本次活动由广东省人力资源和社会保障厅指导，深圳市人力资源和社会保障局、深圳市天使投资引导基金管理有限公司联合主办，汇聚政府、投资机构、产业企业、高校及创业项目等多方力量，共同见证第三期“金种子”联创计划的阶段性成果。

立谱智造作为本期参与企业之一，凭借在人工智能与智能制造领域的持续探索，以及在产业协同与创新生态建设中的积极参与，获得本期“金种子”联创计划 「协同创新伙伴奖」。

当前，人工智能正在加速进入制造业核心业务环节。

对于制造企业而言，AI的价值并不只是提供一个通用的智能助手，更重要的是能否真正理解企业的产品、工艺、设备与业务流程，并进一步融入实际生产场景。

立谱智造聚焦 AI+制造，围绕非标零部件及工业制造场景，持续推进人工智能与智能制造业务的深度融合。

目前，我们重点探索的方向包括：

• AI智能设计：辅助工业设计与产品开发，提高设计效率；
• AI-DFM分析：基于图纸、3D模型等工程数据开展制造可行性分析；
• AI工艺规划：辅助工艺路线、工序及制造过程分析；
• AI智能报价：结合图纸、工艺、材料及历史制造数据进行成本与报价分析；
• 工业AI大模型及智能Agent：面向制造企业构建与具体业务深度适配的AI能力。
  

我们希望通过AI，把制造过程中大量依赖人工经验、重复性较高的工作逐步数字化、智能化，让AI真正进入制造企业的业务流程。

本期“金种子”联创计划从400余家报名项目中筛选出57家科创项目，覆盖人工智能、智能制造、生物医药、医疗器械等多个领域。

两个月的实训过程中，我们与来自不同产业方向的创业团队、投资机构、产业专家及专业服务机构进行了深入交流，也参与了课程培训、项目路演、产业交流等多项活动。

对早期科技企业而言，技术创新只是起点。

从技术走向产品，从产品走向市场，从单点能力走向产业协同，需要更多来自产业、资本、人才和生态伙伴的支持。

“金种子”计划提供的，正是这样一个连接创新项目与产业资源的交流平台。

此次获得“协同创新伙伴奖”，对立谱智造而言，不仅是一份荣誉，也是一份对我们持续参与产业创新、推动AI与制造业融合探索的认可。

制造业是人工智能规模化应用的重要场景之一。但我们也始终认为，制造AI的发展不能停留在概念层面。

真正有价值的AI，需要能够理解工程数据、行业知识和企业业务，并通过持续的数据积累与业务验证，逐步形成企业真正可用、可控、可持续演进的智能化能力。

未来，立谱智造将继续围绕 “AI+工业制造” 深耕，与更多制造企业、产业伙伴、科研机构和创新团队展开合作，共同探索人工智能在设计、工艺、生产及经营管理等环节的实际应用。

感谢粤港澳大湾区“创业伴飞”实训营、天使荟“金种子”联创计划以及所有产业、资本与生态伙伴一路以来的支持。

荣誉是阶段性的认可，产业协同才是长期的价值。

立谱智造期待与更多伙伴携手，让AI真正走进制造现场，共同推动制造业智能化升级。用科技，让制造更敏捷。

此次合作，立谱智造将围绕通产丽星在智能制造、AI大模型、模具加工、工业设计等领域的实际业务需求，提供定制化 AI 解决方案，助力企业进一步推动生产与设计环节的智能化升级。

双方将共同探索人工智能与制造业务深度融合的新路径，打造一个安全、可演进、与业务深度适配的智能生产与设计平台。

在中国的化妆品产业链中，包材制造是一道“看不见的分水岭”。它决定了产品的质感、品牌的识别度，以及消费者是否愿意在货架前多停留一秒。

深圳市通产丽星科技集团有限公司成立于1984年，是一家在化妆品塑料包材、研发代工和检测全链条领域处于领先地位的企业，同时也是众多国际美妆品牌的核心供应商。他们长期坚持科技创新驱动，通过材料研发、模具制造、包装成型到代工生产的一体化能力，构建了中国美妆产业链最完整的生态之一。

近年来，面对制造业数字化、智能化发展的新趋势，通产丽星持续推动智能制造升级，并积极探索人工智能与传统制造业务的融合。2026年以来，公司也持续开放产业场景，与人工智能企业开展交流合作，探索 AI 在工艺优化、质量管理、数据管理等方向的应用价值。

此次通产丽星与立谱智造达成合作，是双方基于真实制造场景进行的一次进一步深入探索。

对于制造企业而言，AI 的价值远不只是“会生成”或者“会对话”，更重要的是能否进入实际业务流程，理解真实的工业数据与制造规则，并最终形成可以被使用、被验证、被持续优化的业务能力。

立谱智造长期聚焦 AI+制造领域，围绕工业零部件、工程图纸、工艺分析、制造决策等场景，持续构建面向制造业的 AI 能力。此次合作，我们结合通产丽星的实际业务场景，围绕具体制造环节开展 AI 解决方案建设，通过真实业务数据和实际应用需求持续验证模型与系统能力。

我们更关注的，不是单纯打造一个“AI产品”，而是让 AI 真正进入企业的业务流程。传统制造企业在推进 AI 时，往往会发现：AI 能做什么，与企业真正需要什么，并不是一回事。

因此，制造业 AI 的落地不能停留在技术展示层面，而需要从企业实际业务出发，逐步完成：

业务场景梳理 → 数据理解与治理 → AI能力构建 → 场景验证 → 业务流程融合 → 持续迭代

此次合作，也是立谱智造进一步探索这一模式的重要实践。我们希望通过与行业头部企业的深度合作，把 AI 能力真正放进生产经营体系中，让人工智能从“工具”逐步成为制造企业新的生产力。

我们始终认为：制造业 AI 的价值，在于能否解决真实的制造问题。

通产丽星深耕化妆品包材产业多年，拥有丰富的研发、制造和产业链实践经验；立谱智造则持续聚焦 AI 与制造业务的结合。此次合作，双方将发挥各自优势，从实际业务需求出发，共同探索更加适合制造业的 AI 应用路径。

这不仅是一项合作，也是一次关于“AI如何真正走进制造业”的实践。从零部件制造，到汽车、医疗、装备、电子，再到化妆品包材等更多细分制造领域，制造业正在进入智能化升级的新阶段。

立谱智造将继续坚持 “AI + 制造” 的发展方向，持续深入工业真实场景，与更多制造企业共同探索 AI 技术的应用边界。此次与通产丽星的合作，是一个新的开始。

未来，我们期待与更多制造企业一起，把人工智能从“看得见的技术”，变成“用得上的能力”。

设计工程师输出二维工程图、三维模型，工艺工程师根据图纸判断材料、结构、尺寸、公差、表面处理等信息，再进一步制定加工工艺、估算工时、分析成本，最终形成工艺路线、工艺卡甚至报价。

因此，很多制造企业开始关注一个问题：

AI能不能直接识别机械图纸，并进一步完成工艺分析、工艺规划和报价？

答案是：可以，但距离“上传一张图纸，AI自动完成所有工作”还有很长的路要走。

真正有价值的方向，并不是简单地让AI“看懂图纸”，而是让AI逐步参与到从图纸理解 → 特征识别 → 工艺分析 → 工艺规划 → 工时估算 → 成本分析 → 报价的完整业务链路中。

一、AI识别机械图纸，真正难的不是“看懂文字”

传统OCR可以识别图纸上的文字，但制造业图纸远不止文字。

一张机械加工图纸中可能同时包含：

• 零件轮廓和几何特征
• 尺寸及尺寸公差
• 形位公差
• 表面粗糙度
• 材料
• 热处理要求
• 表面处理要求
• 螺纹、孔、槽、倒角等加工特征
• 基准
• 技术要求
• 剖视图、局部视图、放大视图
• 明细栏和标题栏
• 二维图纸与三维模型之间的关联

因此，制造业真正需要的并不是普通的“图像识别”，而是：

让AI理解图纸中的制造语义。

例如，AI不仅需要识别出一个“Φ20”的标注，还需要理解这个尺寸对应什么特征、采用什么加工方式、对后续工艺有什么影响。

这也是工业AI与通用视觉AI之间的重要区别。

二、从“识别图纸”到“理解零件”

对于制造企业来说，图纸识别只是第一步。

真正有价值的是把图纸转换成结构化的制造信息。

例如：

输入：

二维PDF / DWG图纸 + 三维STEP/STP模型 + 材料信息

AI分析：

1. 识别零件基础信息
2. 识别关键几何特征
3. 提取尺寸和公差信息
4. 分析孔、槽、螺纹、台阶、曲面等特征
5. 判断关键加工难点
6. 分析材料和表面处理要求
7. 识别可能影响加工成本的因素

最终形成一套结构化的零件制造信息。

这一步完成以后，AI才真正有可能进入后面的工艺规划和成本分析。

三、AI工艺规划，比AI识图更有价值

制造企业真正耗费工程师时间的，往往不是“把图纸看一遍”，而是：

看完之后应该怎么加工？

例如一个CNC机加工零件，工程师可能需要考虑：

• 选择什么设备？
• 需要几次装夹？
• 先加工什么，后加工什么？
• 哪些尺寸需要粗加工、半精加工和精加工？
• 哪些孔需要钻孔、扩孔、铰孔或镗孔？
• 是否需要特殊刀具？
• 是否需要五轴加工？
• 哪些工序存在加工风险？
• 每道工序大概需要多少工时？

这些问题涉及大量制造经验。

因此，AI工艺规划不能简单理解为“让大模型生成一段文字”。

真正可落地的工业AI，需要将：

图纸信息 + 三维几何 + 工艺知识 + 企业历史工艺 + 设备能力 + 材料参数 + 制造规则

结合起来进行推理。

最终输出的应该是工程师可以进一步审核和使用的工艺建议与工艺路线。

四、AI能不能直接生成工艺卡？

这是很多制造企业在沟通AI项目时都会问的问题。

从技术角度来说，AI可以生成结构化的工艺内容，例如：

• 工序名称
• 工序顺序
• 加工方式
• 设备建议
• 工装建议
• 刀具建议
• 关键加工要求
• 工序说明
• 工时估算

但这里需要特别注意：

“AI能够生成”不等于“AI已经可以完全替代工艺工程师”。

不同企业的工艺标准、设备条件、工艺习惯以及质量要求差异很大。

例如，同一个零件：

A企业可能使用立式加工中心；

B企业可能使用卧式加工中心；

C企业可能因为设备、夹具或产能原因采用完全不同的加工路线。

所以，企业真正需要建设的不是一个“通用工艺生成器”，而是一个能够逐步学习企业自身工艺知识和制造规则的AI系统。

五、AI报价是制造企业最容易看到价值的场景之一

对于非标零部件企业来说，报价通常是一个高频工作。

客户发来一批图纸以后，报价人员需要：

看图 → 判断工艺 → 估算工时 → 估算材料 → 估算表面处理 → 估算外协 → 计算制造成本 → 加上利润 → 输出报价。

如果零件数量较多，报价工程师往往需要花费大量时间。

因此，AI可以把前面的分析工作自动化。

例如：

图纸上传

↓

AI识别零件信息

↓

自动分析加工特征

↓

推荐工艺路线

↓

估算加工工时

↓

计算材料及制造成本

↓

生成报价参考

这样，报价人员不再需要从零开始分析每一张图纸，而是对AI的分析结果进行审核和调整。

这也是目前制造业AI比较现实的一种落地方式：

不是让AI直接替代报价工程师，而是让工程师从“重复计算”转向“结果审核”。

六、为什么有些企业做AI项目，最后效果并不好？

很多企业最开始会提出一个非常简单的要求：

“我们把历史图纸和工艺数据给你们，AI能不能直接学会？”

实际上并没有这么简单。

企业AI项目最终效果通常受到几个因素影响。

1. 数据质量

如果历史工艺数据本身就不规范，AI学习以后也很难得到稳定结果。

例如：

同一种工序，在不同工程师的工艺文件中可能存在不同写法。

2. 数据数量

只有少量案例时，很难直接训练出企业专属的复杂工艺模型。

因此，对于历史数据较少的企业，更适合先从AI辅助工艺推荐等场景切入。

3. 企业工艺规则

AI不仅需要知道“过去怎么做”，还需要知道：

为什么这么做。

例如设备限制、工装限制、质量标准、特殊工艺要求等，都可能影响最终工艺路线。

4. 图纸复杂程度

简单零件和复杂零件的识别难度完全不同。

尤其是复杂二维图纸，如果缺少三维模型，仅依靠二维信息进行完整制造分析，难度会明显增加。

因此，实际项目中需要明确：

二维图纸能做到什么程度，三维模型能做到什么程度。

七、真正可落地的制造AI，应该怎么建设？

我们更建议制造企业采用从单点场景开始验证，再逐步扩展的方式。

例如第一阶段先验证：

图纸智能解析

验证AI能否稳定提取：

• 零件基础信息
• 材料
• 尺寸
• 公差
• 加工特征
• 技术要求

第二阶段进入：

AI工艺分析

进一步输出：

• 加工难点
• 工艺风险
• 推荐加工方式
• 初步工艺路线
• 设备建议
• 工时参考

第三阶段进入：

AI成本分析与报价

结合企业实际：

• 材料价格
• 设备费率
• 工时
• 表面处理
• 外协费用
• 企业报价规则

形成更加贴近企业实际业务的报价结果。

最后再考虑与：

ERP、MES、PLM、CAPP等系统

进行数据和业务流程打通。

这样做的好处是，可以先验证AI到底能不能解决企业的实际问题，而不是一开始就投入大量成本建设一个“大而全”的系统。

八、立谱智造正在做什么？

立谱智造关注的并不是单纯的“AI识图”，而是AI在工业零部件制造流程中的实际应用。

目前，我们重点围绕：

二维/三维图纸理解 → DFX分析 → 工艺规划 → 工时估算 → 成本分析 → 智能报价

等制造场景进行AI能力建设。

针对不同企业，我们会根据实际业务情况进行POC验证。

例如企业可以提供一定数量的真实图纸，由AI针对企业实际零件进行测试，重点验证：

• 图纸解析效果
• 加工特征识别
• 工艺分析能力
• 工艺路线推荐
• 工时估算
• 成本分析
• 报价结果

通过真实业务数据验证以后，再决定是否进一步建设企业专属AI能力。

我们更关注“AI在企业真实业务中能做到什么”，而不是单纯展示一个AI Demo。

九、制造业AI的下一步，不是“无人化”，而是“工程师AI化”

制造业AI真正的价值，并不一定是让企业马上减少多少工程师。

更现实的目标是：

让一个工程师能够处理过去几倍甚至更多的工作量。

过去：

工程师看图 → 查标准 → 做工艺 → 算工时 → 算成本 → 出报价

未来：

AI分析 → AI推荐 → 工程师审核 → 修改 → 确认

AI负责大量重复性的分析工作，工程师负责关键判断和最终决策。

这可能才是制造业AI更现实的落地路径。

如果你的企业也正在考虑AI识图、AI工艺规划或AI智能报价

如果你正在遇到以下问题：

• 机械图纸数量大，人工分析效率低
• 报价周期长，工程师大量时间耗在重复工作上
• 新产品工艺编制耗时较长
• 企业工艺知识难以沉淀
• 工艺工程师经验依赖严重
• 希望将AI接入ERP、MES、PLM、CAPP等系统
• 想验证AI是否能够真正应用于企业生产业务

可以先从一个具体场景开始。

提供真实业务图纸和需求，我们可以先判断适合从哪个场景切入，以及当前AI能够做到什么程度。

相比直接建设一个完整的AI系统，先通过真实数据进行POC验证，通常更容易判断项目的实际价值和后续投入。

立谱智造——面向工业零部件制造的AI智能分析与工艺应用平台。

但与此同时，一个现实问题也正在出现：很多企业已经认识到AI的重要性，却不知道如何真正把AI应用到业务中。他们看过很多AI演示，也参加过很多智能制造交流会，但回到企业内部，依然会面对几个问题：

AI到底应该应用在哪个环节？企业的数据是否满足要求？投入之后能带来多少实际价值？应该先做一个小应用，还是直接建设完整平台？

这些问题，正在成为制造企业进入AI时代的新挑战。

在互联网领域，一个AI应用可能通过大量用户数据快速迭代。但制造业不同。制造企业面对的是复杂的工程场景。

一张零件图纸，背后包含：

• 产品结构；
• 材料特性；
• 加工工艺；
• 设备能力；
• 质量要求；
• 成本规律；
• ……

一个生产任务，也不是简单的信息处理，而是多个专业判断的综合结果。

因此，制造业AI不能只停留在聊天问答。企业真正需要的是：能够理解制造业务的AI；能够连接企业数据的AI；能够辅助员工完成具体工作的AI。

从目前制造业AI应用实践来看，很多项目遇到的问题除了通用模型能力不足，还有落地路径存在问题。

问题一：从“大平台”开始，而不是从业务场景开始

很多企业一谈AI，就希望建设企业级AI平台、工业大模型、智能制造中台。这些方向没有错。但对于很多企业而言，第一步更重要的是回答：“AI到底能不能解决我的实际问题？”

例如：销售报价速度是否能够提升？工程师分析图纸的时间是否能够减少？新人是否能够快速获得专家经验？生产异常是否能够更快判断？只有业务价值明确，AI建设才有持续投入的基础。

问题二：过度关注数据，而忽略数据价值

很多企业认为：“我们没有足够的数据，所以不能做AI。”实际上，制造企业并不是没有数据。企业每天产生大量图纸、订单、报价记录、工艺文件、生产记录、设备数据。

但是真正的问题是这些数据有没有被组织起来？有没有形成企业自己的知识体系？AI时代，企业需要的不只是积累数据，而是让数据能够参与业务决策。

问题三：AI没有进入员工工作流程

很多AI项目失败，是因为AI成为了一个“额外工具”。员工需要在多个系统中反复横跳，复制数据，上传文件，查看结果，然后继续回到原来的工作流程。这样的AI，很难真正被使用。

未来制造业AI的发展方向，不是增加一个新的软件，而是融入企业原有业务流程。让工程师、销售、生产人员在原来的工作过程中，自然获得AI辅助。

过去几年，制造企业推进数字化转型时，往往习惯采用“大项目”模式。建设ERP、MES、PLM等系统时，企业通常会先进行全面规划，再投入大量资源进行系统建设和实施。

这种方式在解决企业流程管理、生产管理等问题时发挥了重要作用。但进入AI时代，制造企业面临的是一个新的问题：AI应用的不确定性更高，企业很难在一开始就准确判断，哪个场景能够产生最大价值。

例如一家机械加工企业可能希望通过AI提升效率。但真正落地时，会发现：

• 销售部门希望AI帮助快速报价；
• 工程部门希望AI辅助分析图纸；
• 生产部门希望AI优化工艺路线；
• 管理层希望AI沉淀企业知识。

不同部门有不同需求。如果一开始就建设一个覆盖所有业务的大型AI平台，不仅投入成本高，而且很容易出现系统建设完成了，但实际使用率不高；功能看起来很多，但业务价值不明显；数据投入大量时间，却无法快速产生收益。

因此，制造企业AI落地更适合采用从具体业务场景切入，用实际价值验证，再逐步扩展能力。

还是举例机械加工企业来说，报价是连接客户和内部工程能力的重要环节。所以第一阶段是通过相对标准化的AI应用，快速验证业务价值。

以报价来说，传统模式下，客户要先发送图纸 → 销售整理需求 → 工程师分析工艺 → 核算成本 → 返回报价。整个过程高度依赖工程人员经验。面对复杂零件，报价周期可能需要数小时甚至数天。

而AI可以结合零件结构特征、材料信息、加工方式、历史报价数据、企业成本规则、辅助工程人员快速完成成本分析和报价判断。企业不需要改变原有业务流程，就可以从一个具体环节开始体验AI价值。

当企业开始应用AI后，会逐渐积累新的数据资产。所以第二阶段，企业就可以开始沉淀知识库，让历史经验可以复用。比如历史报价案例、工艺方案、材料参数、设备能力、质量问题记录、工程经验规则。

这些内容过去可能分散在不同文件和人员手中。通过企业知识库，可以将这些制造经验进行结构化管理。让AI不仅能够回答通用问题，更能够理解：“这家企业过去是怎么做的。”

当企业积累了一定的数据基础后，AI可以进一步深入业务流程。这时就进入了第三阶段：连接研发、工程、生产数据，形成企业专属AI能力。

通过连接研发数据、设计数据、工艺数据、生产数据和质量数据。形成面向企业自身业务的AI能力。例如产品设计阶段，AI辅助发现制造风险；工艺规划阶段，AI推荐加工方案；生产阶段，AI辅助优化资源匹配。由于不同企业的业务流程、系统环境和数据体系差异较大，这类深度应用通常需要采用企业专属定制方案。

最终，AI不再只是一个辅助工具，而成为企业制造能力的一部分。

制造企业选择AI建设方式，需要根据自身发展阶段决定。对于希望快速体验AI价值的企业，SaaS模式能够提供低门槛入口。

企业可以快速使用AI知识助手、AI图纸分析、AI报价辅助、AI制造应用。快速验证AI是否适合自身业务。

而对于已经明确AI战略，希望深度融合企业数据和业务流程的企业则需要进一步建设企业专属AI系统。包括企业知识库深度融合、专属业务模型优化、系统集成、智能体开发、业务流程重构。

两者不是竞争关系，而是制造企业AI建设不同阶段的选择。

过去制造企业竞争，看的是设备数量；生产规模；供应链能力。未来，企业竞争还会增加一个重要维度：AI能力。

同样一批工程师、同样一套设备，谁能够更快利用企业数据，谁能够更快复制优秀经验，谁就可能获得更强的竞争优势。AI不是制造业的替代者，它更像是一套新的生产力工具。帮助企业把过去依赖人的经验判断，逐渐转化为可持续运行的AI能力。

立谱智造做的正是探索人工智能在非标制造领域的实际应用。围绕制造企业真实业务需求，构建面向图纸分析、DFX评估、成本分析、报价辅助、企业知识管理等场景的工业AI能力。

我们相信制造业AI的价值，不在于展示一个更聪明的模型。而在于帮助企业解决一个又一个真实问题。

未来，AI不会只是制造企业的新工具。它将成为企业提升效率、沉淀能力、持续进化的重要基础设施。

如果问一家制造企业：

“你们最核心的竞争力是什么？”

很多企业会回答：

我们的设备先进；
我们的供应链稳定；
我们的交付能力强；
我们的质量体系完善。

这些答案都没有错。

但对于大量非标制造企业而言，还有一种更隐性的能力：

工程经验。

一位资深工程师，看一张零件图纸，就能快速判断：

这个结构加工难不难？

应该采用车削、铣削还是复合加工？

哪些位置容易产生加工风险？

这个报价有没有利润空间？

这个设计有没有优化空间？

这些判断，可能来自十几年甚至几十年的行业积累。

它没有写在系统里，也没有存储在数据库中。

它存在于工程师的大脑里。

而这，恰恰是中国制造企业过去几十年积累下来，却最容易被忽视的核心资产。

制造业正在面临一个新的挑战：经验正在流失

过去几十年，中国制造业快速发展。

大量企业从几十人的小工厂，成长为拥有数百甚至数千人的制造企业。

与此同时，一批伴随企业成长起来的工程技术人员，也积累了大量宝贵经验。

他们熟悉：

• 不同材料的加工特点；
• 不同设备的加工边界；
• 不同行业客户的设计习惯；
• 不同零件的制造风险；
• 不同订单的成本规律。

但是，当这些经验没有被有效沉淀时，企业会遇到一个现实问题：

新人培养越来越慢；

复杂项目越来越依赖少数专家；

优秀工程师离开后，企业能力出现断层。

很多制造企业拥有几十年的生产历史，却依然无法快速回答：

“过去类似零件怎么加工？”

“类似产品过去成本是多少？”

“这个结构以前有没有遇到过问题？”

因为企业拥有数据，却没有真正拥有知识。

制造企业的数据很多，但知识很少

过去制造企业进行了大量数字化建设。

ERP记录订单；
MES管理生产；
PLM管理产品；
CAPP管理工艺。

企业每天产生大量数据。

但很多企业会发现：

数据越来越多，决策却没有明显变快。

原因在于：

数据≠知识。

一份历史报价文件，只是一条记录。

真正有价值的是：

为什么当时这样报价？

为什么选择这种工艺？

为什么这个结构需要调整？

为什么这个零件最终成本超预算？

这些隐藏在数据背后的逻辑，才是制造企业真正需要沉淀的能力。

而人工智能正在改变这一点。

AI正在让制造经验从“个人能力”变成“企业能力”

过去：

经验属于工程师。

未来：

经验可以属于企业。

人工智能最大的价值，不只是帮助员工提高效率，而是帮助企业理解和利用自己的知识资产。

例如：

过去，一个新人需要向老师傅学习几年，才能掌握复杂零件分析能力。

未来，企业可以将历史案例、工艺规则、设备能力、报价经验沉淀到AI系统中。

员工遇到问题时，可以通过AI快速获得企业经验支持。

过去：

报价依赖少数资深工程师。

未来：

AI可以结合历史数据和制造规则，辅助销售和工程人员快速分析成本。

过去：

设计问题往往在生产阶段才被发现。

未来：

AI可以在产品设计早期帮助企业发现潜在制造风险。

这不是替代工程师。

而是让优秀工程师的经验能够被更多人使用。

为什么制造业AI落地不能只靠通用大模型？

很多企业第一次接触AI，会想到：

“我们是不是接入一个大模型，就可以解决制造问题？”

但制造行业有自己的特殊性。

制造问题不是简单的信息问答。

它需要理解：

• 三维结构；
• 材料特性；
• 加工工艺；
• 设备能力；
• 成本规则；
• 企业经验。

一张机械零件图，不只是图片。

它包含制造语言。

一个报价数字，也不只是结果。

它背后包含企业多年形成的判断逻辑。

因此，制造业AI需要结合行业知识、企业数据和业务流程。

只有理解制造，AI才能真正服务制造。

从“拥有软件”到“拥有智能能力”

过去，企业数字化建设主要解决：

流程在线化；

数据集中化；

管理规范化。

而AI时代，企业需要进一步考虑：

如何让数据产生智能？

如何让经验持续积累？

如何让企业能力不断进化？

未来，每一家制造企业都可能拥有自己的AI助手。

它了解企业的：

产品；

设备；

工艺；

供应链；

客户需求。

它不是一个简单的软件工具，而是企业制造能力的智能延伸。

立谱智造：让制造经验真正成为企业资产

立谱智造长期关注人工智能与制造行业结合，希望通过工业AI技术，帮助制造企业将分散的工程经验、业务规则和历史数据转化为可持续利用的智能能力。

围绕非标零部件制造场景，立谱智造正在探索：

• AI图纸理解；
• AI DFX分析；
• AI成本分析；
• AI智能报价；
• 企业制造知识库；
• 工业智能体应用。

未来，制造企业不只是拥有设备和产线，更需要拥有自己的智能制造能力。

因为真正决定企业长期竞争力的，不只是今天拥有多少设备。

而是：

企业过去几十年积累的经验，能否在AI时代继续创造价值。

过去三十年，中国制造业快速发展，形成了全球领先的产业链和供应链体系。在这一过程中，大量制造企业积累了丰富的工程经验、工艺知识和生产数据。

一名资深工程师可能能够根据一张零件图纸，快速判断加工难点；一名报价人员可能凭借多年经验，在短时间内估算加工成本；一名工艺工程师能够结合设备能力、材料特性和生产经验，制定合理的加工方案。

这些能力，是制造企业长期竞争力的重要来源。

但与此同时，制造企业也面临一个新的挑战：

这些经验大量存在于工程师个人的大脑中，分散在历史报价文件、工艺卡片、Excel表格以及不同的信息系统中。

当企业规模扩大、业务增长、人员流动增加时，如何让这些经验被复制、沉淀和持续利用，成为制造企业数字化升级过程中必须面对的问题。

人工智能技术的发展，为解决这一问题提供了新的可能。

AI不只是帮助企业提高办公效率，更重要的是，它正在逐渐进入制造业务核心环节，帮助企业理解工程数据、辅助专业决策，并将企业多年积累的制造经验转化为可持续使用的智能能力。

制造企业为什么需要AI？

与互联网、电商等行业相比，制造业的数据更加复杂。

一张机械零件图纸，包含尺寸、公差、材料、结构、表面处理、加工要求等大量信息；

一个生产任务，涉及工艺路线、设备能力、人员经验、生产周期等多个因素；

一次准确报价，需要综合考虑材料成本、加工工时、设备折旧、工艺难度以及企业历史经验。

这些任务并不是简单的信息查询，而是需要大量专业知识和工程判断。

目前，大量制造企业在业务过程中仍然存在以下问题：

1. 报价响应速度慢

工业制造企业每天都会接收到大量客户询价。

销售人员需要将客户图纸交给工程部门评估，再由工程师判断加工工艺、核算成本，最终形成报价。

由于零件结构复杂、加工方式多样，报价过程高度依赖工程师经验。

对于订单竞争激烈的市场环境而言，报价速度直接影响企业获取订单的能力。

2. 工程经验难以复制

制造企业最大的资产之一，是多年积累的工程经验。

但传统模式下，经验往往属于个人。

优秀工程师能够快速判断的问题，新员工可能需要几年时间才能掌握。

企业希望培养人才，但制造知识传承成本高、周期长。

如何让企业经验从“个人能力”变成“组织能力”，成为AI进入制造领域的重要价值。

3. 产品设计与制造之间缺少智能连接

很多制造问题，并不是发生在生产阶段，而是在设计阶段。

例如：

• 某些结构是否适合加工？
• 某些位置是否会增加加工难度？
• 某些尺寸是否存在制造风险？
• 当前设计是否会导致成本增加？

如果这些问题能够在产品设计早期被发现，企业可以减少后续修改成本，提高产品开发效率。

从数字化管理到智能化决策

过去几十年，制造企业进行了大量数字化建设。

ERP帮助企业管理资源；
MES帮助企业管理生产过程；
PLM帮助企业管理产品生命周期。

这些系统解决了制造企业的数据管理和流程管理问题。

但随着人工智能技术的发展，制造企业正在进入新的阶段：

从“记录数据”走向“理解数据”。

传统软件更多回答：

“数据在哪里？”

而AI进一步回答：

“这些数据意味着什么？”

“下一步应该怎么做？”

例如：

传统系统可以保存历史报价记录；

AI可以基于历史数据分析报价规律，辅助工程人员进行成本判断。

传统系统可以保存工艺文件；

AI可以结合零件特征和企业规则，辅助生成工艺建议。

传统系统可以保存设备信息；

AI可以帮助企业根据生产任务匹配合适资源。

AI正在成为制造软件能力的重要延伸。

立谱智造：探索制造业AI应用新模式

立谱智造长期聚焦人工智能与制造行业结合，围绕工业零部件制造场景，探索工业AI技术的实际应用。

我们认为，制造企业应用AI并不是简单接入一个通用聊天机器人，而是需要结合企业自身业务特点，将工业知识、工程规则和企业数据融合。

因此，立谱智造持续建设面向制造领域的AI能力体系：

• 工业领域知识理解能力；
• 零部件结构分析能力；
• 制造规则推理能力；
• 企业知识库管理能力；
• AI智能体应用能力。

通过AI技术帮助制造企业提升研发、工程、报价等核心业务环节效率。

面向制造企业的AI SaaS平台

过去，企业建设AI系统通常采用私有化定制模式。

这种方式能够满足大型企业深度需求，但同时也存在：

• 建设周期较长；
• 初期投入较高；
• 需要大量数据准备；
• 对企业数字化基础要求较高。

对于大量中小型制造企业而言，他们更希望：

“先快速体验AI价值，再逐步深入建设。”

基于这一需求，立谱智造正在推出面向制造企业的AI SaaS平台。

通过云端化、模块化的产品方式，让制造企业无需进行复杂部署，即可快速使用AI能力。

SaaS版本核心能力

AI企业知识库

帮助企业沉淀：

• 历史报价数据；
• 工艺文件；
• 材料信息；
• 设备能力；
• 企业规则。

将分散的制造经验进行数字化管理，让企业知识能够持续积累。

AI制造助手

面向工程、销售、管理人员提供智能辅助。

企业员工可以通过自然语言方式查询制造知识、分析业务问题，提高工作效率。

例如：

“这个零件适合采用什么加工方式？”

“类似零件过去报价是多少？”

“这个结构有哪些制造风险？”

AI可以结合企业知识进行辅助分析。

AI辅助报价

针对工业制造企业报价场景，AI可以结合零件信息、材料、加工要求以及企业历史数据，辅助进行成本分析。

帮助企业缩短报价周期，提高市场响应速度。

AI DFX分析

在产品设计阶段，AI可以辅助分析制造可行性。

帮助工程人员提前发现：

• 加工困难区域；
• 结构优化方向；
• 潜在制造风险。

推动制造企业从“生产问题解决”向“设计阶段预防”转变。

SaaS与私有化部署如何选择？

不同规模、不同阶段的企业，对AI建设需求不同。

对于希望快速体验AI价值、验证业务场景的企业：

SaaS模式能够提供更低门槛的应用方式。

企业可以从一个具体业务场景开始，例如：

报价辅助、知识库建设、工程问答等。

随着应用深入，再逐步扩展更多智能化能力。

对于大型制造企业，涉及复杂业务流程、系统集成和数据安全要求，则可以进一步采用私有化部署方式，建设企业专属AI平台。

两种模式并不是替代关系，而是企业AI建设不同阶段的选择。

制造企业AI应用正在进入新阶段

未来，制造企业的竞争不仅来自设备、产能和供应链能力，也来自企业对于知识和数据的利用能力。

优秀企业积累几十年的制造经验，不应该随着人员变化而流失；

大量历史数据，也不应该只是存储在系统中。

通过人工智能技术，企业可以重新激活这些资产，让经验变成能力，让数据产生价值。

立谱智造希望通过工业AI技术，为更多制造企业提供更加灵活、高效的AI应用方式。

制造业AI时代，不一定需要从大型项目开始。

一次智能报价优化、一份工程知识沉淀、一次设计风险分析，都可能成为企业迈向智能制造的重要一步。

大量企业建立了 ERP、MES、PLM、WMS 等信息化系统，引入自动化设备，积累了海量生产数据。

但进入 AI 时代，一个新的问题正在被重新审视：

制造企业真正最有价值的数据，到底是什么？

答案可能不是订单数据，不是设备数据，甚至也不只是生产数据。

而是那些隐藏在制造流程中的——工艺数据和工程经验。

这些数据，记录了一家制造企业几十年来如何解决复杂制造问题的能力。

制造业最稀缺的，不是数据，而是经验

很多企业谈 AI 转型时，第一反应是：

“我们有没有足够多的数据？”

但对于制造业而言，数据量并不是唯一的问题。

因为制造过程中的关键决策，往往不是简单的数据记录，而是工程经验。

例如：

同样一个零件，为什么选择 CNC 加工，而不是压铸？

为什么某个结构需要增加倒角？

为什么某个薄壁区域容易产生变形？

为什么某个孔位需要调整加工顺序？

为什么某个设计方案最终导致成本增加？

这些问题背后，没有简单的公式。

它们来自：

• 工艺工程师多年积累的经验；
• 供应链对材料和加工能力的理解；
• 质量团队对失效问题的总结；
• 企业长期沉淀的制造规范。

这些经验，决定了一家企业的制造能力。

但长期以来，它们往往以非结构化方式存在。

存在于工程师的大脑中，存在于微信群聊天记录中，存在于 Excel 表格中，存在于几十年的项目文件里。

这也是制造业 AI 最大的机会。

从“经验依赖”到“知识资产化”

传统制造模式下，企业竞争力很大程度依赖核心工程师。

一名经验丰富的工艺工程师，可能需要多年培养。

他知道：

哪些结构不好加工；

哪些供应商适合某类零件；

哪些工艺路线更经济；

哪些设计细节容易产生质量问题。

但这种能力很难复制。

当人员流动时，企业也会面临经验流失。

AI 的价值，就是帮助企业完成一次能力沉淀：

把个人经验转化为企业知识资产。

通过 AI 模型、知识库和智能体系统，企业过去几十年的制造经验可以被整理、理解和调用。

未来，一个新工程师面对复杂零件时，AI 可以辅助回答：

这个零件过去是否有类似案例？

历史项目采用过什么工艺路线？

有哪些制造风险？

有哪些优化建议？

成本大概处于什么范围？

这意味着企业多年积累的经验，不再只属于少数专家，而成为整个组织的能力。

工艺数据，是连接设计与制造的关键桥梁

制造企业长期存在一个问题：

设计人员关注产品功能，制造人员关注加工实现。

两者之间存在沟通成本。

一个产品设计完成后，往往需要经过：

设计评审 → 工艺分析 → 成本评估 → 修改优化

如果问题发现得晚，就会导致：

• 研发周期延长；
• 模具和工装成本增加；
• 加工难度提升；
• 产品利润下降。

而工艺数据的价值，就在于让制造经验提前进入设计阶段。

例如：

当设计人员完成一个零件设计后，AI 可以结合历史制造案例和工艺规则，对设计方案进行分析：

• 是否容易加工；
• 是否存在结构风险；
• 是否有更低成本方案；
• 是否符合企业制造能力。

这正是 DFM（Design for Manufacturability，面向制造的设计）的核心价值。

未来，设计不再只是”设计完成后交给制造”，而是设计过程中就有制造智能参与。

AI 时代，制造企业需要重新认识自己的数据

过去，很多企业认为：

数据只是生产过程的记录。

但在 AI 时代：

数据将成为企业智能化能力的基础。

尤其是制造业中的：

• 图纸数据；
• 工艺路线；
• 加工参数；
• 材料选择；
• 成本记录；
• 质量问题；
• 历史报价；
• 项目经验。

这些数据共同构成企业独有的制造知识。

通用 AI 可以学习通用知识。

但一家制造企业真正需要的，是理解自身业务的工业 AI。

因为制造竞争的核心，从来不是知道什么是制造，而是谁更了解自己的制造。

下一代制造企业，将拥有自己的工业智能系统

未来，领先的制造企业可能不只是拥有 ERP、MES 等管理系统。

还会拥有一个能够理解企业制造逻辑的 AI 系统。

它可以：

• 理解产品图纸；
• 分析制造可行性；
• 辅助工艺规划；
• 预测加工成本；
• 调用企业知识库；
• 持续学习新的制造经验。

这个系统不是简单的软件工具，而是企业多年制造能力的数字化延伸。

让过去30年的经验，成为未来30年的竞争力

中国制造业经过几十年的发展，积累了全球最丰富的制造场景和工程经验。

这些经验，是制造企业进入 AI 时代最重要的基础。

未来的竞争，不只是设备数量的竞争，也不只是生产规模的竞争。

更重要的是：

谁能够把过去几十年的制造经验转化为 AI 可以理解和使用的能力。

立谱智造持续探索工业垂类大模型与多智能体技术，围绕零部件制造场景，将图纸理解、DFM 分析、工艺规划、成本核算等制造知识进行智能化沉淀，帮助企业将工程经验转化为可持续复用的数字资产。

AI 时代，中国制造企业最大的优势，可能不是拥有更多数据。

而是拥有几十年积累下来的制造智慧。

从大语言模型到多模态模型，再到 AI Agent，AI 正在从信息处理工具逐渐演变为能够执行复杂任务的智能系统。

但当 AI 进入制造业后，很多企业发现：

制造业 AI 的落地，并没有想象中那么简单。

原因在于，制造业的问题并不是缺少数据，而是大量关键能力隐藏在工程师几十年的经验中。

如何让这些经验被 AI 理解、调用和复用，才是工业智能化真正的挑战。

制造业最宝贵的数据，往往不是结构化数据

在互联网行业，数据通常以用户行为、交易记录、文本信息等形式存在。

这些数据天然适合被算法学习。

但制造业的数据完全不同。

一张零件图纸背后，包含的不只是尺寸和几何信息，还包括：

• 为什么选择这种材料？
• 为什么采用这种加工方式？
• 哪些结构容易产生加工风险？
• 哪些尺寸影响装配？
• 哪些位置需要特殊工艺？
• 哪些设计虽然能够制造，但成本过高？

这些信息很多并不存在于 ERP 或 MES 系统中。

它们存在于：

• 工艺工程师的经验中；
• 供应链人员的判断中；
• 质量工程师的问题记录中；
• 企业多年积累的工艺规范中。

因此，制造业 AI 面临的第一个问题不是”有没有模型”，而是：

如何把隐性的工业知识转化为 AI 可以理解和推理的知识体系。

从数据智能到工业知识智能

传统数字化解决的是：

“记录发生了什么。”

例如：

生产了多少产品？
用了多少材料？
设备运行多久？

而 AI 时代需要解决：

“为什么这样做？还能不能做得更好？”

例如：

这个零件为什么选择 CNC 加工，而不是铸造？

这个结构为什么建议增加圆角？

这个孔位为什么会导致加工成本增加？

这个设计方案如何优化制造成本？

这要求 AI 不仅能够读取数据，还需要具备工业推理能力。

也就是说：

制造业 AI 的核心，不只是数据训练，而是知识建模。

工业大模型需要理解制造逻辑

通用大模型擅长语言理解，但制造业需要的是专业推理。

例如：

用户上传一个机械零件图。

通用 AI 可能能够描述：

“这是一个金属零件，包含孔、槽、倒角等结构。”

但制造企业需要的是：

“该零件适合采用 CNC 加工，材料建议使用 6061 铝合金；当前薄壁区域存在变形风险；深孔加工需要增加工序；如果调整某处结构，可降低约20%的加工成本。”

这背后的差距，不是语言能力，而是工业知识和制造规则。

因此，工业 AI 需要融合：

• 多模态模型：理解图纸、图片、CAD 数据；
• 行业知识库：沉淀企业标准和历史案例；
• 工程规则库：融合制造规范；
• 专业 Agent：执行具体业务任务。

最终形成面向制造场景的智能系统。

为什么 DFM 会成为工业 AI 的重要入口？

在制造过程中，设计决定了大量成本。

但长期以来，设计和制造之间存在信息壁垒。

设计工程师关注：

“功能是否满足？”

制造工程师关注：

“是否容易加工？成本是否合理？”

很多问题直到生产阶段才被发现：

• 工艺复杂；
• 加工成本过高；
• 良率不足；
• 交付周期延长。

DFM（Design for Manufacturability，面向制造的设计）的价值，就是在设计阶段提前发现制造问题。

而 AI 的加入，让 DFM 从依赖个人经验，逐渐变成可规模化复制的能力。

未来的设计流程可能会变成：

设计完成 → AI 自动分析制造风险 → 提供优化建议 → 评估成本变化 → 辅助工程师决策。

这意味着制造企业可以把多年积累的制造经验，提前应用到产品研发阶段。

工业 AI 的竞争，本质是工业知识资产的竞争

未来几年，制造企业之间的 AI 竞争，不会简单取决于谁拥有更大的模型。

更重要的是：

谁能够把自身制造经验沉淀下来。

一家企业几十年的工艺经验，如果仍然依赖少数工程师，那么它就是个人能力。

如果能够通过 AI 模型、知识库和智能体体系沉淀下来，它就会变成企业能力。

这也是工业 AI 与普通 AI 应用最大的区别。

让制造经验成为企业的新生产力

制造业正在经历从自动化、数字化到智能化的升级。

自动化解决”机器替代人工”。

数字化解决”信息连接和管理效率”。

而 AI 正在探索解决：

如何让制造经验被理解、被复用、被持续优化。

立谱智造围绕零部件制造场景，探索工业垂类大模型与多智能体技术，通过图纸理解、DFM 分析、工艺规划、成本核算等能力，将分散在工程师经验中的制造知识转化为企业可调用的智能能力。

未来的智能工厂，不只是拥有更多设备，而是拥有能够理解制造、辅助决策、持续学习的工业智能系统。

而进入 2026 年，一个更加明显的趋势正在出现——AI 正在从”回答问题”，演变成真正能够完成工作的 AI Agent（智能体）。

越来越多的制造企业开始意识到，真正的价值并不是拥有一个聊天机器人，而是拥有能够自主完成设计分析、工艺规划、成本核算、质量评估等工作的”数字工程师”。

制造业 AI 正在进入 Agent 时代

过去几年，制造企业的信息化建设主要围绕 ERP、MES、PLM、CAPP 等系统展开。

这些系统解决了数据管理问题，却没有真正解决”工程师需要大量重复劳动”的问题。

例如：

• 一张二维/三维图纸需要人工分析加工特征；
• 工艺工程师需要规划加工路线；
• 报价工程师需要估算工时、材料和成本；
• DFM（Design for Manufacturability，面向制造的设计）分析依赖资深工程师经验；
• 工艺文件、SOP 等大量文档需要人工整理。

这些工作并非没有规则，而是规则复杂、知识密集、需要大量经验积累。

如今，大模型结合行业知识、多智能体协同以及企业知识库，正在让这些工作逐步实现自动化。业内普遍认为，工业 AI 的重点已经从单点工具升级为能够跨流程协同完成任务的智能体体系。

为什么制造业更需要 AI Agent？

制造业最大的特点不是数据少，而是流程复杂。

一次产品开发往往涉及：

产品设计 → 图纸解析 → 工艺规划 → DFM 分析 → 成本报价 → 采购 → 生产 → 检验 → 交付。

传统 AI 更多只能完成其中某一个环节。

而 Agent 的优势，在于能够像一名工程师一样，把多个任务串联起来。

例如：

当上传一份图纸后，一个完整的智能体流程可以自动完成：

• 图纸识别与结构特征提取
• 材料与加工工艺识别
• 可制造性分析（DFM）
• 工艺路线规划
• 工时估算
• 成本计算
• 自动生成分析报告

整个过程不再依赖人工逐项操作，而是多个专业 Agent 协同完成。

多智能体，将成为工业 AI 的主流架构

在工业场景中，很少存在一个模型能够解决所有问题。

真正有效的方式，是让不同能力的智能体协同工作。

例如：

• 图纸解析 Agent
  负责识别 CAD、PDF、STEP 等图纸中的几何特征。
• DFM Agent
  负责分析结构是否适合加工，识别加工风险，并提出优化建议。
• 工艺规划 Agent
  根据材料、设备和制造经验生成加工路线。
• 报价 Agent
  结合材料、设备、工时等信息完成成本测算。
• 知识库 Agent
  调用企业历史案例、标准工艺和规范，实现经验复用。

最终，这些 Agent 并不是独立运行，而是在统一的工作流中协同完成复杂任务。

IDC 等机构也预计，未来几年 AI Agent 将持续进入研发设计、工程验证、知识管理等制造核心业务场景，多智能体协同将成为工业 AI 的重要发展方向。

AI Agent 不会替代工程师，而是放大工程师能力

不少企业担心：

“AI 会不会取代工程师？”

从目前工业场景来看，答案更接近于：

AI 替代的是重复劳动，而不是工程决策。

真正需要工程师参与的，依然包括：

• 新产品方案设计
• 工艺创新
• 复杂异常处理
• 客户需求沟通
• 制造经验沉淀

而大量标准化、重复性的工作，则可以交由 AI Agent 完成。

工程师从”做大量重复工作”，逐渐转向”审核、优化和决策”。

从工具到数字员工，是工业 AI 的下一阶段

过去，企业采购的是软件。

未来，企业更希望拥有能够持续工作的”数字员工”。

它能够：

• 理解图纸
• 学习企业知识
• 调用设计和制造工具
• 自动执行流程
• 输出标准化结果
• 持续积累经验

对于制造企业而言，真正的竞争力不再只是部署一个 AI 大模型，而是构建符合自身业务流程的工业智能体体系。

立谱智造持续围绕零部件制造场景，探索工业垂类大模型与多智能体协同技术，聚焦图纸解析、DFM 分析、工艺规划、智能报价等核心环节，帮助制造企业将工程经验沉淀为可复用、可扩展的 AI 能力，让 AI 真正参与研发设计和制造流程，而不仅仅停留在对话层面。

过去几十年，CAD软件不断升级。从二维绘图到三维建模，从参数化设计到协同设计，机械工程师的工作效率提升了很多。

但有一个问题始终没有改变：

工程师仍然需要亲手建模。

无论是一个法兰盘、支架、连接件，还是复杂的非标设备零部件，都需要经历：

• 创建草图
• 标注尺寸
• 拉伸旋转
• 特征编辑
• 装配验证
• 输出图纸

对于经验丰富的工程师来说，这已经成为肌肉记忆。

但对于企业而言，这依然意味着大量重复劳动。

如果工程师只需要描述需求：”外径80mm，厚15mm，中心孔40mm，4个φ8均布通孔”，系统即可自动生成符合生产要求的3D模型。会发生什么？

这正是我们推出 Text to CAD AI Agent 的原因。

CAD设计，正在进入自然语言时代

在AI出现之前：设计师需要学习CAD。

未来：CAD开始学习设计师。

工程师不再需要先思考如何操作软件，而是直接描述设计意图：

• 创建一个带加强筋的安装支架
• 生成一个减速机输出法兰
• 设计一个用于工业相机安装的固定座

AI会自动理解需求，并生成对应的三维模型。

设计流程从：人 → CAD

变成：人 → AI → CAD

设计效率得到数量级提升。

Text to CAD AI Agent 能做什么？

1. 文字直接生成3D模型

用户只需要输入自然语言。

例如：

系统即可自动完成：

• 参数识别
• 几何推理
• 特征生成
• 三维建模

几秒钟内输出可编辑模型。

2. 图纸、图片自动建模

很多企业积累了大量历史图纸。

但这些图纸往往：

• 难检索
• 难复用
• 难修改

Text to CAD AI Agent支持：

• 工程图识别
• 草图识别
• 图片识别
• 历史案例检索

上传图纸后即可自动生成对应模型。

帮助企业激活沉睡的设计资产。

3. 导入模型持续修改

设计工作并非一次完成。

实际项目中经常需要：

• 改孔径
• 改尺寸
• 增加结构
• 优化重量

系统支持：

• STEP
• STL
• IGES
• OBJ

等格式模型导入。

通过自然语言即可完成修改。

例如：

• 将安装孔改为φ10
• 增加两处加强筋
• 厚度减少20%

无需重新建模。

不只是AI建模，而是多个AI智能体协同工作

很多AI产品的问题在于：

能生成，但不能落地。

设计看起来正确，生产却做不出来。

因此，我们构建了多个专业智能体协同工作机制。

• 翻译官：负责需求解析与术语理解。
• 设计理解专家：负责上下文管理和设计意图分析。
• 歧义消解专家：主动发现设计描述中的模糊信息。
• 视觉分析专家：负责图纸识别与逆向建模。
• CAD程序员：负责参数化建模与特征生成。
• 标准件专家：自动调用GB/ISO/DIN标准件库，减少重复设计。
• 质量审查员：自动执行DFM检查/干涉分析/特征检测/可制造性验证。

企业真正需要的不是AI绘图，而是AI设计能力

当前市场上很多AI产品能够生成漂亮图片。

但制造业需要的是：

可生产、可修改、可复用的工程模型。

一个真正有价值的AI设计系统必须具备：

✓ 理解工程语言

✓ 理解制造工艺

✓ 理解标准规范

✓ 理解企业知识库

✓ 理解历史设计经验

这也是Text to CAD AI Agent与通用AI工具最大的区别。

从设计自动化，到设计智能化

过去：工程师使用CAD软件完成设计。

现在：工程师与AI共同完成设计。

未来：AI将成为设计团队中的数字工程师。

它能够：

• 调用企业知识库
• 复用历史案例
• 自动生成方案
• 自动完成DFM检查
• 自动优化设计

帮助企业将设计经验沉淀为可复用的数字资产。

结语

制造业正在经历从数字化向智能化的跃迁。

而设计环节，正是最值得被AI重构的入口之一。

从“画图”到“表达需求”，

从“手工建模”到“智能生成”，

Text to CAD AI Agent 正在让设计变得更简单，让制造变得更高效。

未来，也许每一位工程师都会拥有自己的AI设计助手。

而这，仅仅是开始。