别人对着电脑说句话就选好型了你还在展会上收手册?

我先说个场景你看眼不眼熟。

项目里要选一个滚珠轴承。内径25毫米。转速8000RPM。寿命要求一万次循环。

你打开米思米官网。输入参数。翻了二十页。型号太多。参数表格密密麻麻。你不确定哪个系列最合适。

你又打开怡合达。发现另一套分类逻辑。价格不一样。交期不一样。

你想对比一下NSK和SKF的同规格产品。但两家的技术手册格式完全不同。你得分别下载两个PDF，自己对着Excel一列一列填。

最后你想确认一下这个轴承在你的工况下会不会过热。你需要找到热分析的相关资料。搜了半天，找到一篇论文，但是2018年的。

整个过程花了大半天。然后你领导问你，「轴承选好了吗？」

这个场景每天都在机械设计部门上演。

选型这件事的痛苦不在于「没有信息」。恰恰相反。

信息太多了。但是散落在几十个供应商网站、几百份PDF手册、几千个论坛帖子里。

格式不统一。参数定义不统一。更新时间不统一。你不知道哪份手册是最新版。你不知道这个参数是在20度测的还是80度测的。

传统的解决方案是什么？跑展会。

每年去一次中国国际工业博览会。或者CIMT。或者各种地方机械展。

在展会上做什么？收资料。跟供应商换名片。听技术报告。拿样本手册。

回来以后呢？那些手册堆在柜子里。名片扔进抽屉。样品不知道放哪了。

三个月后你需要选一个减速机的时候，你又开始从零搜索。

2026年这件事正在被改变。

怡合达上线了AI智能报价系统。你上传一张图纸，AI自动识别特征和参数，直接给你报价。不需要人工审图。以前定制件报价要等一两天，现在分钟级。

米思米在持续深化它的选型软件和CAD库集成。你在SolidWorks里设计，直接从插件里搜米思米的零件，拖进来就能用。不需要切换网页。

国外有个工具叫Leo AI（getleo.ai）。你可以用自然语言描述你的需求。比如「给我找一个内径25毫米、转速8000RPM、寿命一万次的滚珠轴承」。它从1.2亿个供应商零件数据库里帮你筛选，还能直接集成到你的CAD环境里，不用切换网页。

还有一个叫bananaz AI的平台。它不光帮你选型，还自动做DFM检查。你设计完一个零件，它告诉你这个特征加工起来会有问题，建议你怎么改。

TraceParts提供了超大规模的3D模型库。越来越多的供应商把自己的产品模型放在上面。你不需要再手动建那些标准件的3D模型了。

这些工具的共同趋势是什么？

把选型从「人找信息」变成「信息找人」。

再说说二次开发这块。很多机械工程师每天干的活里有大量重复操作。批量出图，填BOM，改属性，导PDF。这些事完全可以用宏和插件自动化。

国内有个叫SolidKits的工具集。参数化设计、自动出BOM、批量编码、属性管理，甚至能跟ERP系统对接。CSDN和博客园上用的人很多。还有一个叫迈迪工具集的，做非标自动化和结构设计的工程师用得比较多。

国外有个网站叫CodeStack（codestack.net）。上面全是经过验证的SolidWorks API代码示例。你想写一个「批量把装配体里所有零件导出为STEP」的宏，上去搜就有。

如果你嫌自己写麻烦，SolidWorks自带一个Task Scheduler任务调度器。定时批量转格式、批量打印，官方工具就能干。

2026年的新变化是，这些二次开发的活儿你可以让AI帮你写了。用Cursor或者DeepSeek描述你想要的功能，AI帮你生成VBA或C#代码。你不需要从零学编程。你只需要知道SolidWorks能做什么，然后告诉AI。

你不再需要翻二十页目录。你描述你要什么，AI帮你匹配。你不再需要下载两份PDF对比。AI帮你把参数拉到同一张表里。

但问题来了。

AI帮你选的型号，你敢直接用吗？

如果你做的是消费电子的外壳，错了大不了改模。如果你做的是航空发动机的轴承座，选错了会出人命。

这就回到了那个核心问题。

AI给你效率。但判断对不对，还是你的事。

选型这件事里有大量的工程经验是AI目前无法替代的。比如你知道某个品牌的轴承在高温环境下实际寿命比手册标的短20%。这种信息不在任何官方文档里。它在你和同行的交流里。它在你跑了三年现场积累的直觉里。

所以AI优化选型的正确姿势不是让AI替你做决策。

而是让AI帮你把搜索时间从半天压缩到十分钟。然后你用省下来的时间做真正需要工程判断力的事。

比如验证这个轴承在你的实际工况下能不能用。比如考虑供应链风险——这个供应商万一断货有没有替代方案。比如算一下总拥有成本而不只是采购单价。

你需要一套过滤系统。把信源分成三级。然后用面搜索展开——搜到一个有用的关键词，用它继续搜。三轮下来你的信息边界就比大多数人深两层了。

2026年的展会不是不值得去。但去展会的目的应该变了。

以前去展会是为了获取信息。现在信息在网上都能找到。

去展会应该是为了验证信息。你在网上看到一个供应商的产品参数很好，去展会现场摸一下实物，跟应用工程师聊半小时。这半小时的价值远超你在网上搜三天。

另外关注一件事。你去展会的时候，看看哪些供应商提供了云端配置工具和API接口。2026年的一个趋势是，好的供应商不只卖零件，卖的是数字化的选型服务。能跟你的CAD/PLM系统直接对接的供应商，后续的技术支持响应速度通常也更快。

那具体怎么建？

很多人到这一步就停了。知道要建，但不知道怎么落地。

我说一个思路。

先把你需要的信息分成两类。

第一类是「能搜到的」。 供应商参数、软件教程、行业报告、开源代码。这些信息在互联网上存在。你不需要自己维护。你需要的是一套高效的搜索和过滤方法。上面说的三级信源加面搜索就是干这个的。

第二类是「搜不到的」。 你知道某个品牌的减速机在高湿环境下齿轮磨损比标称值快。你知道某个供应商的交期经常延迟两周。你知道上次那个项目为什么选了方案A而不是方案B。

这些东西在任何搜索引擎里都找不到。它在你脑子里。在你同事的口头经验里。在你跑现场三年积累的直觉里。

这类信息如果不记录下来，随着时间推移就会丢失。人会忘。人会离职。

所以你需要一个地方把这些东西存起来。

最简单的做法是用飞书或者Notion建一个个人知识库。

飞书现在有一个叫lark-cli的命令行工具。官方开源的。你装上以后，AI Agent可以直接读写你的飞书文档和知识库。比如你用Claude Code写了一段SolidWorks宏，可以让它自动把代码和使用说明存到你的飞书知识库里。

架构很简单。

存储层用飞书知识库或者本地Markdown文件夹。

处理层用AI。Claude Code、Cursor、DeepSeek这些工具现在都支持读取本地文件夹。你可以让AI直接搜索你自己的知识库。

调用层用Skill。你把自己的工程经验封装成一个个Markdown文件。每个文件有标题、适用场景、具体步骤。AI在需要的时候可以调用。

关键不在于结构多精美。关键在于你持续往里写。

每次踩坑了，写一条。三分钟的事。日期加问题加解决办法。

每次选型有了新发现，写一条。哪个品牌好用，哪个品牌踩雷。

每次看到一个好的教程或工具，写一条。链接加你自己的评价。

三个月以后，你会发现你有了一个别人花钱都买不到的东西。一个只属于你的、充满了真实工程经验的数据库。

而且这个数据库可以被AI读取。下次你做类似的项目，你问AI「我之前在高温环境下选轴承有什么经验」，它能从你自己的知识库里给你答案。

但这里有个问题必须说。

信息安全。

你的工程经验里可能包含公司的商业秘密。供应商报价。项目图纸。工艺参数。

如果你用云端工具存这些东西，就必须考虑数据泄露的风险。

飞书的企业版有权限控制和数据加密。但如果你用的是个人版，或者用的是第三方AI工具，数据安全就是你自己的责任。

更安全的方案是本地化。用Obsidian存在本地硬盘上。用AnythingLLM之类的工具把你的文档向量化，配合Ollama跑本地模型做语义检索。数据不出你的电脑。

但本地化的问题是不方便。你在工位上写的东西，回到家看不到。出差的时候用不了。

这就是事物的两面性。

云端方便但有泄露风险。本地安全但不够灵活。

我的建议是分层处理。

公开知识（教程/报告/开源代码）→ 放云端

敏感知识（报价/图纸/工艺）→ 放本地，AnythingLLM + Ollama

中间地带（踩坑经验/选型偏好）→ 脱敏后放云端