01 · 真实瓶颈
一线效率慢，很多时候不是人不熟练，而是知识拿不到
制造现场最常见的低效，不一定是设备不先进，而是知识分散在纸质手册、老师傅经验、微信群聊天、Excel 记录和多个系统里。故障发生时，一线人员知道公司可能有答案，但不知道答案在哪里。
这会带来三个后果：新人上手慢，老工程师被反复打断，设备停机时间被拉长。AI 知识库的价值，就是把原来靠人脑记忆和人际关系传递的经验，变成可查询、可复用、可持续更新的资产。
02 · 知识范围
第一批资料不要贪多，先围绕高频问题建库
很多企业一听知识库，就想把所有文件一次性丢进去。这样做的结果通常不好：资料质量参差不齐，分类不清，答案容易混乱，一线也不知道该怎么问。
更好的做法是选择一个设备族、一条产线或一类高频异常作为试点。先把对应的手册、点检表、维修记录、故障照片、处理步骤和工程师补充经验整理干净，再设计标准问法和答案格式。
- 设备层：型号、部件、参数、常见故障。
- 流程层：SOP、点检步骤、安全注意事项。
- 经验层：历史维修记录、老师傅判断逻辑、异常案例。
- 追踪层：每次查询、采纳和反馈是否被记录。
03 · 一线体验
答案必须能执行，不能只像百科解释
制造现场需要的不是长篇解释，而是可执行建议：先检查什么、再排除什么、需要哪些工具、哪些情况必须停机、是否要通知工程师。AI 回答如果没有步骤和风险提示，就很难进入真实工作流。
因此，制造业知识库的答案最好带来源引用、步骤编号、风险等级和反馈按钮。一线人员看到答案后，可以直接照着执行；工程师也能根据反馈持续修订知识。
制造业 AI 的第一性原则不是“回答得像专家”，而是“让现场少等人、少翻资料、少犯重复错误”。
04 · 扩展路径
从知识库到预测维护，要一步一步来
当知识库稳定后，下一步才是把巡检记录、设备状态、维修工单和质量数据接进来，形成更主动的异常提醒。这个过程需要数据质量、传感器覆盖、工单规范和现场反馈机制共同配合。
所以制造业 AI 化不是一次性买系统，而是一个台阶：先让人查得到，再让系统看得见，最后才让系统提前提醒。每个台阶都有明确的验收标准。
- 第一阶段：设备知识库与 SOP 问答。
- 第二阶段：故障记录结构化和工单自动分类。
- 第三阶段：异常趋势识别与预警。
- 第四阶段：与生产、质量、供应链系统联动。