AI 大模型应用层实战：3 个场景让制造业打工人真正用起来

大模型在制造业的讨论要么停留在AI替代工人的恐慌叙事要么飘在智能工厂的宏大愿景。但真正能落地的是应用层——用 LLM 的能力解决具体工作痛点不需要训练模型不需要 GPU 集群API 调用或本地部署就能跑。本文聚焦 3 个场景工艺知识问答RAG、生产异常智能处置Agent、报表分析辅助LLM 结构化数据每个场景给技术方案 代码 踩坑提醒。一、工艺知识智能问答把老师傅的经验变成可查询的知识库痛点一个工艺工程师入职要啃 2000 页的工艺手册、几十份设备操作规程、上百个变更通知单。遇到问题只能翻文档或问老员工响应慢、知识无法沉淀。老师傅一走经验跟着走。方案RAG检索增强生成RAG 的本质先从知识库检索相关片段再让 LLM 基于检索结果回答而不是让模型凭记忆编。工艺文档(PDF/Word/HTML) → 文档切片(Chunk) → 向量化(Embedding) → 向量数据库(Chroma/Milvus) ↑ 用户提问 → 问题向量化 → 相似度检索(Top-K) → 组装 Prompt → LLM 生成回答代码实现fromlangchain_community.vectorstoresimportChromafromlangchain_community.embeddingsimportHuggingFaceEmbeddingsfromlangchain_community.llmsimportOllamafromlangchain.chainsimportRetrievalQAfromlangchain.text_splitterimportRecursiveCharacterTextSplitterfromlangchain_community.document_loadersimportPyPDFLoader,UnstructuredWordDocumentLoaderfromlangchain.promptsimportPromptTemplate# 1. 文档加载与切片defload_and_split(file_paths:list[str],chunk_size500,chunk_overlap50):docs[]forpathinfile_paths:ifpath.endswith(.pdf):loaderPyPDFLoader(path)elifpath.endswith(.docx):loaderUnstructuredWordDocumentLoader(path)else:continuedocs.extend(loader.load())splitterRecursiveCharacterTextSplitter(chunk_sizechunk_size,chunk_overlapchunk_overlap,separators[\n\n,\n,。,, ])returnsplitter.split_documents(docs)# 2. 构建向量库与问答链defbuild_qa_chain(documents,model_nameqwen2.5:7b):embeddingsHuggingFaceEmbeddings(model_nameBAAI/bge-m3)vectorstoreChroma.from_documents(documents,embeddings,persist_directory./craft_kb)promptPromptTemplate(template你是工艺知识助手。严格基于以下检索内容回答无法回答则说知识库中未找到相关内容。 检索内容 {context} 问题{question} 回答注明参考文档来源,input_variables[context,question])llmOllama(modelmodel_name,temperature0.1)returnRetrievalQA.from_chain_type(llmllm,chain_typestuff,retrievervectorstore.as_retriever(search_kwargs{k:4}),chain_type_kwargs{prompt:prompt},return_source_documentsTrue)关键坑坑1文档切片大小直接决定回答质量。切太大检索噪声多切太小上下文断裂。工艺手册建议 400-600 字符overlap 10%按章节标题优先切分。坑2表格和图片信息丢失严重。PDF 中的工艺参数表格、设备结构图普通文本提取器拿不到。解法用表格专用解析器如 Camelot单独提取表格图片走 OCR 或多模态模型描述后入库。坑3幻觉在工艺场景是安全事故。模型编造一个焊接温度 850°C实际 650°C照做就出废品。必须加验证层回答中的关键数值需回溯到源文档不在源文档中的数字标注需人工确认。二、生产异常智能处置用 Agent 替代打电话翻SOP痛点产线异常设备报警、质量波动、物料短缺发生时处置流程是操作员报异常 → 班长查 SOP → 找工艺/设备工程师 → 工程师翻历史记录 → 给处置建议。快则 30 分钟慢则数小时。而产线每停一分钟都在烧钱。方案LLM Agent 工具调用让 LLM 不只是聊天而是能调用工具、查数据、走流程的 Agent异常事件输入设备报警/质量异常/物料短缺 → Agent 感知调用对应工具获取上下文 → 工具1查询设备历史报警记录调用MES API → 工具2查询相关SOP处置步骤调用RAG检索 → 工具3查询同类历史异常及处置结果调用数据库查询 → Agent 推理综合上下文生成处置建议 风险提示 → 人工确认后执行代码实现fromlangchain.agentsimportTool,AgentExecutor,create_react_agentfromlangchain_community.llmsimportOllamafromlangchain.promptsimportPromptTemplateimportrequests# 定义 Agent 可调用的工具defquery_alarm_history(device_id:str)-str:查询设备最近7天报警记录resprequests.get(fhttp://mes-api/alarm/history,params{device:device_id,days:7})recordsresp.json().get(data,[])ifnotrecords:return近7天无报警记录return\n.join([f{r[time]}{r[alarm_type]}处置:{r[action]}forrinrecords[:5]])defsearch_sop(keywords:str)-str:检索SOP知识库resprequests.post(http://rag-api/search,json{query:keywords,top_k:3})return\n.join([d[content]fordinresp.json().get(results,[])])defquery_history_cases(keywords:str)-str:查询同类历史异常及处置结果resprequests.get(http://mes-api/cases,params{keyword:keywords,limit:3})casesresp.json().get(data,[])ifnotcases:return未找到同类历史案例return\n.join([f案例:{c[title]}处置:{c[resolution]}用时:{c[duration]}forcincases])tools[Tool(namealarm_history,funcquery_alarm_history,description查询设备报警历史记录输入设备编号),Tool(namesop_search,funcsearch_sop,description检索SOP处置步骤输入关键词),Tool(namehistory_cases,funcquery_history_cases,description查询同类历史异常案例输入异常描述关键词),]# 构建 AgentpromptPromptTemplate.from_template(你是产线异常处置助手。根据异常描述依次调用工具获取信息综合分析后给出处置建议。 可用工具{tools} 使用格式 Thought: 分析需要什么信息 Action: 工具名称 Action Input: 工具输入 Observation: 工具返回结果 ... (可多次调用) Thought: 我已获得足够信息 Final Answer: 处置建议含风险提示 异常描述{input} {agent_scratchpad})llmOllama(modelqwen2.5:14b,temperature0)agentcreate_react_agent(llm,tools,prompt)executorAgentExecutor(agentagent,toolstools,verboseTrue,max_iterations5)# 使用输入异常事件resultexecutor.invoke({input:3号注塑机模温报警当前模温92°C设定85°C})关键坑坑1Agent 调用工具的准确性不稳定。有时会传错参数、调错工具尤其在工具多、描述相似时。解法工具描述要精确到输入格式如输入设备编号如INJ-003工具数量控制在 5-8 个避免选择困难。坑2Agent 不该有自动执行权。产线操作涉及安全Agent 只能建议必须人工确认后执行。建议输出加置信度标签低置信度建议强制人工复核。坑3工具链路断了一个Agent 就懵了。MES API 超时、数据库连接失败时Agent 要有降级策略——工具失败时明确告知XX数据暂不可用以下建议基于不完整信息而不是编造答案。三、报表分析辅助让 LLM 帮你读生产数据痛点车间每天产出大量数据产量、良率、OEE、能耗但真正被分析的极少。原因很简单数据在 ERP/MES 里导出→Excel→做图→分析一个报告至少半天。等报告出来问题可能已经发生了两天。方案LLM 结构化数据查询让 LLM 理解自然语言问题自动生成数据查询再基于查询结果给出分析fromlangchain_community.utilitiesimportSQLDatabasefromlangchain.chainsimportcreate_sql_query_chainfromlangchain_community.llmsimportOllama# 连接生产数据库只读dbSQLDatabase.from_uri(postgresql://readonly:xxxmes-db:5432/production)llmOllama(modelqwen2.5:7b,temperature0)chaincreate_sql_query_chain(llm,db)# 自然语言查询 → SQL → 执行 → LLM 分析defanalyze_production(question:str)-dict:# Step1: 生成SQLsqlchain.invoke({question:question})# Step2: 执行查询datadb.run(sql)# Step3: LLM 基于数据分析analysis_promptf基于以下生产数据回答问题给出数据洞察和行动建议。 问题{question}查询结果{data}分析analysisllm.invoke(analysis_prompt)return{sql:sql,data:data,analysis:analysis}# 示例resultanalyze_production(过去7天各产线良率趋势哪条线下降最明显)print(result[analysis])关键坑坑1LLM 生成的 SQL 可能伤数据。即使连只读账号错误 SQL 也会拖垮数据库。解法数据库连接必须只读权限 查询超时限制5s 行数限制最多返回 1000 行。坑2LLM 不懂数据库 schema 就乱写 SQL。表名缩写、字段含义不直观时模型会猜。解法在 prompt 中注入表结构说明和字段注释或用少量 few-shot 示例教模型正确的查询写法。坑3数值分析容易看图说话却不看因果。模型会说良率下降 2%但不深究原因。需要引导性提问“良率下降的可能原因有哪些请结合能耗、设备报警、换线记录等数据交叉分析。”技术选型参考场景核心能力技术栈部署方式工艺知识问答RAG 检索增强LangChain Chroma BGE-M3 Qwen2.5内网部署Ollama异常智能处置Agent 工具调用LangChain Agent MES API RAG内网部署报表分析辅助Text-to-SQLLangChain SQLChain PostgreSQL 只读内网部署选型原则制造业数据敏感优先本地部署Ollama 开源模型7B 模型能跑的不要用 72BAPI 调用能解决的不要自建推理服务。先用起来再优化。总结制造业大模型应用的核心思路不训练模型用模型不替代人增强人。三个原则知识外挂优先RAG 比微调成本低、见效快、可维护人在回路Agent 建议、人做决策安全底线不能让渡从单点突破先解决一个具体痛点如工艺查询、异常响应做出可量化效果再推广大模型在制造业不是颠覆是提效工具。用对了老师傅的经验能被更多人用起来异常响应从小时级降到分钟级数据报告从半天缩短到几分钟。欢迎在评论区分享你在工作中用大模型提效的经历——实用的经验比宏大的蓝图更有价值。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2026 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2026 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”