要加一個新的專業(yè)智能體只需要新建一個節(jié)點然后接上就行。這個過程也讓我意識到一個趨勢今后工廠里的智能體不會只有一個而會是一個“智能體團隊”。低代碼平臺的價值正在于讓工廠IT人員不需要寫復(fù)雜調(diào)度代碼就能組合出一個多智能體系統(tǒng)。4.3 一個真實的聯(lián)動案例說個實際跑通的場景。有段時間3號卷繞機頻繁出現(xiàn)極片斷裂停機設(shè)備工程師在系統(tǒng)里提問“最近兩天3號機張力波動和極片斷裂的關(guān)聯(lián)規(guī)律是什么有沒有提前預(yù)判的可能”兩個智能體的協(xié)作過程是這樣的設(shè)備診斷智能體從SCADA系統(tǒng)調(diào)出張力曲線結(jié)合設(shè)備維護記錄發(fā)現(xiàn)張力波動幅度從±1.5N擴大到了±3.8N且集中在加速段。它初步判斷是收卷卷徑變化過程中張力PID比例-積分-微分控制參數(shù)沒有跟隨補償屬于控制參數(shù)匹配問題。質(zhì)量分析智能體拿到這個結(jié)論后進一步調(diào)取同期成品電芯的形貌檢測數(shù)據(jù)發(fā)現(xiàn)極片斷裂時刻對應(yīng)的電芯位置確實有微小的“月牙紋”缺陷。它在報告里補充了一條若張力波動持續(xù)后面可能出現(xiàn)批量性的極片褶皺不良。最終系統(tǒng)給出的建議是在收卷卷徑達到80mm時自動切換第二套張力PID參數(shù)同時建議當天下午安排一次糾偏輥的同心度檢測。這個報告生成后設(shè)備工程師照著做了結(jié)果當天的斷裂次數(shù)從7次降到了2次。這個案例讓我確信有價值的不是單個智能體的“聰明”而是多個智能體協(xié)作時能覆蓋問題的完整鏈路。5. 關(guān)于“智能體接管產(chǎn)線”的冷靜思考5.1 技術(shù)邊界AI是副駕駛不是自動駕駛我必須潑一盆冷水現(xiàn)在談AI智能體完全接管產(chǎn)線還太早。一方面大模型的推理穩(wěn)定性還做不到100%可靠。在允許范圍內(nèi)波動可以接受但在控制設(shè)備直接動作方面一旦出錯的代價太高我沒有魄力把控制權(quán)完全交給AI判斷。這也是我在架構(gòu)里刻意保留“人工確認節(jié)點”的根本原因。另一方面新能源工廠的工藝數(shù)據(jù)里異常工況的樣本天然稀缺。模型很難從歷史數(shù)據(jù)里學到“它沒見過的事故”。所以現(xiàn)階段智能體的正確定位是“超級助理”——它能把老師傅的經(jīng)驗放大10倍能7×24小時盯數(shù)據(jù)、能瞬間檢索歷史案例、能生成邏輯清晰的報告但最終決策必須由人來拍板。5.2 組織阻力比技術(shù)更難啃的骨頭說句得罪人的話智能體落地最大的阻力往往不是技術(shù)不行而是“人不愿意用”。我在一家工廠推工藝問答智能體時幾位工作了十幾年的老工程師很抵觸他們覺得“一個聊天機器人能懂什么工藝”。后來我是怎么破局的我請一位最配合的老師傅把他在一次棘手異常處理里的完整思路整理成了50多組問答對喂進知識庫。然后當眾讓智能體回答了幾個新來的技術(shù)員提的刁鉆問題答得又快又準。從那以后老師傅的態(tài)度從“不屑”變成了“它把我經(jīng)驗學走了我得看著點它學得對不對”。這個轉(zhuǎn)變很有意思——智能體反而變成了老師傅“數(shù)字分身”的載體讓他們有了參與感和成就感。組織層面我還想分享一個心得智能體落地初期不要追求覆蓋率要打造“樣板間”。選一條產(chǎn)線、一類設(shè)備、一群愿意嘗鮮的工程師把體驗做到極致讓效果自己說話。等別人看到實實在在的價值推廣就水到渠成了。5.3 成本賬這么搞到底值不值最后算一筆成本賬。做一個工藝知識問答智能體預(yù)警智能體從數(shù)據(jù)接入到上線運行人力投入大概是一個懂業(yè)務(wù)的IT人員全職2個月加上工藝工程師每周4小時的知識梳理支持。平臺成本方面低代碼工具加模型API調(diào)用一個中等規(guī)模的工廠一年下來總體費用控制在幾十萬級別——注意是一次性的系統(tǒng)搭建加一年的運行成本?；貓笤趺此氵€是拿前面的卷繞機案例說一天減少5次極片斷裂停機每次停機損失約30分鐘產(chǎn)能和一段廢料一個班次就省出兩三個小時的有效產(chǎn)出。一年算下來這個改善覆蓋智能體項目成本綽綽有余。更別提那些“避免了一起批量質(zhì)量事故”的隱性收益這種案例只要發(fā)生一次整個項目回本就不止了。6. 我踩過的三個坑你們別再踩了6.1 坑一讓大模型直接讀數(shù)據(jù)庫表結(jié)構(gòu)我第一次做數(shù)據(jù)查詢工具時圖省事直接把數(shù)據(jù)庫的表結(jié)構(gòu)信息扔給了大模型讓它自己生成SQL。結(jié)果就是它偶爾會生成語法對但邏輯完全錯誤的SQL——比如在關(guān)聯(lián)工序表的時候沒按產(chǎn)線ID過濾一下子查出全廠的數(shù)據(jù)。后來我學乖了數(shù)據(jù)查詢工具的參數(shù)必須在低代碼平臺里用“結(jié)構(gòu)化參數(shù)”限定。查詢時間范圍、設(shè)備編號、參數(shù)名稱全部以下拉框或預(yù)置參數(shù)形式給到模型模型只負責理解意圖并填充參數(shù)不負責自由發(fā)揮SQL。這個改動之后數(shù)據(jù)查詢的錯誤率幾乎降到了零。這里面有個認知大模型擅長的是“語義理解”和“表達生成”不是“精準計算”。在工業(yè)場景里凡是涉及精確執(zhí)行的環(huán)節(jié)都要用規(guī)則和約束框住它把它當“聰明的調(diào)度員”而不是“全能的執(zhí)行者”。6.2 坑二知識庫里的“過時經(jīng)驗”沒人清理知識庫上線三個月后我發(fā)現(xiàn)一個嚴重的問題智能體回答的準確率開始悄悄下降。排查半天原因是一位工程師把針對某批次材料的老經(jīng)驗問答對錄入了知識庫但新材料切換后那套經(jīng)驗已經(jīng)完全不適用了。智能體檢索時無法區(qū)分新舊經(jīng)常給出過時建議。解決辦法是建立知識庫的“時效性管理”機制每條問答對必須有錄入日期、適用材料型號、適用設(shè)備編號關(guān)鍵條目還要設(shè)有效期。在低代碼平臺里我給知識庫管理頁面加了一個“過時歸檔”狀態(tài)定期讓工藝負責人審核一遍不適用就標記歸檔。“知識庫和工藝一樣是需要版本管理的。”這句話我現(xiàn)在逢人就講。6.3 坑三智能體的“自信”會讓工程師放松警惕最后一個坑比較微妙。預(yù)警智能體上線初期準確率很高工程師們慢慢形成了“AI說了沒事就是沒事”的慣性。有一次模型因為訓練數(shù)據(jù)偏差把一個真實異常判斷成了“正常工況切換”導(dǎo)致反饋慢了半天雖然沒有造成嚴重后果但把我們嚇了一跳。我現(xiàn)在在系統(tǒng)里強加了兩個機制一是智能體給出的“正?！迸袛啾仨毟綆Ш喴慕忉尡热纭皡?shù)在歷史分布的第45百分位波動幅度在正常范圍”二是關(guān)鍵設(shè)備每天凌晨自動匯總前24小時AI判斷的“低風險記錄”由工程師快速掃一眼做二次復(fù)核。人在回路不是一個開關(guān)而是一種需要持續(xù)維護的制度。7. 下一步從“智能體應(yīng)用”走向“智能體組織”做完了單點和多點智能體我現(xiàn)在在思考一個更大的問題智能體如何重構(gòu)工廠的知識管理和決策機制。過去工廠的知識存在人的腦子里存在老師傅的筆記本里存在被遺忘的郵件里?，F(xiàn)在有了智能體和低代碼平臺這些知識第一次有了一個可以持續(xù)積累、迭代、復(fù)用的載體。我在規(guī)劃中的下一步是建設(shè)一個“工廠知識中樞”——把工藝經(jīng)驗、設(shè)備故障案例、質(zhì)量異常分析報告、供應(yīng)鏈變動應(yīng)對策略全部接入統(tǒng)一的智能體知識體系讓任何一個崗位的員工都能用自然語言隨時調(diào)用全廠的歷史智慧。這個事如果真做成了新員工上手的時間可以從半年縮短到一個月老師傅的經(jīng)驗再也不用擔心失傳。我認為這才是“智能體拐點”的真正含義——不是某一臺設(shè)備變聰明了而是整個組織的經(jīng)驗和決策模式經(jīng)歷了一次結(jié)構(gòu)性的升級。AI低代碼的價值本質(zhì)上是把這種升級的門檻降到了工廠IT團隊自己能掌控的范圍。不需要養(yǎng)一支昂貴的算法團隊不需要從零訓練模型用成熟的模型能力加上合理的流程編排就能在幾個月內(nèi)讓工廠長出“會思考的神經(jīng)系統(tǒng)”。這條路我已經(jīng)驗證過走得通下一個走通它的工廠會是誰呢。