AI知识问答在工厂的应用,本质是把设备手册、工艺参数、故障案例、SOP文件这些分散在老师傅脑子里和硬盘深处的知识,做成一个能用自然语言随时调取的问答入口。它解决的不是“有没有数据”的问题,而是“一线员工能不能在30秒内拿到可执行答案”的问题。当前落地形态主要有三种:基于历史工单和维修记录的检索式问答、基于设备手册和工艺文件的文档问答、以及对接MES/SCADA实时数据的混合问答。
一、AI知识问答到底解决工厂里的什么问题
工厂里最贵的成本往往不是物料,是“找答案的时间”。一台贴片机报警,新员工翻手册要十几分钟,老师傅凭记忆三分钟搞定,但老师傅不在夜班。AI知识问答要干的事很具体:把报警代码、设备型号、历史处置记录做语义关联,让操作工用大白话提问就能拿到处置步骤。
它和传统FAQ页面的区别在于,FAQ只能命中预设问题,而语义检索能处理“印刷偏移但锡膏厚度正常该查哪里”这种复合描述。和通用大模型聊天框的区别在于,工厂问答必须给出出处——答案要能追溯到某份SOP的版本号或某条工单的处置记录,否则不敢用。
二、技术原理与关键能力有哪些
核心链路分三段。第一段是知识入库:把PDF手册、Excel参数表、维修工单、甚至老师傅的语音记录做切分和向量化,业内常用embedding模型把文本转成向量存进向量数据库。第二段是检索增强生成,用户提问后先做语义检索召回相关片段,再交给大模型组织答案,这就是RAG的典型架构。第三段是权限与溯源,不同岗位看到的知识范围不同,答案要带原文链接和版本信息。
关键能力看几个硬指标。检索召回率决定能不能找到对的文档,工业场景一般要求Top5召回覆盖率达到90%以上才敢上线。答案忠实度决定会不会胡编,需要通过限定回答来源来约束。响应延迟直接影响体验,产线边问边等超过5秒,员工就回去翻手册了。另外要支持OPC-UA、Modbus这类协议对接实时数据,否则问“当前3号线OEE”只能回答历史均值。
三、制造业典型应用场景
假设一家电子厂做SMT贴片,AOI检测出现连续误报。操作工在终端输入“AOI误报连片怎么处理”,系统召回IPC-A-610相关判定条款、该机型历史误报工单、以及上次调整光源参数的记录,给出三步排查建议。这里涉及的知识源跨了质量标准、设备参数、历史处置三类,靠关键词搜索很难一次命中。
再假设一家汽配企业做机加工,数控机床换刀后尺寸超差。新员工问“换刀后外圆偏大0.02怎么调”,系统检索到刀具补偿参数表和同型号机床的补偿记录,提示检查刀补号是否对应。这类问题的特点是答案藏在参数表里,不是自然语言段落,需要表格解析能力。
还有一种场景是安全与合规问答。化工或涂装车间问“这条线动火作业要哪几级审批”,系统从EHS文件里召回审批流程和最近的事故案例。这类应用对答案溯源要求最高,必须标明文件编号和生效日期。
四、选型与落地要注意什么
对接方式是第一个坑。工厂现有系统五花八门,MES可能是十年前的版本,设备数据走OPC-UA还是私有协议差别很大。选型时要确认问答系统是否提供标准API做单点登录和知识源同步,而不是让员工再记一套账号。
知识治理的工作量常被低估。手册版本更新、工单关闭后归档、SOP改版,这些动作要能触发知识库同步,否则问答系统三个月后就不可信了。实施周期上,单产线试点通常四到八周,其中知识清洗占一半以上时间,模型调优反而快。
硬件配置看部署方式。私有化部署需要GPU服务器,7B到14B参数量的模型在单张推理卡上能跑,但并发超过二十路就要考虑扩容。云端API模式起步快,但涉及工艺参数外传的要先过信息安全评估。
常见误区是把问答系统当搜索引擎用,指望它回答“今天天气”这类开放问题。工厂问答的价值在垂直领域,问题越具体、知识源越结构化,效果越好。另一个误区是追求一次性把所有文档灌进去,正确做法是按工序分批上线,先跑通一个高频场景再扩。
五、适合与不适合的场景边界
适合的场景有几个共同点:知识密度高但检索效率低、人员流动频繁、答案有明确出处可溯源。设备维修问答、质量判定标准查询、安全规程查询、新员工上岗培训,这几类落地确定性较高。产线节拍稳定、问题重复率高的工序,投入产出比最容易算清楚。
不适合的场景也要说清楚。工艺配方开发这类创造性工作,答案不存在于历史文档里,问答系统帮不上忙。强依赖实时视觉判断的缺陷分类,比如复杂外观划伤定级,需要的是视觉模型而不是文本问答。知识源本身混乱、版本不统一的工厂,先做文档治理比上问答系统更实际。另外,涉及安全联锁和紧急停机的操作,不能只依赖问答答案,必须有硬接线和物理急停兜底。
从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的产业积累说明一件事:工厂不缺系统,缺的是把系统里沉没的知识重新激活的入口。AI知识问答的价值不在模型多大,在于能不能让夜班的新员工在三分钟内做出和老师傅一样的判断。