2013.HK
香港联交所主板上市
完整建议书 · 基于您的自测结果
以下为面向制造业非核心岗位场景的 L1 / L2 / L3 分级 AI 本地私有化部署完整方案。系统已根据你上方勾选的环节，在第 8 章矩阵中高亮相关节点。
目录
执行摘要
制造业正在经历一场静默的"知识流失危机"：老师傅退休带走的不是 SOP，而是那些"看一眼便知、听一声就懂"的隐性经验。
这些经验当前只存在于人脑中，无法被系统调用、无法被新人复用、无法成为企业可继承的资产。
我们建议：以 「岗位经验 AI 本地私有化部署」为切口，用 「选岗 → 蒸馏 → 建库 + 对练 → 验收」四步法， 把售后、采购、销售、质检、设计等关键岗位的隐性经验，铸成私有化部署、数据不出厂、带出处引用的 AI 知识资产。 先从 1 个岗位 4 周 PoC 跑通，再沿业务链复制扩展——不碰生产实时控制、不替代人做最终决策、不导出任何工艺数据。
我们建议：以 「岗位经验 AI 本地私有化部署」为切口，用 「选岗 → 蒸馏 → 建库 + 对练 → 验收」四步法， 把售后、采购、销售、质检、设计等关键岗位的隐性经验，铸成私有化部署、数据不出厂、带出处引用的 AI 知识资产。 先从 1 个岗位 4 周 PoC 跑通，再沿业务链复制扩展——不碰生产实时控制、不替代人做最终决策、不导出任何工艺数据。
47家
已验证知识萃取四步法的制造企业
80–90%
AI 对练完成率（传统课仅15–20%）
2–3周
AI 对练上手周期（传统8–12周）
8–11月
制造业 AI 典型回本周期
合作安全底线 · 六不承诺
我们把安全边界写进合同首页，作为一切合作的前提。制造业涉及工艺机密、客户资料与质量责任，边界必须比银行更清晰：
一、不接触核心生产系统
ERP/MES/PLM 等核心系统零接入、零写入；实时控制层（OT）一律不碰。
ERP/MES/PLM 等核心系统零接入、零写入；实时控制层（OT）一律不碰。
二、不导出任何数据
所有文档处理、知识蒸馏、AI 问答发生在贵企业内网或私有化环境，不外传、不上公有云。
所有文档处理、知识蒸馏、AI 问答发生在贵企业内网或私有化环境，不外传、不上公有云。
三、不替代业务决策
AI 仅提供知识检索、对练、初稿与提示；采购定价、质量放行、客户承诺等最终决策权在人与制度。
AI 仅提供知识检索、对练、初稿与提示；采购定价、质量放行、客户承诺等最终决策权在人与制度。
四、不越权访问
仅使用经授权范围内的文档与数据，权限按部门 / 岗位 / 员工三级控制。
仅使用经授权范围内的文档与数据，权限按部门 / 岗位 / 员工三级控制。
五、不改动既有工艺与模型
不修改工艺参数、质检标准、设备控制逻辑等既有规则与模型。
不修改工艺参数、质检标准、设备控制逻辑等既有规则与模型。
六、不对客直出
对外内容均经人工审核留痕，AI 不直接向客户输出未审内容。
对外内容均经人工审核留痕，AI 不直接向客户输出未审内容。
背景与共识：为什么是现在
政策与产业推力
「智能制造」「新型工业化」持续加码；AI 私有化部署成本已降至区域制造企业可承受范围，DeepSeek / Qwen 等开源模型让"数据不出厂"成为可能。
同业已验证
上海"数字炉长"、振华重工焊接 AI、47 家制造企业知识萃取四步法——老师傅经验数字化已从概念进入可量化 ROI 阶段。
自身基础
贵企业已有 SOP、图纸、客诉记录、工艺参数等大量沉睡文档；缺的只是把"人脑经验"系统性提炼成"可搜索、可对练、可传承"的资产层。
痛点诊断：隐性经验断档的三条主线
制造业业务可归为研发工艺、生产运营、供应链、营销销售、售后财务五大条线。下表中，凡涉及"人脑判断、老师傅经验、跨岗位协同规则"的节点，均属可沉淀为岗位经验 AI 本地私有化部署的非核心场景；凡"实时控制层 / 核心交易系统"划入红线（L0），一律不碰。
主线一：人走经验没
关键岗位（售后、质检、采购、设计）依赖少数老师傅；退休、跳槽、疫情隔离即可导致产线/客户响应质量断崖式下跌。
主线二：新人成长慢
传统师带徒上岗周期 8–12 周，且老师傅没时间系统教；新人犯错成本高，企业不敢放手。
主线三：知识沉睡
SOP、客诉记录、工艺单散落在图纸、微信群、个人电脑里，查询困难、版本混乱、无法被 AI 调用。
部署范围界定：聚焦岗位经验 AI 本地私有化部署
我们做什么（强）
岗位知识库（RAG）、AI 对练、经验萃取、内容生成、流程辅助初稿、销售/售后/采购话术库——即「人脑经验」的数字化与AI 本地私有化部署层。
我们不做什么（避让）
生产实时控制（OT）、核心交易系统改造、机器视觉硬件、工业传感器预测性维护。硬层联合工业互联网厂商，我们只负责软经验层。
微盟星程能力定位：做应用层，不抢地盘
我们做什么（强）
私有化 RAG 知识库、AI 岗位对练、经验萃取四步法落地、微信/企微生态运营、内容工厂与获客活动——把「经验」铸成「可复用知识资产」。
我们不做什么（避让）
不碰核心生产系统、不替代最终决策、不建算力黑洞。主动与工业互联网厂商、ERP/MES 服务商互补，消除「又来抢地盘」的顾虑。
核心方法论：POC 四步法
我们建议采用"选岗 → 蒸馏 → 建库 + 对练 → 验收"四步法，结合行业最佳实践，把每一步变成可操作的动作清单。
1
选岗：锁定 1 个最痛、最该抢救的岗位
方法：知识地图四象限。把岗位按"离职风险 × 知识独占度"做矩阵，右上角（高风险+高独占=只有一两人会、且即将退休）是红色预警岗。某精密铸造企业 3 周锁定 47 个红色预警点，31 个此前管理层从没关注过。
选岗三标准（沿用制造业 AI Agent 选场景逻辑）：① 高频重复（每天/每周都做，回报明显）；② 规则可描述（判断逻辑能讲清，适合固化）；③ 痛点尖锐（耗时/错率高/严重依赖特定人）。例：美机"海外售后技术员"——远程诊断靠个人经验、新人难接、客户在海外时差大。
必须前置：高层背书（要跨系统数据权限）+ 量化基线（记录该岗位当前耗时/错率/成本，作为效果对比基座）。
2
蒸馏：把"说不清"的经验一条条挖出来
形式：访谈 2–3 位老师傅，每周 2 次 × 3 周（共约 6 次），每次 60–90 分钟，真实工位上边操作边聊，手机录屏+语音，记录"看、听、摸、判"全感官链路（关键事件法 CIT 变体）。同时收集维修记录/图纸/工艺单/过程数据。
访谈提问模板（半结构化，可套所有岗位）：
- 场景还原："最近一次你凭直觉发现问题的时刻，是什么场景？当时看到了/听到了什么？"
- 决策瞬间："那次为什么这样处理？如果换一种情况（料不同/客户不同/设备不同）会不会不同？判断依据是什么？"
- 边界条件："什么情况下你会停机/拒收/改方案？什么情况下照常走？"
- 反例："你接手前，出过什么岔子？根因是判断漏了哪一步？"
- 新手常错："新人最容易栽在哪？你希望他上岗前必须会哪 5 件事？"
结构化编码（把故事变标准）：每条经验按 "触发条件 → 判断逻辑 → 操作动作 → 结果验证" 四段式编码；核心原则——每条必须带"如果……那么……"的情境条件，否则是废话。编码后由老师傅本人审，防失真。某电气设备企业已编码 83 条"情境化操作标准"，新员工首月失误率降 46%。
提取数据类型清单（通用）：①口述经验转写稿；②真实案例（故障/异常/谈判/客诉）及处置记录；③图纸/工艺单/SOP/标准；④过程数据（设备参数、环境、时序）；⑤结果标注（老师傅判对的、判错的、边界case）。
蒸馏成败关键：人访谈问到三层就累，AI 能把一个场景的判断逻辑问到七八层，边问边整理成可追溯到具体案例与老师傅原话的规则。整理出的每条规则均可追溯。
3
建库 + 对练：把蒸馏物变成"能问、能练"的资产
建库：搭岗位知识库（RAG 问答），把编码后的情境化标准 + 文档 + 案例入库，员工自然语言提问即答、带出处引用。技术细节见第十二章。
对练：设计 3–5 个陪练场景 + 评分维度。例（海外售后技术员）：① 远程听描述定位故障；② 客诉安抚+退换货判定；③ 跨时差紧急工单优先级排序。AI 扮演"海外客户/经销商"，学习者对话，结束给结构化评分。形式与评分维度见第十三章。
岗位知识包应包含：① 岗位定义与边界；② 情境化操作标准库（If…Then…）；③ 典型案例集（含处置与复盘）；④ 判断口径/红线清单；⑤ 新手上岗必会清单；⑥ 术语与数据坐标对照表（语义对齐产物）。
4
验收：用可量化指标做 Go/No-Go
先测基准线，指标写进验收合同。双方商定的指标已具代表性，建议补全为三维：
| 维度 | 指标 | 建议基线→目标 |
|---|---|---|
| 效率 | 新人独立处理故障/任务时长 | ↓ 30% |
| 质量 | 知识库问答准确率（人工盲测） | ≥ 85%（硬决策类 90%+） |
| 覆盖 | 对练场景覆盖率 / 新人上岗认证通过率 | 3–5 场景全跑通，认证≥80% |
| 采纳 | 真实业务使用率（周活跃） | ≥ 60%（避免"演示系统"） |
KPI 必须在开发前定义（基准值/目标值/量测期/数据责任人）；PoC 只验证"资料、技术、流程、采纳意愿"四件事，不做大而全。
核心交付物：L1 / L2 / L3 × 16 个流程节点矩阵
以下为建议部署的全部非核心节点。深度等级：L1 信息展示/科普（最浅）→ L2 知识库/培训/内容生成（部署重点）→ L3 流程辅助/坐席/初筛（需脱敏授权）。🔴 含硬 OT 层的生产/质检/设备点检节点，只做"人脑经验"软层，实时控制层为 L0 红线不碰。
| 业务条线 | 流程节点 | 建议提供的服务 | 涉及部门 | 处理文档类型 | 深度 | 碰核心？ | 能力域 |
|---|---|---|---|---|---|---|---|
| 研发与工艺 | 01 设计研发 | DFM 可制造性设计知识库、历史踩坑案例 RAG、新人改图对练 | 研发部、工艺部、模具部 | DFM 规则、模具方案、公差表、客诉返工案例、评审意见 | L2 | 否 | 数据资产 |
| 生产运营 | 02 排产 | 插单决策辅助、产能瓶颈提示、排产沟通话术/SOP 生成 | 生产计划部、PMC | 产能表、在制工单、交期记录、插单处置案例 | L3 | 脱敏授权 | 数据资产 / 全域经营 |
| 05 生产 🔴 | 工艺参数知识库、故障排查智能体、排故对练、操作 SOP 生成 | 生产部、车间、工艺部 | 工艺参数记录、排故案例、操作 SOP | L2 | 否（软层） | 数据资产 | |
| 06 质检 🔴 | 缺陷判定知识库、质检判定对练、抽检方案问答 | 质量部、品控部 | 缺陷图册、判定标准、抽检方案 | L2 | 否（软层） | 数据资产 | |
| 09 设备点检 🔴 | 设备维保知识库、点检对练、故障现象/声音库 | 设备部、维保部 | 点检记录、故障库、维保手册 | L2 | 否（软层） | 数据资产 | |
| 供应链 | 03 采购 | 供应商画像知识库、谈判对练、采购 SOP 问答 | 采购部、供应链部 | 供应商台账、来料不合格记录、合同/议价话术、备料规则 | L2 | 否 | 数据资产 |
| 04 仓储 | 呆滞预警规则库、仓位管理 SOP、盘点异常处理对练 | 仓储部、物流部 | 库存账、呆滞预警记录、仓位规则、拒收判定标准 | L2 | 否 | 数据资产 | |
| 07 包装 | 包装 SOP 知识库、出口合规智能体、包装方案内容生成 | 生产部、物流部、外贸部 | 包装 SOP、出口合规清单、客户特殊要求、索赔案例 | L1 | 否 | 创意内容 / 数据资产 | |
| 08 物流 | 物流选型知识库、发货 SOP 智能体、承运商画像 | 物流部、供应链部 | 承运商台账、运价、异常记录、拼车方案 | L2 | 否 | 数据资产 | |
| 营销与销售 | 12 销售 | 销售知识库、谈判对练、异议处理助手、报价辅助 | 销售部、市场部 | 客户画像、赢单/丢单案例、报价单、异议库、话术 | L2 | 否 | 营销增长 / 数据资产 |
| 13 渠道 | 经销商画像知识库、招商对练、能力评估 SOP | 渠道部、销售部 | 经销商/加盟商台账、资质、业绩、投诉、扶持记录 | L2 | 否 | 全域经营 / 数据资产 | |
| 14 推广 | 内容生产智能体、推广知识库、爆款案例问答 | 市场部、品牌部 | 爆款案例、平台规则、投放数据、活动模板 | L1 | 否 | 创意内容 | |
| 15 品牌 | 品牌知识库、危机公关 SOP、口径库、内容风格生成 | 品牌部、市场部、总经办 | 品牌手册、危机案例、口径库、视觉规范 | L1 | 否 | 创意内容 / 数据资产 | |
| 售后与财务 | 11 客诉维修 | 售后维修知识库、客诉处理对练、退换货判定辅助 | 售后服务部、客服部 | 客诉记录、维修工单、根因库、话术 | L2 | 否 | 数据资产 / 全域经营 |
| 10 财务判断 | 成本分析知识库、财务风险智能体、异常账务排查辅助 | 财务部、成本部 | 科目余额、成本异常案例、信用政策、预算模板 | L3 | 脱敏授权 | 数据资产 | |
| 市场反馈闭环 | 16 市场反馈 | 市场反馈采集知识库、竞品缺陷归集聚类、退货根因分析对练、研发回流看板 | 市场部、品牌部、售后服务部 | 客诉录音、退货原因、竞品评测、电商评价、销售转述 | L2 | 否 | 数据资产 / 全域经营 |
矩阵解读：16 个节点中，L1 约 3 个、L2 约 12 个、L3 约 2 个；🔴 硬 OT 节点通过"软经验层"落地，100% 不碰实时控制与核心交易系统。部署顺序建议从 L2 高价值岗位（售后/采购/销售/质检判定）切入，逐步向 L3 扩展。
同业部署成效参考
以下标杆案例已在制造业知识萃取、岗位对练及私有化部署中得到验证，可直接参考其量化效果。
| 标杆案例 | 落地场景 | 量化效果 |
|---|---|---|
| 上海"数字炉长"数据集 | 焊接/热处理老师傅经验数字化 | 焊接 AI 辅助决策，焊接合格率提升至 98%；老师傅隐性经验被编码为可复用数据资产。 |
| 振华重工焊接 AI | 船舶/港口装备焊接工艺知识库 | 焊接合格率 98%；新人培训周期显著缩短。 |
| 睿选优课 制造业知识萃取 | 47 家制造企业岗位知识萃取四步法 | 四步法（聚焦→访谈→编码→验证）在 47 家制造企业验证，可系统沉淀老师傅经验。 |
| Jenova AI / roleplays.ai / GFoundry | AI 岗位对练 | 对练完成率 80–90%（传统培训仅 15–20%）；新人上岗周期从 8–12 周压缩至 2–3 周。 |
| Megaview 销售 AI 培训 | 销售/客服对练与评测 | 五维评测（拟真/反馈粒度/贴业务/方法论/看板），显著提升新人独立成单率。 |
| Eastgate / ALION / Madgeek | 4 周 Paid PoC 方法论 | KPI 前置、Go/No-Go 决策；不做大而全，先验证"资料/技术/流程/采纳意愿"。 |
| ai-indeed 制造业 Agent 实施路径 | 从 POC 到全部门覆盖 | 四阶段路径：POC → 扩展 → 平台 → 组织赋能；场景超 5 个后组件复用放大 ROI。 |
POC 三选一与分阶段路线图
5.1 POC 三选一（推荐开局）
按"最快见效、最通用、最标杆"三个维度给出可选开局。建议优先选 A 方案。
| 方案 | 切入点 | 适合企业 | 周期 | 预期效果与验收指标 |
|---|---|---|---|---|
| A 售后技术员 首选 | 海外售后/客诉维修 | 出口型机械、模具、汽摩配、泵阀企业 | 4 周 | 新人独立处理率 ↑；一次解决率 ↑；客诉响应时长 ↓；知识库问答准确率 ≥85%。 |
| B 采购谈判助手 | 供应商准入/议价 | 物料品类多、供应商分散、议价依赖老员工的企业 | 4 周 | 新人议价合规率 ↑；来料不合格率 ↓；采购决策响应时长 ↓。 |
| C 质检判定助手 | 来料/过程/出货质检 | 外观件、塑料件、金属加工、精密制造型企业 | 4 周 | 缺陷判定准确率 ≥85%；漏检率 ↓；判定培训周期 ↓50%。 |
5.2 分阶段路线图
1
Phase 1：L1 内容 AI 本地私有化部署（第 1–2 周）
梳理目标岗位的 SOP、手册、FAQ、历史案例，产出可搜索的轻量化知识库与图文内容。不碰业务系统，只整理已有文档。
2
Phase 2：L2 知识库 + AI 对练 POC（第 3–6 周）
选定 1 个岗位，部署私有化 RAG 知识库，上线 3–5 个 AI 对练场景，跑通"选岗→蒸馏→建库→对练→验收"四步法。
3
Phase 3：L3 流程辅助扩展（第 7–12 周）
在 L2 基础上增加报告初稿、辅助决策、话术提示、合规初筛等流程辅助能力。需业务部门脱敏授权，仍不替代人做最终决策。
4
Phase 4：链式扩展与平台化（第 13–24 周）
复制到上下游岗位，形成"研发→生产→质检→售后"岗位矩阵；沉淀通用组件，后续场景 ROI 因复用而放大。
Go/No-Go 原则：每阶段结束验收"效率↑、质量↑、覆盖↑、采纳↑"四维指标；任一维度不达标，先优化再扩展，避免"演示系统"陷阱。
16 个制造环节 × 知识蒸馏操作手册
下表把第七章方法论落到 16 个业务节点。每格给"典型提问方向 / 提取数据 / 知识包要点 / 对练场景 / 验收指标"，可直接作为每次蒸馏的工作底稿。凡标注 🔴 的节点含"硬 OT 层"（实时传感/视觉），微盟做软经验层，硬层需联合工业互联网厂商。
| 环节 | 典型提问方向（蒸馏） | 提取数据类型 | 岗位知识包要点 | AI 对练场景 | 验收指标示例 |
|---|---|---|---|---|---|
| 01 设计研发 | 产品怎么设计好造？模具怎么开？公差怎么给？客户特殊要求怎么处理？历史踩坑？ | DFM 规则、模具方案、公差表、客诉返工案例、总工评审意见 | 可制造性设计知识库 + 工艺设计智能体规则 | 新人接"难造件"改图任务，AI 扮评审挑刺 | 改图一次通过率↑；可制造性问题漏判↓30% |
| 02 排产 | 插单打哪条线？谁家料先到？瓶颈在哪？交期怎么保？紧急插单怎么权衡？ | 产能表、在制工单、交期记录、插单处置案例、计划员笔记 | 插单决策标准 + 产能直觉规则库 | 突发插单，AI 扮销售逼交期，学权衡 | 插单响应时长↓；交期达成率↑ |
| 03 采购 | 哪家供应商靠谱？谁会偷工减料？怎么谈价？哪些料要提前备？ | 供应商台账、来料不合格记录、合同/议价话术、提前备料规则 | 供应商画像 + 识人术 + 谈判对练脚本 | AI 扮"滑头供应商"压价/以次充好 | 来料不合格率↓；谈判降本额↑ |
| 04 仓储 | 这批料快呆滞了？哪个仓位放什么？先进先出怎么管？来料异常凭啥拒收？ | 库存账、呆滞预警记录、仓位规则、拒收判定标准 | 呆滞预警模型 + 盘点/发货 SOP | 盘点到异常批次，AI 扮系统报错 | 呆滞金额↓；错发率↓ |
| 05 生产 🔴 | 凭经验调设备参数的方法论？工艺排故？异常处理？新人操作培训？ | 工艺参数记录、排故案例、操作 SOP、设备实时数据（硬层） | 工艺知识库 + 故障排查智能体（软）；实时调参交工业互联网 | 产线异常，AI 扮设备报警，学排故 | 首月失误率↓46%；排故时长↓ |
| 06 质检 🔴 | 凭经验看缩水/飞边/熔接痕？来料/过程/出货抽样与放行口径？ | 缺陷图册、判定标准、抽检方案、视觉样本（硬层） | 质检判定知识库 + 缺陷判定对练（软）；实时视觉交机器视觉 | AI 出缺陷图，学判定+写报告 | 问答准确率≥85%；漏检率↓ |
| 07 包装 | 怎么包不磕碰？出口包装规矩？木箱熏蒸标识？客户特殊包装要求？ | 包装 SOP、出口合规清单、客户特殊要求、索赔案例 | 包装标准流程库 + 出口合规智能体 | AI 扮海外客户查包装合规 | 运输破损率↓；合规退回↓ |
| 08 物流 | 哪家物流靠谱？怎么拼车省钱？特殊货怎么运？单据怎么核对？ | 承运商台账、运价、异常记录、拼车方案 | 物流选型知识库 + 发货 SOP 智能体 | 紧急发货，AI 扮多方比价 | 运费↓；准时率↑ |
| 09 设备点检 🔴 | 一听声音就知道哪要坏？点检节奏？保养窗口怎么抓？ | 点检记录、故障库、声纹/振动数据（硬层） | 设备维保知识库 + 点检对练（软）；预测性维护交传感器厂商 | AI 摹拟异响，学听诊定位 | 非计划停机↓；点检漏项↓ |
| 10 财务判断 | 一看账就知道毛利算错？成本异常？应收风险？预算怎么编？ | 科目余额、成本异常案例、信用政策、预算模板 | 成本分析知识库 + 财务风险智能体 | AI 出异常账务，学排查 | 核算差错↓；月结时长↓ |
| 11 客诉维修 | 听描述就定位故障？客诉怎么安抚？退货根因怎么判？ | 客诉记录、维修工单、根因库、话术 | 售后维修知识库 + 客诉处理对练 | AI 扮愤怒客户，学安抚+定位 | 一次解决率↑；满意度↑ |
| 12 销售 | 客户是谁？怎么识别？报价怎么谈？异议怎么接？临门一脚怎么踢？ | 客户画像、赢单/丢单案例、报价单、异议库、话术 | 销售知识库 + 谈判对练 + 拓客技能包 | AI 扮难搞客户压价/比竞品 | 新人独立成单率↑；异议处理分↑ |
| 13 渠道 | 哪个经销商靠谱？谁擅长哪类客户？谁资金紧？谁售后差？哪空白市场该招新商？ | 经销商/加盟商台账、资质、业绩、投诉、扶持记录 | 经销商画像知识库 + 招商对练 + 能力评估 SOP | AI 扮意向加盟商谈判/老商续约 | 招商转化率↑；空白市场覆盖↑ |
| 14 推广 | 内容怎么产？哪个平台分发？投放话术？活动怎么策划？ | 爆款案例、平台规则、投放数据、活动模板 | 内容生产智能体 + 推广知识库 | AI 扮平台审核/用户，学选题 | 内容产出量↑；互动率↑ |
| 15 品牌 | 调性怎么把？危机公关怎么回？内容风格怎么统一？ | 品牌手册、危机案例、口径库、视觉规范 | 品牌知识库 + 危机公关 SOP | AI 扮媒体/黑粉，学危机回应 | 舆情响应时长↓；口径一致率↑ |
| 16 市场反馈 | 客户真实声音、竞品缺陷、退货原因、电商评价怎么系统归集？怎么回流研发？ | 客诉录音、退货原因、竞品评测、电商评价、销售转述 | 市场反馈采集知识库 + 竞品缺陷归集聚类 + 研发回流看板 | AI 扮挑剔客户/竞品用户，学痛点归类与回流表达 | 设计变更因市场反馈驱动比例↑；同类问题复发率↓ |
🔴 含硬 OT 层的节点（生产/质检/设备点检）：微盟星程铸的是"人脑经验"软层（判定标准、排故逻辑、对练）；"实时调参/实时视觉预警/传感器预测性维护"属工业互联网/机器视觉厂商地盘。PoC 时把这两层分开立项，避免将"软经验层"与"实时控制层"混为一谈，确保交付边界清晰可控。
岗位知识库部署：RAG 私有化最佳实践
知识库本质是 RAG（检索增强生成）：把企业文档切片向量化，员工提问时先召回相关片段再让模型基于片段作答，答案带出处引用、可控可追溯。制造业涉及工艺/客户机密，必须私有化部署、数据不出域——这与微盟星程"四大保障"一致。
4.1 构建六步
- 范围内聚：先做一个高价值岗位域（如售后技术员），跑通再扩。建议分阶段扩展。
- 清洗与切块：去页眉页脚；层级切块 + 元数据（文档来源/章节/日期/权限）；父子块策略（父 1024 Token、子 512、重叠 100）保语义完整；表格不切断。
- 向量化：中文优先 bge-large-zh / bge-m3；768–1536 维；可私有化部署 Llama-3 Embedding。
- 检索：混合检索（向量权重 0.7 + BM25 关键词 0.3）抓产品代号等精确匹配；Cross-Encoder 重排取 Top 5–8；可开缓存。
- 生成：系统提示"仅基于参考资料作答、不足时明说不知道"；Temperature 0.1 降随机；开幻觉检测。
- 治理：权限继承（源系统看不到则答不出）、增量更新、来源引用、持续评估（检索相关性/答案忠实度/延迟/用户反馈）。
可落地技术栈（私有化）：Dify（低代码 RAG 平台）+ Milvus（向量库）+ Llama-3 Embedding + 本地大模型（如 Llama-3-70B 或国产模型），Docker 部署、HTTPS + RBAC 按部门授权。该组合可稳定支撑 500+ 份文档的内部问答。
4.2 大致费用预估
重要提示：该成本参考仅做大致预估，不是最终落地费用。实际费用需根据贵企业具体场景、文档规模、用户数量、集成深度及硬件环境另行评估。
一次性构建费用
约 ¥10 万 – ¥45 万元，按源系统对接、UI 定制、权限复杂度及数据治理工作量浮动。
月度运营费用
约 0.3 万 — 2 万元/月，含向量库、嵌入服务、模型推理及配套云/算力资源。
制造业单场景 ROI 多在 3–6 个月转正；场景超过 5 个后，因 RAG 组件、对练模板、岗位知识包可复用，边际成本下降，ROI 进一步放大。
AI 对练的形式与评分维度
AI 对练不是"选 A/B/C 的分支题"，而是学习者与 AI 角色开放式对话——AI 会 push back、追问、变情绪，像真人。结束给精确到对话时刻的反馈，可无限次重练。
5.1 四种模态
Chat 文字 留思考时间，适合先学；Voice 语音 加实时反应压力；Video 视频 加肢体/表情觉察。建议新人从文字起步，认证用语音。
5.2 一个对练场景的设计四要素
| 要素 | 说明 | 例（海外售后技术员·远程诊断） |
|---|---|---|
| 情境 Situation | 背景、约束 | 印尼经销商来电，设备异响+停机，时差 1 小时，客户催货 |
| AI 角色 Persona | 谁、性格、情绪 | 着急的海外经销商，表述不专业、爱跳结论 |
| 目标 Goal | 本次要练成什么 | 通过提问定位可能故障点，给出安全排查步骤 |
| 成功标准 Criteria | 评分维度 | 见下 |
5.3 评分维度（通用框架，可套所有岗位）
| 维度 | 问的是 | 典型指标 |
|---|---|---|
| 覆盖 Coverage | 关键点都点到没？ | 必问清单命中率、步骤完整度 |
| 逻辑 Logic | 是否按方法论推进？ | 是否先定位再处置、是否漏红线 |
| 话术/专业 Tone | 表达准不准、专不专业？ | 术语正确、无误导表述 |
| 应对 Handling | 异议/突发接得住没？ | 反压、情绪安抚、优先级 |
| 结果 Outcome | 目标达成了没？ | 一次解决率、客户满意度模拟 |
销售类应叠加"方法论识别"（SPIN/BANT/MEDDIC 是否长在系统里）、"贴业务"（AI 客户能否引用本企业案例/话术）、"管理者看板"（团队能力雷达图）。
实施节奏与交付物
我们建议按以下节奏，遵循 4 周 Paid PoC 原则：范围锁 1 个岗位、KPI 前置、用真实数据、双方有投入、产出二进制 Go/No-Go。85% 的 AI 试点失败是因结构问题（KPI 未定、范围蔓延、无生产路径），不是技术。
| 阶段 | 动作 | 产出 |
|---|---|---|
| 第 1 周 选岗+蒸馏启动 | 知识地图锁定岗位；定 KPI 基线；启动老师傅访谈（第1–2次） | 红色预警岗清单、KPI 卡、访谈录音转写 |
| D+3 Demo 速赢验证 | 用前 2 次访谈素材，先搭一个最小知识库问答 Demo，让老板/老师傅当场提问看效果，建立信心 | 可演示问答原型（证明"经验真能问出来"） |
| 第 2–3 周 蒸馏+建库+对练 | 访谈第3–6次；结构化编码成情境标准；入 RAG 库；设计 3–5 对练场景并跑通 | 岗位知识包、对练场景×3–5、评分维度表 |
| 第 4 周 验收 | 盲测问答准确率、新人上手时长对比、对练认证；出 Go/No-Go | 验收报告（含 ROI 测算）、正式版概算、扩展路线图 |
PoC 交付物清单（参考行业成熟做法）：① 资料盘点表；② 架构图；③ 可操作原型（知识库+对练）；④ 测试结果（准确率/时长/覆盖率）；⑤ 风险清单；⑥ 正式版概算与 ROI；⑦ Go/No-Go 建议。PoC 阶段聚焦验证"模型在该岗位、该数据上能否做对决策"；UI 深度集成、监控运维等生产化投入可在后续阶段按需扩展。
风险与能力边界
① 硬 OT 不碰：生产实时调参、质检实时视觉预警、设备传感器预测性维护——需联合工业互联网/机器视觉厂商。微盟星程做"人脑经验"软层。
② 语义对齐是命门："看一眼便知"必须锚定数据坐标，否则经验库无效。蒸馏时务必同步采过程数据。
③ 防"演示系统"：只练不用的系统白做。验收必须含"真实使用率≥60%"，并把训练数据接入绩效/晋升参考。
④ 组织变革：基层可能抵触。启动即明确"AI 释放人做高价值工作"，培训人机协作新姿势。
⑤ 数据安全：工艺/客户资料全程私有化，权限继承，出域即违规。
落地建议与下一步
结论：建议尽快启动小步快跑。知识萃取四步法、私有化 RAG、AI 岗位对练已形成成熟方法论；上海"数字炉长"等标杆案例已验证效果；制造业单场景典型 ROI 回本周期 8–11 个月。微盟星程"把经验铸成可复用 AI 资产"的能力定位，与贵企业当前痛点直接匹配。
建议落地路径：
- 选定 1 个贵企业当前最痛的岗位（如海外售后技术员）启动 4 周 PoC，按第十一章操作手册执行知识蒸馏；
- D+3 即出可演示问答 Demo 建立信心，4 周末完成 Go/No-Go 决策；
- 验收通过后沿业务链"链式扩展"（POC → 扩展 → 平台 → 组织赋能）；
- 含硬 OT 的环节（生产/质检/设备）单独联合工业互联网厂商，与软经验数字化分开立项、边界清晰。
服务方实力与资质保障
本建议书由台州市云图信息技术有限公司 · 微盟星程台州服务中心编制，是面向贵企业的正式方案建议。微盟集团（Weimob Inc.，股票代码 2013.HK）是中国领先的智慧商业服务商，长期为零售、服务、本地生活及制造业企业提供数字化与智能化能力，具备为制造业企业提供岗位经验 AI 本地私有化部署服务的综合能力。
港股上市与商业沉淀
100万+
服务商户规模
1600+
本地化服务商
微盟集团董事会主席兼首席执行官孙涛勇已公开提出，微盟将以"All in AI"的决心，推动公司从数字商业服务商向 AI 应用服务商迁移。2026 年是微盟"AI First"战略全面落地的关键之年，上半年 AI 应用收入达 1.33 亿元、同比增长 89.2%，已超过 2025 年全年水平。微盟正从"卖 SaaS 工具"转向"卖 AI 经营结果"，基于"Agent + Skill"架构将多年服务数千零售品牌积累的行业 Know-how 拆解为可独立调用、可私有化部署的标准化能力模块——这与制造业从"依赖老师傅经验"走向"经验铸成可复用 AI 资产"的转型目标高度同频。
AI 原生产品矩阵
微盟已构建面向企业级智能经营的 AI 产品矩阵，与本建议书中"经验铸资产"的落地路径形成直接映射：
微盟星启 GEO
AI 搜索品牌可见度优化，对应制造企业品牌与获客内容资产部署。
微盟星拓
AI 驱动的 B2B 数字销售，对应制造业对公获客与渠道寻源助手。
微盟星枢
AI 全域智能运营中枢，对应私域客户运营与经销商触达闭环。
微盟星创
全场景 AI 智能创意引擎，对应产品手册、工艺科普与营销素材生成。
微盟星元
AI 私域全能生意管家，对应制造业客户陪伴与复购运营。
微盟星程
面向制造等企业级客户的私有化与数智化转型服务品牌，依托星程私有化方案将岗位经验蒸馏为知识库与 AI 对练，对应本建议书核心落地。
技术底座与安全保障
99.9%
系统可用性
99.9996%
数据可靠性
10万+
每秒处理订单数
微盟具备大规模分布式系统运营经验：5,000+ 服务器集群、2,500+ 数据库集群、7,500+ 全球 CDN 加速节点；支持混合云部署、同城多活、秒级扩缩容、租户级数据加密与脱敏，为超百万商户业务持续护航。制造业涉及工艺与客户机密，正需此类"私有化、数据不出域"的底座能力。
资质与合规认证
网络安全等级保护 2.0（三级） 企业信息安全基础准入资质
可信云 / 云计算安全评估 云服务安全能力国家级评估
ISO/IEC 27001 信息安全管理 国际信息安全管理体系认证
ISO/IEC 27701 隐私信息管理 隐私保护国际标准认证
DCMM 数据管理能力成熟度 稳健级认证，数据治理有保障
质量管理体系认证 / AAA 企业信用 服务能力与企业信用背书
上述资质与制造业企业数据安全、工艺保密的监管与商业要求方向一致，可作为贵企业评估私有化部署合作方安全能力的重要参考。
联系我们
联系人：祥子（Peter）
手机：18968481821
微信：扫码添加，备注「制造业 AI」
机构：台州市云图信息技术有限公司 · 微盟星程台州服务中心
