制造业 AI 技术栈全景图

为什么需要一张全景图

一张图看懂：从大模型到工厂数据，中间隔了几层？从传感器到 Agent，工厂要接的东西有六层——先看清再花钱

你可能听过 RAG、Agent、MCP、Function Calling、本体论……这些概念单独看都懂，但放在一起就懵了——它们是什么关系？谁调谁？数据怎么流？

更麻烦的是：预算会上有人问"能不能上个 Agent"，另一个人说"我们缺数据底座"，第三个人说"先把知识库做好"。三个人说的都对，但三个人做的不是一件事。

这篇把制造业 AI 的技术栈拆成六层，说清每层解决什么问题、谁是前提谁是结果。顺序搞反，钱就白花。

六层技术栈

制造业 AI 不是一个"大模型"就能搞定的，它需要六层配合：

┌──────────────────────────────│  第六层  业务场景             排产/质检/维护 ├──────────────────────────────│  第五层  智能体 Agent          巡检/域代理/Copilot├──────────────────────────────│  第四层  知识与记忆            RAG/本体/记忆    ├──────────────────────────────│  第三层  工具层              35 个制造工具/MCP├──────────────────────────────│  第二层  LLM 引擎             Provider 链/降级├──────────────────────────────│  第一层  数据基础             ERP/MES/APS/WMS/IoT└──────────────────────────────

自下往上依赖，不是自下往上堆钱。第一层没做扎实，第五层做得再漂亮也是空中楼阁。

每层解决一个问题：

类比这套不是为了好懂，是因为它能解释为什么工厂里的AI 项目总是卡住：大脑再灵活，没有神经系统就是瘫的；手脚再多，够不着东西就是空的。

每一层展开看

第一层：数据基础

所有 AI 能力的根基是真实数据。一个工单在哪台机台上、卡在哪道工序、批次号是多少——这些不在生产库里，AI 就只能编。

ERP（财务/订单）─┐PLM（设计/BOM）──┤MES（生产/报工）──┼──→ 统一数据层 → AI 才可用APS（排产）──────┤WMS（仓储）──────┤QMS（质量）──────┤IoT（设备）──────┘

关键原则：一套数据，一个真相。同一个物料编码、同一个工单号、同一个批次号，全链路不变"主语"。

这句话听起来平淡，但它是后面五层能否落地的前提。实践里最常见的翻车不是模型不行，是同一个工单在 MES 里叫 WO-0891、在 WMS 里叫 0891-S、在财务里又是另一串数字——AI 拿到的是两件事，自然答不对。

第二层：LLM 引擎

大语言模型提供"思考能力"，但在制造场景不能只用一家：

用户问题   ↓LLM Provider 链   ├── 优先：DeepSeek（中文强、成本低）   ├── 备选：GPT-4o（推理强）   ├── 兜底：本地 Ollama（离线可用）   └── 降级：规则引擎（LLM 全挂时）

三个设计要点：

• 链式降级
  ：一家挂了自动切下家，产线不因为外部 API 停摆
• Function Calling
  ：LLM 不直接操作数据库，只说"要调哪个工具、传什么参数"
• 成本控制
  ：Token 用量要能追踪，否则月底账单会让人怀疑人生

工厂的网络环境现实得很——很多厂区带宽有限、还隔着一道工控网段。所以本地模型兜底不是"高级配置"，是保命方案。

第三层：工具层

LLM 有了"思考能力"，还需要"手脚"来执行。Aethon 这层的实际配置是：

每个工具 = 一个函数 + 一份 JSON Schema（参数描述）。LLM 看到 Schema 就知道"这个工具能干什么、需要什么参数"。工具的具体设计是第 08 篇的主题，这里先记住数量和分类。

查询和执行分开，不是为了好看——见下文"为什么分成两类"。

第四层：知识与记忆

光有工具还不够，AI 还得"懂行"：你们厂的 SOP 是什么、工艺路线怎么走、上次这个异常是怎么定的责。

这层的现实难点不是技术，是文档根本不在。很多厂SOP 躺在某个共享盘的角落里，是十年前某个离职工程师写的扫描件。这层的工作量，八成在整理资料而不是写检索。

第五层：智能体

有了工具和知识，AI 可以作为"员工"自主工作：

前两类的区别是主动权：巡检自己决定什么时候查、域代理限定自己能碰哪些表、Copilot 只在你问的时候才动。

第六层：业务场景

最顶层才是业务价值，也是唯一能被老板验收的一层：

数据怎么流

把六层串起来看一次完整的往返：

工人扫码报工 → MES 记录 → 统一数据层     ↓LLM 通过查询工具取到真实数据     ↓Agent 推理、比对、发现异常     ↓生成建议 / 工单草稿 / 报表     ↓推送给相关人的待办     ↓人审批 → 执行 → 审计留痕

关键点：数据从生产现场来，经过 AI 处理，回到生产现场去。不是"AI 看看数据"，而是"AI 帮你干活"。

这也是判断一个 AI 项目是真用还是假用的分水岭：流程末端有没有闭环。只走到"生成一份报告"就停的，本质还是个更贵的报表工具。

技术栈不是越多越好

见过太多这样的推进顺序：先买大模型，再补知识库，最后发现数据根本对不上。

原则：每一层解决它该解决的问题，不要跨层补位。

用开头的比喻：第一层的神经系统没通，你给大脑接再多手也没用。这不是技术判断，是投入产出判断——第一层的成本通常是后面五层加起来的好几倍，因为那不是写代码，是整理十几年积累的生产数据。

下篇预告

：LLM 是 AI 的"大脑"，但这个大脑在制造场景有五个特殊的坑——幻觉、中文术语、延迟、成本、单点故障。下一篇逐个拆解。

留言话题

如果让你现在只能先投一层，你选哪一层？

这个问题没有标准答案，但我猜大部分人第一反应是"LLM 引擎"或"Agent"，理由都是"先有聪明的脑子"。

真做过项目的朋友可以在留言里说说你们的实际顺序，以及哪一层实际比预期更费时间。我会在后续文章里专门写一期"六层的真实成本"，把大家的留言汇总对照着讲。

• 随时可以体验 Aethon 智能体：https://aethon.zhinengti.online（AI原生智造智能体）
• 了解 Aethon 与整体方案：https://www.zhinengti.online（智能体在线）

本文是「AI 原生智造·进阶」系列第 02 篇，共 26 篇。《智造进化论》系列从应用场景讲起，本季深入技术实现。