制造业 AI · FDE · 知识 Agent
AI找到了答案，却差点用错手册：一次苏州制造业FDE项目复盘
制造业知识库最危险的情况，不是查不到资料，而是查到一份看起来正确、实际上已经失效的资料。
先说明一下：为保护企业信息，下面的地点和组织信息按苏州场景做了脱敏改写，不对应具体公司；项目过程与数据沿用原始案例素材。
前段时间，我在苏州大市范围内做了一个 FDE 项目。
客户总部在苏州工业园区，工厂在昆山，物流和售后在吴江。公司做的产品很窄，技术积累很深。很多关键经验没有写进系统，仍留在几位老师傅脑子里。
老板最初的需求很大：做一个全公司都能用的智能 Agent。
我们没有从这个宏大目标开始，而是跟着售后跑了一张真实工单。
查序列号，确认设计版本，翻 BOM，核对供应商批次，再找出厂检测、维修记录和传感器曲线。资料凑齐后，还要给园区总部的老师傅打电话，让他凭经验作最后判断。
光是准备判断材料，就花了将近两个小时。
这看起来像一个很适合知识库的场景。资料分散，查询费时，专家经验稀缺，把文档接进大模型，似乎就能解决大半问题。
第一版 RAG 也很快跑通了。提问之后，系统会从维修手册里找答案，附上引用，演示效果相当顺。
直到质量部长问了一句：
"引用的是哪个版本的维修手册？"
系统找出的是 2021 版。眼前这台设备用的却是 2023 年改版后的密封结构。
答案和旧手册完全一致，可要是现场照着操作，存在造成二次污染的风险。
会议室一下安静了。
制造业AI最怕的，是"有依据地答错"
互联网内容里，一个答案大体正确，也许已经够用。
制造现场不是这样。维修、换件、停机和质量责任都可能牵连真实设备。十次操作里只错一次，也不能被轻描淡写地归进"模型偶尔会幻觉"。
更麻烦的是，这次系统并没有胡编。
它找到了真实文件，引用了真实段落，回答也符合文件内容。错误发生在另一层：文件已经过期，却仍被系统当成有效知识。
这暴露了许多企业知识库共有的漏洞。
我们把文档放进向量库时，习惯关注标题、正文和关键词，却很少同时保存这些信息：
• 这份文件从什么时候开始生效；
• 它适用于哪些产品、型号和设计版本；
• 哪份新文件已经替代了它；
• 哪些序列号仍可使用旧规则；
• 出现冲突时，以谁的结论为准。
语义相似只能说明"这段话看起来相关"。它无法自动证明"这段话适用于眼前这台设备"。
制造业 AI 要继续回答一个更具体的问题："在此时、此地、这台设备上，这段知识还算不算数？"
我们没有换模型，先补了一条数据链
发现问题后，最容易做的动作是换一个更大的模型，或者继续调提示词。
我们没有这么做。
模型读错版本，根源不在语言理解。系统缺少设备身份，也不知道版本之间的继承和替代关系。给它更聪明的大脑，并不会凭空补出这些企业事实。
后面的主要工作，是把一条原本散落在不同部门的数据链重新接起来：
客户 → 设备 → 序列号 → 设计版本 → BOM → 供应商批次 → 出厂检测 → 维修记录 → 故障事件。
这条链有什么用？
售后输入序列号后，系统先确认设备身份和设计版本，再过滤适用手册；根据 BOM 和供应商批次缩小可能原因；结合出厂检测与维修记录，寻找相似故障；最后才让 Agent 组织答案。
输出也不再只有一段"建议"。它必须同时列出：
• 当前判断用了哪些资料；
• 每份资料对应什么版本和时间；
• 哪些证据支持这个判断；
• 有没有相反证据或冲突记录；
• 哪些信息仍然缺失。
涉及停机、换件和质量责任的结论，一律由工程师批准。Agent 可以准备材料、提出判断，不能替企业签字。
十二周后，快了很多，但没有出现效率神话
项目跑了十二周后，资料准备时间从九十多分钟降到二十多分钟。
首次有效回复原本经常超过一天，后来缩短到八小时左右。
这个结果对售后和质量部门已经有意义。但继续看整张工单，关闭周期只下降了不到三成。
原因并不神秘。
AI 加快了诊断材料的准备，却无法凭空调来备件，也不能替客户安排停机窗口，更不能绕过企业内部审批。
一张工单从报修到关闭，经过的不只是一段信息流程。中间还有物流、库存、人员排期、客户现场和责任确认。AI 只改快了其中一段，整条链路自然不会同比例提速。
这反而是一个值得保留的结果。
如果团队只展示"资料查询提速了多少倍"，很容易让老板误以为整个售后周期都会同步下降。把局部指标和最终业务指标同时摆出来，才能知道 Agent 解决了什么，还有什么留在组织和物理世界里。
这类项目，FDE到底在做什么
外界谈 FDE，容易把他理解成驻场写 Agent 的工程师。
但在这个项目里，写代码只占了一部分时间。
更多时候，我们在园区、昆山和吴江之间来回跑：跟售后看工单，向老师傅确认例外，找 IT 对接口，和质量部门讨论哪些结论必须人工批准，再把一次现场争议写回数据规则与评测题。
FDE 要接的是四样东西：
1. 模型能理解的语言，与业务人员日常使用的语言； 2. 文档里的通用规则，与设备现场的版本事实； 3. Agent 给出的建议，与企业已有的权限和责任； 4. 一次项目交付，与下一次还能复用的系统能力。
如果每次遇到版本问题都靠现场工程师临时解释，项目只是多了一个更懂 AI 的老师傅。
只有把版本关系、证据链、人工闸门和错误反馈写进系统，下一张工单才会少依赖一个人的记忆。
制造企业做知识Agent，先检查这七个问题
准备做类似项目时，可以先拿一张真实工单回答下面的问题：
1. 系统能否唯一识别客户、设备和序列号？ 2. 文档有没有生效时间、适用型号和版本范围？ 3. 旧文件被替代后，系统是否知道它已经失效？ 4. BOM、供应商批次、检测和维修记录能否串起来？ 5. 回答是否同时展示证据、版本与相反信息？ 6. 哪些动作必须由工程师确认，谁承担责任？ 7. 项目验收看查询速度，还是看首次回复、关闭周期和返工？
只要前四个问题答不清，先别急着比较模型。
因为这时企业首先缺少一条事实链，用来证明"这份答案适用于这台设备"。
好的FDE，最后应该少被叫到现场
这个项目没有出现 Agent 接管公司，也没有一上线就让效率暴涨。
它只是把一段原本靠翻文件、打电话和凭记忆完成的工作，变成了有证据、能追溯、可以继续修正的流程。
但这已经很重要。
好的 FDE 能把系统交付出去。更老练的 FDE 还会继续问：老师傅退休后，这套判断能不能留下；下一次出现类似设备，是否还要从头排查；自己离场以后，客户能不能更新版本、补充案例、处理错误。
如果答案都是可以，FDE 才算把最后二十米接完。
项目做完之后，他被叫到现场的次数应该越来越少，而不是越来越多。
说明： 本文根据用户提供的项目素材重构。为保护企业信息，地点与组织信息已按苏州场景脱敏改写，案例中的效率数据沿用原始素材，不代表行业平均水平。
完