建立知识库
整理 SOP、设备说明书、维修记录和培训资料，让问答可以引用原始章节。
第一阶段只做一件事
验证企业已有生产记录，能不能产生以前看不到的质量、设备或交付线索。没有足够证据时，结果会明确标记为待确认，而不是让模型猜答案。
一批现场数据如何变成 AI 能力
企业始终掌握资料范围、指标口径和最终结论。
统一数据口径
把 Excel、CSV、工单和设备导出映射到工序、设备、批次、现象等共同字段。
分析趋势与关联
用统计方法观察返工、良率、停机和交付变化，再用 AI 归并相似描述。
复核异常候选
把偏离基线的记录串成证据链，由品质、设备和生产人员确认是否需要处置。
交付的是一条可复核的 AI 工作链
从资料和数据进入，到工程人员确认，每项结果都保留来源、判断状态和下一步入口。
制造知识问答
让员工用自然语言查 SOP、设备手册和维修经验，回答带引用，版本可追踪。
质量与设备趋势
观察返工率、良率、停机时长和批次差异，从汇总指标回到原始记录。
异常候选与证据链
识别偏离基线的组合，串联设备、班次、材料和检验结果，交给人复核。
内部工具与流程接入
把问答、分析和复核入口接进企业已有系统，而不是再增加一个孤立平台。
AI 负责理解，
人负责确认。
模型可以归纳表达相近的现场现象，但不能凭一句备注确认责任，也不能替代工程师决定是否改变工艺。
- AI 可以做
- 文本分类、字段提取、相似记录聚合、异常候选提示。
- 必须由人完成
- 原因确认、质量责任判断、供应商处理和生产变更。
哪些企业适合先试
记录已经积累
有几百条以上工单、检验、设备或交付记录。
描述不够统一
同类问题散落在表格、备注和聊天记录中。
想连接现场
希望把数据进一步关联到工序、设备、批次和责任人。