夜雨聆风今天和一个做通用机械的朋友聊到AI，他们公司去年花大价钱买了一体机、上了某大厂的一套AI系统，说是"智能化升级"。
我问他现在主要用来干什么。
他想了想："问问报告怎么写，偶尔帮我查查资料。"
这就是很多制造企业AI落地的真实写照。钱花了，系统上了，用的还是通用AI的皮，本质上就是个稍微高级点的搜索框。
问题不在于企业不认真，而在于通用AI Agent平台本来就不是为制造业设计的。
通用平台干不了的活，多具体？
拿设备维护来说吧。
一台冶炼炉的振动频率从正常的18kHz飘到了22kHz，这是什么意思？需要停机检修吗？还是调整一下工艺参数就能过关？
通用AI不知道。它没见过这台设备的历史维修记录，不知道这个型号在这个温度区间下的正常振动范围，更不了解这条产线过去三年出过什么故障。
制造业AI Agent应该知道。它能把这个数据和设备档案、历史工单、工艺规程对照，给你一个明确判断："振动超标8kHz，结合上周润滑油更换记录，建议72小时内检查轴承"，而不是"建议咨询专业技术人员"。
这个差距，来自于行业知识有没有真正进入系统。
制造业知识，不是上传几份文件就有了
很多人以为，把设备手册、工艺文件传到知识库里，AI就"懂制造业"了。
这个理解差得远。
制造业的知识有几个特点，是文件本身解决不了的。
知识有格式壁垒。工程图纸是DWG或STP文件，工艺路线是CAPP或者MES里的结构化数据，设备状态是SCADA实时采集的时序流，BOM是PLM系统里的多层级树状结构。这些东西没有一个是PDF，通用知识库根本消化不了。
知识之间有关联。一张图纸对应一条工艺路线（当然也可能多条），一条工艺路线关联若干工序，每个工序有设备要求和质量检测节点。这些不是孤立的文档，是一张网。Agent要在这张网上推理，而不只是找相似文本。
很多关键知识只存在老师傅脑子里。GD&T公差的实际判断经验、某台设备的"脾气"、哪道工序容易出什么问题——这些内容不在任何文件里，要靠行业积累去结构化沉淀，没有捷径。
所以制造业知识库的建设，本质上是个知识工程问题，不是数据导入问题。
Agent要干的活，不是"回答问题"
通用AI Agent很擅长回答问题。你问，它答，结束。
制造业现场需要的往往不是答案，而是执行。
工艺工程师遇到一个尺寸超差问题，他不只需要"这个问题可能的原因有以下几点"，他需要Agent直接去PLM里查这个零件最近三版图纸的变更记录，调出MES里这批次的加工参数，对比标准工艺规程，给出一个有依据的根因判断，顺手发起工程变更请求（ECR）。
这是一个多步骤的自主执行过程，需要Agent能同时操作多个系统。
我们在平台里为制造业场景构建了两个核心连接器。
CAD MCP，让Agent能直接读写CAD文件，理解几何特征和约束关系，不只是看个缩略图，而是真的能解析模型。做变型设计的时候，客户给了新规格，Agent可以直接在原模型基础上完成参数化修改，工程师审核就好，不用从零开始画。
PLM MCP，打通产品生命周期系统，Agent能查BOM、读变更历史、触发审批流、追踪版本。产品数据不再是AI看不到的黑箱，而是Agent推理的输入和执行的出口。
当然，不仅如此，产品生命周期过程中还涉及到很多系统需要MCP连接打通，很多工具Tools需要调用，很多老师傅的经验需要沉淀成Skills复用。
几个实际场景
1．新品开发
客户提了一个定制规格，研发工程师以前要先查同类产品，找参考案例，然后画草图，提交评审。有了Agent之后，它从行业知识库里自动检索同类产品案例，调用CAD MCP生成结构草案，通过PLM MCP发起设计评审流程。工程师接到的不是一个空白任务，而是一个有基础方案的评审包。
原来3天的初稿准备，现在半天。
2.故障响应
生产线报了一个质量异常，操作员不确定是设备问题还是物料问题。Agent实时读取设备运行数据、这批原材料的入场检测记录、最近的工艺调整记录，交叉比对之后给出判断：设备运行正常，振动在范围内；这批原材料硬度批次报告显示略偏高，建议调整切削参数后再复检。
这个判断以前要靠有经验的工程师摸排，现在Agent 10分钟出结论，工程师做最终判断。
3.质量追溯
出了一批不合格品，客户要求提供完整的质量档案。以前要翻MES、ERP、检测系统好几个地方，两三天才能凑齐。Agent输入批次号，自动串联设计版本、工艺参数记录、检测数据、操作员班次、设备状态，10分钟输出完整质量档案。
落地的时候，真正的拦路虎是什么
技术上的问题，其实都有解。
真正麻烦的是两件事。
一是数据质量。很多工厂的数据是"半手工"状态，有系统，但数据录入靠人，格式不统一，历史数据缺口大。Agent的推理质量直接取决于数据质量，这个基础不打好，AI能力再强也没用。
二是人的接受度。老师傅担心AI抢饭碗，工程师觉得AI给的建议不靠谱，管理层觉得AI是花架子。这不是培训一下就能解决的问题，得让人在真实场景里看到AI帮他省了麻烦，才会真正愿意用。
所以落地不是"部署系统"，而是找到一个痛点足够明显、数据质量相对好的场景先跑通，让一批人先用起来，再慢慢扩。
最后
通用AI Agent和制造业AI Agent，差的不是功能多少，而是有没有制造业基因。
前者是把AI能力装进一个通用容器，让各行业自己想办法用。后者是从制造业的实际工作方式出发，把AI能力嵌进工程师、工艺员、质检员每天的工作流里。
我们做的是后者。20多年的行业积累不是营销词，是每一个工具、每一个知识模块背后的设计依据。
如果你也感兴趣，欢迎与我们联系。
