客户背景
这家客户是一家位于江苏苏州的精密机械制造企业，主营业务为汽车零部件精密铸造与机加工，下设3个生产厂区、1个研发中心。员工总数420人，其中一线生产工人230人、工艺与研发工程师68人、质量与项目管理人员45人，其余为管理与职能岗位。20年的发展历程中，企业积累了上万个模具图纸、铸造工艺卡片、机加工参数表、热处理规范、典型缺陷图谱等核心工艺资产，但这些知识一直散落在每位工程师的电脑硬盘、共享文件夹的深层目录、甚至老旧的纸质档案柜里——典型的”老师傅脑子里有货，离职后知识断层”的制造业通病。
随着2024年新能源车企订单激增，企业同时承接的项目从原本的30多个暴涨到75个，工艺工程师每天疲于在各类文档、邮件、聊天记录里找图纸、查参数，新人入职平均需要3-6个月才能独立承担工艺设计任务。总经理在2026年初的两个季度经营会上反复提出：”我们的核心竞争力不是设备，是20年沉淀的工艺经验。如果这些经验再不沉淀下来，再走两拨老师傅，企业就只剩空壳。”
遇到的问题
2026年3月，企业在尝试用免费版的某通用大模型做内部知识问答时，发现三个绕不开的现实问题：
第一，工艺知识不能直接喂给公网大模型。 客户的铸造工艺参数、模具寿命数据、客户定制化规格、缺陷图谱都属于商业机密，不可能上传到任何外部SaaS服务。一旦发生泄露，不仅面临竞品抄袭，还可能引发客户索赔。
第二，通用大模型对”工艺级”专业问题回答准确率不足30%。 工程师尝试把工艺卡片内容粘贴进通用大模型，问”6061铝合金轮毂铸造，气孔缺陷排查思路”，得到的答案全是泛泛而谈的空话，没有任何针对客户实际工艺路径、设备参数、缺陷案例的差异化建议。
第三，工程师的工作场景分散，AI工具进不去工作流。 工艺工程师日常使用的工具是AutoCAD、SolidWorks、ERP系统、PLM系统，以及企业微信上的群消息。任何AI工具如果不能嵌进这些场景，就只是另一个需要单独打开的网页，很快被遗忘。
更深层的痛点是：客户内部其实有过两次”知识库建设”尝试——一次是2021年买的某厂商知识管理系统，因为没人维护内容半年后成了僵尸；一次是2023年IT部门用Confluence搭的内部Wiki，工程师觉得”录入成本比查百度还高”基本不用。企业对”知识管理”项目已经产生了明显的抵触情绪，”一朝被蛇咬”的阴影让CIO推进新项目时背负了巨大阻力。
解决过程
客户在2026年4月通过苏州市经开区制造业CIO俱乐部的同行引荐，接触到小诺IT。小诺IT”诺+AI”团队的解决方案顾问在两轮现场调研后，输出一份贴合精密铸造行业工艺特点的AI方案，关键决策点有三个：
决策一：采用本地化部署+企业级RAG方案，彻底解决数据安全顾虑。 整套AI系统部署在客户内网的4卡GPU服务器上，所有文档解析、向量化、推理全部在企业内网完成，不依赖任何外部API。原始文档存储在客户自己的NAS上，向量数据库单独隔离，AI回答时只能基于客户授权范围内的文档源头引用——这一架构直接打消了管理层”工艺机密外泄”的顾虑。
决策二：从”高频痛点场景”切入，先做小闭环再做大平台。 小诺IT没有按传统厂商”先搭框架再填内容”的做法，而是和客户的工艺总工、质量总监、研发负责人一起，从75个在研项目里筛选出4个最高频痛点场景：
1. 工艺设计新人快速”上手”——通过AI问答让新人1-2周达到1-2年经验工程师的提问深度
2. 缺陷排查辅助——现场出现气孔、缩孔、裂纹、变形等典型缺陷时，AI基于历史案例库推荐排查路径
3. 客户定制化规格快速检索——客户发来”按TS样件3号图纸+某修改单”的需求，AI自动提取关键尺寸、特殊工艺要求、变更历史
4. 工艺卡片版本追溯——任何工程师引用某工艺卡片时，AI自动标注该卡片最新版本及历次变更说明
决策三：把AI能力嵌入工程师实际工作流，而不是再建一个”门户”。 小诺IT开发了与企业微信深度集成的AI助手插件——工程师在企业微信里@AI助手即可提问；同时在AutoCAD、SolidWorks的”右键菜单”里挂载了”用AI查工艺规范”的快捷入口；在PLM系统里，对每张图纸自动挂载AI”工艺说明摘要卡”。关键设计：AI的入口在工程师已经在的地方，而不是要求工程师跑到新平台去学新操作。
项目从2026年5月6日启动，分三个阶段：
阶段1（5月6日 – 5月25日，共20天）：知识资产盘点与清洗。 小诺IT派了2名工艺数据工程师驻场，对客户散落在15个共享盘目录、6个PLM图文档系统、43位工程师个人电脑的工艺文档进行统一盘点、格式转换（PDF/扫描件OCR+矢量CAD文件参数提取）、去重、版本对齐。共梳理出有效工艺文档8200余份、缺陷图谱1200余张、典型客户案例180余个，全部进入企业级向量数据库。
阶段2（5月26日 – 6月20日，共26天）：AI能力调优与企业知识库构建。 “诺+AI”团队基于客户实际工艺语言（铸造行业的”补缩系统”、”浇注系统”、”冷铁布置”、”分型负数”等专门术语）做了行业级语料微调，并构建了缺陷-工艺-材料-设备参数的交叉索引。最终上线的AI助手能针对客户的精密铸造业务给出具备上下文关联的回答，并精确到图纸编号、缺陷案例ID、工艺卡片版本号。
阶段3（6月21日 – 7月5日，共15天）：全员培训与流程嵌入。 小诺IT培训组驻场10天，分批次对研发、工艺、质量三个部门共113人做了”AI助手使用工作坊”，并和质量部联合制定了”AI建议+工程师复核”的二元审核机制——任何AI生成的工艺方案在落地前必须有1位10年以上经验的工程师签字复核。这一机制既发挥了AI效率，又保留了工程师对核心工艺的最终决策权，避免”AI直接出工艺出错被追责”的治理风险。
整个项目从启动到上线仅用了45天，比原计划的90天提前了将近一半。
实施效果
项目上线运行8周后（截至2026年8月20日），客户CIO与工艺总工联合提供了一份量化复盘：
| 指标 | 上线前 | 上线8周后 | 改善幅度 |
|---|---|---|---|
| 新工艺工程师独立上岗周期 | 3-6个月 | 4-6周 | 缩短约70% |
| 工艺设计阶段文档检索耗时 | 平均45分钟/次 | 平均6分钟/次 | 缩短约87% |
| 缺陷排查平均闭环时间 | 6.5小时 | 2.3小时 | 缩短约65% |
| 工艺卡片版本引用错误率 | 8.4%（年发生约26次） | 0.7%（8周内仅3次） | 降低约92% |
| 工程师对工艺知识获取的满意度 | 32%（基线问卷） | 87%（8周后问卷） | 提升55个百分点 |
最难量化但是管理层最看重的，是”老师傅经验的结构化沉淀“——项目过程中有2位工龄超过15年的老工艺师原本对”AI项目”非常抵触，但在看到AI能准确回答出他们30秒才能想起的某冷门缺陷案例细节时，主动找到CIO说”这个东西好，能帮我省不少口述带教的时间”。其中一位甚至主动整理出120多页手写笔记让AI团队帮他扫描入库，”趁我还没退休，把这些东西留下”。
8周内，客户累计通过AI助手完成了3400余次工艺问答，相当于每天约有57名工程师/质量员在主动使用。单次问答平均节省工程师时间约38分钟，按人工成本与高频问答频次测算，企业内部估算年化节省人力时间成本约180万元——这一数字远超项目投资额。
客户评价
客户CIO在项目交付会上说：”我们前面买的两个知识管理系统都死在’没人录内容’上。小诺IT这一版让我最服气的地方，是他们的工程师真的懂我们的业务——他们没有给我推销一个大平台，而是先在我们75个在研项目里挑出最痛的4个场景，做小、做深、做出可量化的效果。他们懂IT，更懂我们的’业务痛点’，这是做了19年企业服务才有的厚度。“
工艺总工补充道：”AI不是替代工程师，而是把工程师从’查文档’这种低价值劳动里解放出来，去做真正需要经验判断的工作。这种’AI+人’的协作模式，是我们接下来3年最重要的能力升级。”
未来延伸
小诺IT与客户已经达成第二期合作意向：将当前的”工艺文档知识库”扩展到”全厂质量追溯知识库”，覆盖质检数据、设备OEE数据、模具寿命数据，与ERP/MES深度对接，目标是把AI助手从”问答工具”升级为”工艺决策辅助系统”——这也是小诺IT”诺+AI”产品线的”四阶段”路线图（文档问答 → 工作流嵌入 → 决策辅助 → 自主代理Agent）的第三阶段。
—
> 小诺IT，19年IT服务经验（自2007年成立至今）
> 服务热线：400-0525-015 / 邮箱：service@xn11.com
> 四大特色服务：诺+运维宝（IT外包）·诺+智驻宝（企业搬迁/弱电机房）·诺+AI（场景化AI定制）·诺+防备包（安全防护）
>
> 本案例已脱敏处理，仅作行业场景示意。本文中的统计数据基于客户实际使用数据，已获得客户授权用于案例分享。
>
> 风险提示：AI知识库项目效果与客户数据治理成熟度、关键用户参与度、流程嵌入深度紧密相关，不接受”零数据治理直接上AI”的项目请求。任何希望推进本类项目的企业，建议先做一次免费的”AI就绪度评估”，由小诺IT工程师上门核对数据资产现状后再决策。