ARTICLE · 1081744
为什么你的 AI 助手,没人用第二次
“
模型是租来的，底座才是你自己的。
我见过不少这样的项目：演示那天，老板和车间主任都坐在一起看，AI 对答如流，大家点头鼓掌；上线两周后，后台的提问量掉到个位数。
你不能说技术不行——演示的时候挺行的。问题出在没人给它打地基。
最近看到的一份企业 AI 智能体平台方案，把地基讲得挺细：知识引擎、本体引擎、工作流配置、智能体评测、运营看板。这些名字听着都挺技术，但它们解决的其实是四个很朴素的问题——它查得到吗？它听得懂吗？它守规矩吗？它靠谱吗？
📌 本文看点
01
知识引擎与本体引擎
02
六条排程约束
03
评测与运营看板
WHY IT DIES
上线那天很惊艳，两周后没人点
一个 AI 助手死掉，通常不是因为模型不行，而是死在这三个地方：
答不上来。问它你们厂的设备型号，它答了一堆网上抄的通用知识。它不知道你厂里的事。
答错了没人知道。它偶尔编一个数值，现场照做，出了事才发现。没有评测，就没有可信度。
建议不能落地。它给了一个看起来合理的方案，但现场根本没这个设备、没这个料、排不进这个班。它不懂约束。
「惊艳靠模型，好用靠底座。」
下面这四层底座，就是那份方案里真正值得抄的部分。
LAYER ONE
底座一：知识引擎，让它查得到
知识引擎干的事，是把厂里的文档变成机器能查的资产。方案里分了三种库，这个分类很讲究：
文本知识库
作业指导书、管理制度、维修记录这类纯文字的，占大头。
多模态知识库
图片、图纸、视频也能一起存、一起搜。方案里明确支持以文搜图、以图搜图、图文混合搜图——这对设备图纸、外观检验、线边照片太重要了。
记忆知识库
把对话中沉淀下来的偏好和上下文存住，让它记得你昨天问过什么、常用哪条线。
真正决定效果的其实是最枯燥的一步：文档解析与分片。同样的 PDF，切成什么粒度、表格要不要转成 HTML、要不要按问答拆分，直接决定了 AI 答得准不准。
这一步没有捷径，就是脏活累活。但我想说的是：知识治理的质量，就是 AI 助手的智力上限。模型再强，也救不了一堆切碎了的烂资料。
LAYER TWO
底座二：本体引擎，让它听得懂人话
「本体」这个词，估计很多人第一次听会皱眉。我用一句工厂的话解释：它就是给机器看的一本字典。
当车间主任问「A 线这个月为什么老是停」，机器得先知道：A 线是哪个工作中心、停是指哪张表里的什么字段、老是停是跟哪个基准比。这些词如果没人翻译，AI 就只能靠猜。
方案里建的对象清单，全是车间的主角
原材料、生产设备、产品物料清单、产品、生产工作中心、生产人员、客户生产订单、标准工序，以及「工人分配至工作中心关联表」这种看着不起眼、但排程时天天要用的小表。
注意，本体不是让你把数据搬一次家，而是用 ETL 把业务系统的数据映射成一套统一的语义。ERP 里叫物料编码，MES 里叫料号，本体层统一叫「物料」——AI 才不会被两套说法绕晕。
💡 有了本体，AI 才能从「会查文档」升级到「会查事实」。这两件事的差距，就是玩具和工具的距离。
LAYER THREE
底座三：把车间的规矩教给它
这一部分是我看到那份方案时最惊喜的地方——它的本体层里，居然把排程约束一条条写成了规则。这不是通用 AI 厂商会做的事，这是真懂制造业的人才会做的事。
六条硬约束，句句是现场
做过排程的人一眼就能看出：这六条就是APS 里最硬的那几个约束条件。以前它们压在算法里，现在它们被写成了 AI 的常识。
「没有约束的 AI 给的是理论上可行，有约束的 AI 给的才是明天能排。」
这也是我觉得很多 AI 项目最该补的一课：别指望模型自己学会你们厂的规矩。规矩是你喂给它的，而且是越早喂越好。
配套的还有工作流配置：拖拽式的流程编排，把大模型、知识库、SQL、API 调用、联网搜索像积木一样拼在一起。比如问数场景，里面的链路是自然语言转 SQL、再交给大模型解读、最后用重排模型输出。这种活儿靠对话可做不稳，得靠编排。
LAYER FOUR
底座四：评测与运营，让它活得过三周
最后一层，也是被忽略得最彻底的一层。
先说评测
方案里的做法很实在：上传一套标准问答数据集，设一个裁判模型，让它把 AI 的回答逐条比对打分，自动算出准确率。案例里那次跑下来，671 道题平均评分 0.96，还能点开看每一道题的相似度等级和明细。
这件事为什么重要？因为智能体改一次提示词、换一次模型，效果是会变的。没有评测，你根本不知道这次改动是变好还是变坏，只能靠感觉。
671
标准测试题数
0.96
平均评分
再说运营
运营看板上有四组数字：输入 Token、输出 Token、总消耗、提问次数，还有智能体提问次数排名和 Token 消耗排名。
这些数字看着很技术，其实回答的是管理问题：哪个助手真的有人用，哪个人是在白花钱。我甚至觉得，这一页该拿给老板看——它比任何汇报都诚实。
💡 AI 不是一次交付的工程，是一个要长期养的岗位。没有评测和运营，它就是个没人管的实习生。
THE END
底座的活最脏，也最值钱
这四层底座，做起来都不性感：整理文档、建对象、写规则、跑测试，没有一项能拿去做演示。但它们决定了那个演示能不能活过三周。
如果说前几篇聊的是「AI 能干什么」，那这一篇聊的是凭什么它能干成。答案不在模型参数里，在你厂里的那堆文档、那几张表、那几条规矩里。
所以，如果你想开始动手，我的建议是反常识的：别先选模型，先选数据。挑一个你手边资料最全、规矩最清楚的场景——通常是设备或质量——把知识理干净，把规则写清楚，剩下的交给工具。
模型决定它能说多好，底座决定它能不能干活。
我是小七，一个在车间和代码之间来回跑的技术搭档。
如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。