本次赛事聚焦人工智能前沿技术创新与产业化应用，吸引了来自粤港澳大湾区众多高校、科研机构及创新企业参与。经过项目征集、专家评审、路演答辩等环节的激烈角逐，立谱智造凭借在工业人工智能领域的创新实践与产业落地能力，从众多参赛项目中脱颖而出，荣获本届赛事一等奖。

当前，制造业正处于数字化、智能化转型的关键阶段。面对产品迭代加快、小批量多品种生产成为常态以及工程师经验传承困难等挑战，工业AI正逐渐成为推动产业升级的重要基础设施。

立谱智造坚持以真实工业场景为牵引，以企业实际业务需求为核心，推动人工智能从“工具辅助”向“业务决策赋能”升级。通过构建工业领域专属知识体系与智能体能力，帮助企业实现从设计、工艺、报价到生产协同的全流程智能化升级。

此次获得“华罗庚杯”一等奖，不仅是对立谱智造技术创新能力的认可，更是对工业AI产业化落地价值的充分肯定。

作为工业人工智能领域的创新企业，立谱智造始终致力于推动AI技术与制造业深度融合，围绕工业零部件设计研发与柔性生产场景，自主研发工业垂直领域AI模型及智能体系统，构建覆盖图纸识别、DFM分析、智能报价、生产协同及供应链管理等环节的一体化解决方案。

目前，立谱智造已形成包括：

• AI-DFX多智能体
• AMES
• APLM
• 零部件定制平台

在内的多项核心产品能力，帮助制造企业实现知识沉淀、经验复用和业务流程智能化升级，显著提升研发效率、报价效率及生产协同效率。

“华罗庚杯”作为常州市重点打造的创新创业赛事品牌，旨在汇聚全球创新资源，推动人工智能技术与实体经济深度融合。

未来，立谱智造将继续坚持“AI+制造”发展战略，持续投入工业垂直大模型与智能体技术研发，深化与高校、科研院所及产业链伙伴的合作，共同推动人工智能技术在制造业场景中的规模化应用。

让AI真正走进工厂，服务工程师，赋能制造业高质量发展。

在节目中，立谱智造围绕“AI赋能工业制造更快、更准、更省”这一核心方向，展示了工业AI在DFX分析、智能报价、工艺分析、生产协同等场景中的实际应用，以及AI如何真正进入制造业一线，帮助企业解决效率、经验、成本与协同问题。

对于很多制造企业来说，AI似乎已经不再陌生。但真正的问题是：为什么很多企业买了AI、搭了团队、做了系统，却依然很难真正落地？

因为工业制造不是简单的信息处理，而是一个高度依赖经验、工艺、流程、协同与生产逻辑的复杂体系。

立谱智造一直在做的事情，就是让AI真正理解工业制造。

很多人第一次接触AI，往往会想到通用大模型、聊天机器人、文案生成。

但在工业制造领域，真正有价值的AI，必须能够理解图纸、理解工艺、理解制造逻辑。比如一个零部件图纸上传之后：

• 能不能快速识别加工难点？
• 能不能提前发现设计风险？
• 能不能自动分析DFM/DFX问题？
• 能不能快速生成报价？
• 能不能辅助工艺规划？
• 能不能帮助企业减少人工经验依赖？

这些，才是工业AI真正需要解决的问题。

而这也是立谱智造重点投入的方向。节目中，团队展示了公司基于工业场景打造的AI能力，包括AI-DFX分析、AI知识库与经验沉淀和AI生产协同能力。

相比传统方式，很多原本需要大量人工经验和时间完成的工作，现在可以通过AI实现辅助分析与效率提升。

事实上，工业AI的难点，从来不只是模型。真正困难的是：

1. 工业数据天然复杂，制造业数据高度碎片化

图纸格式、工艺标准、设备类型、行业规范、材料特性、加工经验都不统一。很多经验甚至存在老师傅脑子里，没有数字化。这意味着工业AI不能只依赖互联网数据，而必须深入真实制造场景。

2、制造业需要“结果正确”，而通识类大模型允许“差不多”

在生产场景中，一个尺寸错误、一个工艺判断失误、一个报价偏差，都可能直接影响成本、交期甚至产品质量。所以工业AI的核心，不只是“能回答”，而是“回答能不能用于生产”。

3、工业场景链条太长

从研发、设计、DFM、报价、采购、工艺、生产到交付，每一个环节都存在大量协同问题。很多企业的问题，并不是单点效率，而是整个链条的信息断层。因此，工业AI必须能够真正进入业务流程，而不是停留在演示阶段。

立谱智造专注AI与制造融合应用，由哈工大教授领衔自研垂类模型与核心算法，赋能工业零部件设计、交易、生产全场景，为国内外企业提供一站式工业零部件智造AI解决方案，端到端以AI驱动直接交付成果，用AI让制造更快、更准、更省。目前，公司已经围绕工业零部件制造与研发场景，逐步形成了覆盖：

• DFX评估
• 工艺辅助
• 生产协同
• 柔性制造
• 工业知识沉淀

等多个环节的能力体系。

在很多传统制造流程中人工核价可能需要数小时； 经验分析过于依赖资深工程师； 跨部门协同效率低； 项目推进严重依赖人。

而AI的价值，本质上是把经验数字化、流程标准化、协同智能化。这也是工业制造未来的重要方向。

在采访中，团队也提到一个观点：未来淘汰制造企业的，不一定是同行，而是率先完成AI化升级的企业。

过去制造业拼的是规模、人力、设备和成本，未来制造业更重要的是数据能力、AI协同能力、柔性生产能力、响应速度和知识沉淀能力。

制造业正在从“大规模标准化”，逐步走向“大规模个性化”。而工业AI，将成为推动这一变化的重要基础设施。

此次是立谱智造第二次被深圳卫视报道，对于立谱智造来说，这不仅是一份认可，更重要的是，越来越多的人开始意识到：AI真正改变世界的地方，是进入实体产业、进入工厂、进入研发、进入真实生产环节。

工业AI或许不像消费互联网那样“热闹”，但它所带来的产业价值，正在被越来越多企业重新认识。

未来，立谱智造也将持续围绕工业场景，推动AI与制造业的深度融合，帮助更多制造企业实现降本、增效、提质与智能化升级。

“好像已经能用了，但为什么很少看到真正大规模复制的成熟案例？”

这个问题我们在一线客户交流中几乎每天都会被问到。从立谱智造做AI-DFx的实践来看，问题的关键不在于“AI能不能跑”，而在于——工业AI还没有真正进入可复制的系统阶段。我们可以从三个真实结构问题来看清楚这件事。

一、所谓“成熟案例”，其实是“局部成立”，不是“全局成立”

在一些典型场景里，工业AI确实已经跑得很好，比如：

• 产品型号单一
• 工艺路线固定
• 产线节奏稳定
• 数据结构清晰

在这种环境下，AI做识别、做预测、做辅助决策，是可以稳定工作的。甚至在一些项目中，效果非常明显。

但问题在于：

这些成功往往只成立在“特定工业切片”里，而不是整个制造系统。

一旦进入真实制造环境：

• 多机种混产
• 多工厂协同
• 工艺频繁变化
• 工程经验依赖强

原来“跑得很好”的AI系统，开始出现明显不适配。不是AI失效了，而是——环境变复杂后，它缺乏迁移能力。这也是为什么你会看到很多案例“能跑”，但很难复制。

二、为什么不能复制？本质是工业AI缺少“工程翻译层”

在立谱智造的AI-DFx体系里，我们一直强调一个核心问题：工业AI真正的瓶颈，不在模型，而在“工业语义没有被结构化”。换句话说就是AI看不懂工厂。它不是不知道，而是“表达不出来”。

现实中的问题通常表现为三种断裂：

1）设计语言和制造语言不一致

设计图纸、3D模型、BOM、工艺参数之间是割裂的。

2）经验无法结构化

老师傅知道“这个件要怎么做”，但无法被系统学习。

3）产线之间语义不统一

同样的零件，在不同产线被重新理解一次。

结果就是：A厂能用，B厂重做，换个客户又要重新建一套逻辑。这也是为什么很多AI项目停留在“试点成功”，却无法扩展。

在立谱智造的AI-DFx Multi-Agents体系里，我们做的其实就是把设计意图、工艺逻辑、制造约束，翻译成AI可理解的工业语义结构。只有解决这个问题，工业AI才有“复制能力”。

三、行业现实：不是AI不行，而是“落地方式在拉低上限”

工业AI今天最大的问题，其实不是技术，而是生态：市场上存在大量“轻工业理解 + 重AI包装”的方案。

它们的问题通常是：

• 没有真正进入产线
• 不理解工艺约束
• 不理解制造成本结构
• 只能做演示，无法闭环

结果就是：

• 企业试了一次 → 觉得AI不好用
• 项目失败 → 归因给AI本身
• 真正能做系统的人 → 反而缺少信任与场景

久而久之，行业形成一种错觉：“工业AI不稳定”。但真实情况不是AI不稳定，而是系统没有进入制造闭环。而制造闭环，必须同时具备：DFX设计约束理解、工艺路径建模能力、成本与报价系统联动、产线执行反馈机制。这也是为什么立谱智造一开始就没有把AI当“工具”，而是做成：AI-DFx多智能体。

四、工业AI的关键不是“做一个项目”，而是“形成可复用的项目能力”

在我们的AI-DFx实践中，一个非常重要的变化是：我们不把工业AI当成“一个模型任务”，而是当成一个贯穿设计 → 工艺 → 报价 → 制造的协同系统。

在这个过程中，我们关注的不是单点能力，而是：

• DFX是否能结构化表达
• 工艺是否能标准化拆解
• 报价是否可以自动推导
• 制造是否能形成反馈闭环

换句话说，我们做的是“项目交付”，但目标是“能力沉淀”。

五、总结：工业AI的终局，不是更强模型，而是更强的“制造表达能力”

工业AI真正的竞争，不在算法本身，而在一个更底层的问题：谁能把工业世界“翻译给机器”。

未来的工业AI竞争会逐渐变成三件事：

• 谁的工业语义结构更完整
• 谁的系统闭环更稳定
• 谁能让AI真正进入制造流程，而不是停留在分析层

在这个过程中，立谱智造更关注的不是“AI看起来多聪明”，而是AI是否真的能理解制造，并参与制造。

因为工业的本质从来不是展示技术，而是解决：

• 成本
• 交付
• 稳定性
• 可复制性

如果AI不能进入这些核心指标，它就还停留在“演示阶段”。

一提到工业大模型，很多人马上想到：Agent、多模态、数字孪生、工业知识图谱、推理模型、AI中台、工业Copilot、自动编程、具身智能、工业互联网、AI+MES……

这些当然都属于工业AI的一部分。但在我看来，工业大模型最本质的东西，其实没有那么玄。我认为工业大模型的本质，就是：把原来靠工程师反复经验判断、重复分析、人工协同完成的工作，用AI更快、更稳定、更低成本地完成。

• 工程师看图纸，AI也可以看图纸。
• 工程师做DFM分析，AI也可以分析。
• 工程师核加工报价，AI也可以核价。
• 工程师判断工艺路线，AI也可以推荐工艺。
• 工程师检查结构风险，AI也可以提前发现问题。
• 工程师协调供应链、跟进生产、整理数据，AI也可以协同完成。

工业大模型不是为了显得高级，工业大模型真正的目的，是让制造决策更快，让经验沉淀下来，让生产协同效率更高，让企业减少对“老师傅经验”的过度依赖。

一、工业大模型不是越“大”越好，而是越“懂现场”越好

这两年，我看了很多工业AI项目。

有的项目确实解决了问题：报价效率提升了，工程响应速度提升了，设计返工减少了，交付周期缩短了。

但也有不少项目，看起来很先进，实际上却很难真正落地。

• 有的模型什么都能聊，但就是不懂制造。
• 有的系统演示时很惊艳，一到真实图纸就开始胡说。
• 有的AI看得懂零件，却不懂加工。
• 有的AI会生成工艺，却完全不考虑现场能不能做。
• 有的AI能分析结构，却不知道什么叫变形、刀路、装夹、公差链。
• 还有一些系统，最后变成了“AI+PPT”。

这类事情看多了，我越来越觉得：很多工业AI项目失败，不是因为模型不够大，而是因为一开始就没有真正理解工业现场。

制造业不是互联网。互联网很多问题是“信息问题”。但制造业大量问题，本质上是“物理问题”。图纸是否可加工？结构会不会变形？工艺路线合不合理？公差是否可控？材料能不能满足强度？良率为什么波动？节拍为什么不稳定？

这些东西，不是靠“会聊天”就能解决。所以，工业大模型第一步，不是先做一个聊天机器人。而是先回答一个问题：AI到底替谁解决问题？

是替工程师减少重复分析？还是替采购缩短询价时间？还是替老板提升交付能力？还是替工厂提升柔性生产效率？

问题不同，AI的价值也不同。

二、工业AI不是炫技，而是解决“重复脑力劳动”

很多企业现在做工业AI，也很容易掉进一个误区：觉得AI越复杂越好。

一上来就想：全链路Agent、自动决策、无人化工厂、全自动编程、工业数字人、AI全面替代工程师……

这些有没有价值？当然有。但前提是：你的数据、流程、工艺、现场管理，真的已经支撑得起这些能力。

很多企业现在连图纸标准都没统一，BOM都不规范，工艺经验还停留在老师傅脑子里，结果一上来就谈“工业智能体全面自主决策”。

这其实很危险。因为工业AI不是魔法。它不是一接入就自动变聪明。工业AI最重要的，不是“大模型”四个字，而是：工业Know-How。

很多时候，一个真正有价值的工业AI系统，并不是最复杂的。而是：它真的懂加工、懂工艺、懂现场、懂交付。

比如：

• 一个AI-DFM系统，能提前发现结构风险；
• 一个AI报价系统，60秒完成工艺核价；
• 一个AI工艺助手，自动推荐加工路径；
• 一个AI协同系统，能自动拆解生产任务；

这些能力，可能比“万能聊天机器人”更有价值。因为制造业最缺的，从来不是“会聊天的AI”。而是：真正能进入生产流程、帮助企业降本增效的AI。

三、工业大模型最核心的逻辑，其实很简单

很多人觉得工业AI特别复杂。但拆开来看，本质上无非几个问题。

第一，它怎么理解工业数据？

• 图纸怎么看？
• 二维图怎么看？
• 三维模型怎么看？
• 工艺文件怎么看？
• BOM怎么看？
• 设备数据怎么看？

这些背后，本质上是多模态理解能力。

第二，它怎么做工业判断？

• 这个零件适合CNC还是3D打印？
• 这个结构有没有加工风险？
• 这个孔为什么难加工？
• 这个壁厚会不会变形？
• 这个工艺路线是否合理？

这些背后，本质上是工业知识 + 推理能力。

第三，它怎么参与生产协同？

• 报价怎么生成？
• 工艺怎么流转？
• 任务怎么分配？
• 异常怎么预警？
• 供应链怎么协同？

这些背后，本质上是Agent能力 + 工作流能力。

最后，它怎么真正进入工厂？

• 能不能接ERP？或者MES？
• 能不能接入生产设备？
• 能不能适应不同工厂？
• 能不能长期迭代？

这些背后，本质上是：工程化能力。所以工业大模型并不神秘。它本质上，就是：把工业经验、生产逻辑、工程知识、制造流程，变成AI可以理解和执行的能力。

四、很多工业AI问题，不是模型问题，而是数据和流程问题

很多企业一做AI，就问：“你们模型多少B？”、“是不是DeepSeek架构？”、“是不是多Agent？”、“能不能本地部署？”

当然，这些很重要，但真正决定工业AI能不能落地的，很多时候不是模型参数，而是数据有没有治理好，是数据太乱。比如图纸格式不统一；工艺经验不标准；历史订单没人整理；BOM命名混乱；加工经验都在聊天记录里；设备数据彼此孤立……这些如果不解决，最后AI再强，也很难真正理解业务。所以很多工业AI项目，真正最难的环节，不是模型训练。

而是要做好数据治理。

这也是为什么很多企业觉得AI“没效果”。不是AI不行。而是企业本身的信息流、工艺流、数据流，本来就是断裂的。

五、工业AI不是替代人，而是放大优秀工程师

现在很多人讨论AI，都喜欢说：“AI会不会替代工程师？”

但我越来越觉得：工业AI真正改变的，不是“有没有工程师”。

而是：一个优秀工程师，未来可以放大多少倍。

以前一个资深工程师，一天可能只能评审10张图纸。未来AI辅助后，他一天可能能评审100张。以前一个报价工程师，需要2小时核价。未来AI可能5秒完成初步报价。以前老师傅的经验，只能带几个徒弟。未来这些经验，可以沉淀成工业智能体。所以工业AI真正的价值，不是“替代”。而是把优秀经验规模化、把制造Know-How数字化、把工业能力平台化。

六、真正的工业AI，一定会回到制造现场

很多AI公司喜欢谈模型。但制造业最终只看结果。你模型再先进：如果不能减少返工，不能缩短交期，不能提升良率，不能降低成本，不能提高协同效率，那现场就不会长期买单。

制造业没有那么多概念泡沫。设备能不能稳定跑，工艺能不能稳定做，订单能不能稳定交，这才是真正的标准。

所以我一直认为工业AI最重要的，不是“会说”，而是会干。

七、最后

做制造越久，我越相信一句话：工业大模型最难的，是让AI真正进入工业流程，并长期稳定创造价值。

工业AI不是炫技。不是堆参数。不是做演示。也不是只停留在PPT里。

工业AI真正要解决的是：让设计更快，让报价更准，让工艺更稳定，让协同更高效，让经验可沉淀，让生产更柔性，让制造真正走向智能化。

如果这些问题想清楚了，AI就是生产力。如果这些问题没想清楚，再大的模型，也可能只是新的负担。工业大模型，最终一定要回到：图纸、工艺、设备、生产、交付、质量、成本和现场。这才是工业AI真正的价值。

你觉得，未来工业AI最先替代的，会是哪一类工作？

表面看，这是两家公司的不同命运；但本质上，这是两条路线的分野——AI正在从“能力展示”，走向“结果负责”。

一、通用智能体的终局：成为系统组件

Manus的成功，很典型。

它没有重做底层模型，而是基于已有大模型，通过任务编排，把“能对话”变成“能做事”。
这一步，确实让AI从玩具变成了工具。

但它被收购，其实也说明了一件更关键的事：

通用智能体的天花板，是平台生态的一部分，而不是独立生产力系统。

原因很简单：

• 它解决的是“信息处理效率”
• 而不是“真实世界结果”

在办公、营销、内容生产等场景，这已经足够。
但一旦进入工业、医疗、能源这些领域，问题就完全变了。

二、工业场景不需要“会聊天的AI”

工业的核心，从来不是“能不能生成”，而是：

• 能不能判断对
• 能不能稳定执行
• 能不能承担后果

这也是为什么，大多数通用智能体，一旦进入工厂，就会失效。

不是模型不够强，而是问题类型变了：

所以工业领域真正缺的，从来不是一个“更聪明的ChatGPT”，而是：一个能够贯穿“理解—分析—决策—执行”的工业大脑。

三、工业智能体的本质：闭环，而不是能力

很多人把工业智能体理解为“垂直版AI”，但这其实是误解。

工业智能体真正的壁垒，不在模型，而在闭环能力：

• 向下，打通数据：PLC、传感器、MES、CAD、工艺参数，全部要连通
• 向内，沉淀经验：老工程师的判断逻辑，要被结构化、可复用
• 向上，做出决策：不只是分析问题，而是给出可执行方案
• 向后，进入生产：决策要能落到排产、加工、交付

这四件事，缺一不可。

这也是为什么：工业AI不是“工具升级”，而是“生产系统重构”。

四、为什么这件事只能在中国发生

很多人会问：为什么工业智能体这条路径，在中国更快？

核心不是技术，而是结构。

中国具备一个非常特殊的组合：

• 完整的制造业体系-场景密度极高
• 快速迭代的工程能力，而非论文驱动
• 数据、算力、场景可以协同，而不是相互隔离

这意味着一件事：工业智能体不是“先有模型再找场景”，而是“在场景中长出来的系统能力”。

这和硅谷路径，本质不同。

五、我们看到来自一线的真实变化

在实际落地过程中，我们看到的变化，不是“效率提升一点”，而是结构性改变：

• 报价，从几天 → 几秒
• DFM评估，从经验判断 → 系统输出
• 工艺设计，从人工试错 → AI推荐
• 生产协同，从人驱动 → 数据驱动

更关键的是：决策开始被系统接管，而不是辅助。

这才是工业智能体真正开始发挥作用的标志。

六、未来三年，不是“有没有AI”，而是“有没有系统”

接下来三年，工业领域会发生三件确定性的事：

1. 通用AI全面退居底层

成为能力供给，而不是应用形态

2. 垂直智能体成为主入口

不同产业，会出现自己的“工业操作系统”

3. 人机协同成为默认结构

AI负责分析与执行，人负责最终决策与兜底

七、结尾：AI的终局，不在对话框

过去两年，AI的主战场在屏幕上。未来十年，AI的主战场，在真实世界。在制造业，这一点会最早发生，也最彻底。

因为这里不接受“差不多”，只接受：能不能生产，能不能交付，能不能负责。

这也是为什么我们一直在做一件事：不是做一个更聪明的AI，而是构建一个能够贯穿设计、分析、报价、生产的工业智能体系统。

AI的价值，不在生成答案，而在改变结果。

在本次报道中，一个关键信号被反复提及：

AI，正在将制造业从“周级周期”压缩至“天级响应”。

在传统制造模式下，一个产品从设计到样品交付，往往需要经历多个低效环节：

• 图纸反复修改，沟通成本高
• 工艺方案依赖人工经验，难以标准化
• 报价与排产割裂，周期不可控
• 产能匹配依赖人工协调，响应缓慢

这些问题叠加，直接拉长了产品研发周期，也增加了试错成本。而在本次节目中，立谱智造展示了一种新的实现路径：通过构建垂直领域工业大模型，将设计、工艺、报价与生产进行系统性重构：

• 图纸解析自动化：快速理解二维/三维设计数据
• 工艺决策模型化：基于历史数据匹配最优加工路径
• 报价计算实时化：多参数联动，实现秒级核价
• 生产调度智能化：自动匹配产能，实现快速排产

该体系以超过10万份工业零部件图纸数据与数万条工艺规则为基础，使AI具备工程语义理解与决策能力。

最终带来的结果是：产品从设计到样品交付，最快可在48小时内完成。这不仅是效率优化，更是对传统制造流程的一次重构。

在同一节目中，立谱智造联合创始人、首席科学家、哈尔滨工业大学（深圳）计算机学院教授，中国计算机学会青年计算机科技论坛（CCF YOCSEF）深圳主席，中国人工智能学会青年工作委员会委员漆舒汉，也从产业视角给出了解释：相比传统模式下科研成果2-3年的转化周期，深圳可以将这一周期压缩至2-3个月。

这种“深圳速度”的形成，离不开三方面基础：

1. 完整且高密度的产业链体系：从设计、打样到量产，关键环节高度集中，使技术能够快速落地验证。

2. 面向新技术的开放制造环境：本地制造企业普遍具备较强的技术接受能力，愿意与AI等新技术深度结合。

3. 数据要素的流通机制逐步建立：随着数据交易与共享机制的发展，制造数据开始从“封闭资源”向“可利用资产”转变，为工业大模型提供关键支撑。

从更宏观的角度来看，本次报道所反映的不仅是单一企业的实践，更是制造业底层逻辑的变化：过去，制造依赖工程师经验与人工协同；现在，制造正在向“模型驱动 + 数据驱动”转变。

这一转变带来了三个显著特征：

• 更快：研发与打样周期显著压缩
• 更准：基于数据的决策降低不确定性
• 更省：在设计阶段即实现成本优化

也意味着：制造能力，正在从“个体经验”转变为“系统能力”。

在这一趋势下，立谱智造围绕工业大模型，持续推进制造全链路的智能化重构：

• 在设计端，实现图纸的结构化理解与可制造性分析
• 在工程端，构建工艺知识库与决策模型
• 在交易端，实现报价与需求的高效匹配
• 在生产端，打通多工艺产能，实现柔性调度

通过“AI模型 + 云工厂”的方式，将分散的制造资源整合为可调度的系统能力。逐步形成从设计、分析、报价到生产交付的闭环能力。

从本次深圳卫视的报道可以看到，一个更加清晰的趋势正在形成：制造，正在从“重资产能力”走向“可调用能力”。

当工业大模型与数据要素结合：

• 产品开发门槛将持续降低
• 创新迭代速度将显著提升
• 企业试错成本将进一步下降

这不仅影响制造企业，也将深刻改变整个产业创新方式。

深圳正在通过“AI工具化 + 数据资产化”，推动制造业迈向新的发展阶段。立谱智造作为工业大模型的实践者，也将持续探索AI与制造深度融合的更多可能性。

让制造更高效、更精准、更可控。

检索到了，为什么还是答错？——PruneRAG 瞄准 RAG“证据遗忘”难题

PruneRAG 论文——该成果已经被国际顶级学术会议 The Web Conference （WWW2026）正式录用

在大模型应用快速落地的今天，RAG（检索增强生成）几乎成为知识密集型AI系统的“标配”。

但一个很少被正面讨论的问题正在浮现：模型已经检索到了正确答案所需的关键证据，为什么还是会答错？这并不是个例，而是一类系统性问题。

近期，由哈尔滨工业大学（深圳）与立谱智造联合研究团队提出的 PruneRAG 框架，关注的是检索增强生成（RAG）系统里一个非常常见、但长期没有被充分刻画的问题：模型已经检索到了关键证据，却没有在后续推理中真正把这些证据用起来。

这种现象在多跳问答任务中尤其明显。随着推理步骤不断增加、上下文持续累积，前面检索到的重要信息很容易被后续内容冲淡，最终模型虽然“见过”关键证据，却依然给出了错误答案。

PruneRAG 关注的，正是这一类 evidence forgetting（证据遗忘） 问题。这项工作的核心目标，并不是单纯让模型“检索更多”，而是让它在拿到信息之后，能够更稳定地保留、筛选并利用这些信息。

从这个角度看，PruneRAG 更像是在优化 RAG 的推理控制机制，而不只是增加一个新的检索模块。

过去讨论 RAG，大家往往更关注检索能力，例如文档能不能召回、证据能不能找准、知识能不能补齐。但在复杂推理任务中，系统出错往往还有另一层原因，那就是证据利用失败。

也就是说，问题未必出在“没有找到信息”，而可能出在：

1）关键证据已经进入上下文，却没有真正参与后续推理；

2）早期检索到的正确信息被后续冗余内容覆盖；

3）模型沿着一条质量不高的路径继续展开，导致错误不断被放大。

这也是为什么，单纯增加检索次数并不一定会带来更好的最终效果。更多检索有时意味着更多证据，但也意味着更多噪声、更长延迟，以及更难控制的推理过程。PruneRAG 想解决的，正是这一层问题：当模型已经拿到证据之后，怎样才能更可靠地使用这些证据。

为了更准确地刻画这个现象，PruneRAG 引入了一个新的指标：Evidence Forgetting Rate（EFR）。

这个指标关注的是这样一种情况：标准答案所需的黄金证据已经被完整检索到，但模型最终仍然回答错误。

EFR 的意义在于，它把“检索是否成功”和“证据是否被有效利用”拆开来看。传统的 EM、F1 只能告诉我们最后答得对不对，但 EFR 更进一步追问：如果证据都已经给到了，为什么还是没答对？这个视角很重要。

因为它意味着，RAG 的优化不能只停留在“提高召回率”这一层，还要进一步关注模型如何在多步推理过程中维持证据的可用性，避免关键线索在中间步骤中被冲淡、遮蔽甚至遗失。

从整体上看，PruneRAG 建立在一个结构化的 Query Decomposition Tree 上。面对复杂问题时，系统不再沿着单条推理链一路往下走，而是把问题逐步拆成更小的子问题，再通过回溯把各个分支的信息重新聚合回来。

但仅仅“做成树”并不够。树结构如果缺乏控制，反而容易引入大量低价值节点和冗余搜索。因此，PruneRAG 的关键不只是 tree，而是在 tree 上增加了更细致的推理控制机制。

PruneRAG整体框架图

1. 自适应扩展：不是所有问题都值得一直拆下去

在很多多跳 RAG 方法里，问题分解往往会不断向下展开。但这种持续扩展并不总是有益，有时反而会让推理过程越来越冗长，也越来越不稳定。因此，PruneRAG 让每个节点都动态判断当前最合理的动作：

如果现有证据已经足够，且模型可以给出高质量答案，就直接在当前节点停止； 如果问题还可以继续拆解，就生成更基础的子查询，递归求解； 如果既不能直接回答，也不适合继续拆解，就转向实体级检索。

换句话说，PruneRAG 并不希望推理树无边界地生长，而是希望它在必要的时候展开，在合适的时候停止。

2. 置信度剪枝：不让低质量中间答案继续往后传

这是 PruneRAG 最核心的设计之一。在多步推理里，真正危险的往往不是最后一步，而是中间那个“看起来像对了、实际上并不稳”的答案。一旦系统过早接受了这样的中间结果，后面的整条路径都可能建立在错误前提之上。

因此，当模型在某个节点生成候选答案后，PruneRAG 不会直接接受，而是先根据答案序列的 token-level probability 计算一个整体置信度。

如果置信度足够高，就接受这个答案，并停止当前分支的进一步扩展； 如果置信度不足，就拒绝当前答案，继续拆解问题，或者转向更细粒度的检索。

这一步相当于给多步 RAG 加了一个“中间结果验收机制”。系统不再是“只要生成了答案就继续往下走”,而是要先判断：这个答案到底值不值得信。

3. 细粒度检索：问题拆不动的时候，不硬拆，而是换一种方式找证据

并不是所有 query 都适合持续分解。有些问题如果继续往下拆，反而会破坏原始语义结构，引入新的误差。

因此，PruneRAG 设计了一个兜底策略：当一个问题已经不适合继续拆解时，系统会自动提取其中的关键实体，例如人物、地点、事件或关系表达，把它们作为更精确的检索锚点执行 retrieval。

这意味着系统不会因为“拆不下去”就停住，也不会为了维持树结构而生硬地继续分解，而是切换到一种更适合当前状态的证据补充方式。很多复杂问题走到最后，真正缺的并不是“更多推理”，而是一次更准的检索。

4. 底向上的回溯：把分散在树上的证据重新聚起来

在整棵分解树构建完成之后，PruneRAG 会执行一个 bottom-up backtracing 过程：从叶子节点开始，逐层向上聚合中间答案与支持证据，最终在根节点形成最终输出。

这个过程不是简单的信息拼接，而是为了保证信息能够从局部节点稳定回流到全局问题，尽可能减少“前面找到了、后面又丢掉”的情况。可以把它理解成这样：前面的分解和检索是在“分散找线索”，后面的回溯聚合是在“重新组织线索”。

PruneRAG实验结果表

在 HotpotQA、2WikiQA 和 MusiQue 三个多跳问答数据集上，PruneRAG 在 Llama-3.1-8B-Instruct 和 Qwen3-8B 两个 backbone 下都取得了更强的综合表现。

相比最强 baseline，PruneRAG 平均 F1 提升 5.45%，平均 推理速度提升 4.9 倍，同时将平均 证据遗忘率（EFR）降低了 20.8%。

以 Qwen3-8B 为例，PruneRAG 在 HotpotQA / 2WikiQA / MusiQue 上分别达到 56.6 / 41.2 / 17.6 EM，对应的 F1 为 63.6 / 44.4 / 25.6，同时 EFR 降到 23.1 / 26.0 / 38.4。

这说明它的提升不只是体现在最终答案更准，也体现在已经检索到黄金证据时，更不容易把这些证据“忘掉”。

实验结果气泡图

气泡图实验结果更直观地说明了 PruneRAG 的优势并不是靠“多搜几次”换来的。图中横轴是检索次数，纵轴是黄金文档召回率，气泡大小代表最终 EM。

可以看到，PruneRAG 在 检索次数只有约 2 次 的情况下，就取得了接近 0.61 的 recall 和 56.6 的 EM，整体位置明显优于多数 baseline。相比之下，一些方法虽然检索次数更多，但并没有带来更高的最终准确率。

这两组结果放在一起，其实说明了一件很重要的事：RAG 的问题并不只是“能不能检索到”，更在于“检索到之后能不能真正用好”。

PruneRAG 的改进，不是简单增加搜索深度或检索轮数，而是通过更好的推理控制，让系统在更少或相近的检索开销下，获得更高质量的证据利用效果。

也正因为如此，它才能同时做到更准、更快，也更不容易遗忘关键证据。

05

这件事对产业意味着什么？

PruneRAG 的意义，不只是一个算法优化。它实际上在回答一个更关键的问题：当大模型进入真实业务场景，我们到底该优化什么？

答案正在发生变化。过去，我们习惯把优化重点放在“让模型知道更多”——不断提升检索能力、增加上下文长度、依赖更大规模的模型来覆盖更多知识。

但在实际应用中，这一思路正在逐渐失效。行业开始意识到，真正关键的，不再是信息获取本身，而是信息如何被使用。

与其一味提高检索能力，不如更精细地控制推理过程；与其不断堆叠上下文，不如管理好信息在系统中的流动与筛选；与其盲目追求更大模型，不如让模型在关键时刻做出更稳定、更可靠的决策。

对于企业级 AI（尤其是制造业、工程场景）来说，这一点尤为关键：错误不是“答偏一点”，而是决策风险；问题不是“不会”，而是不稳定。

而 PruneRAG 提供的，是一种更接近工程系统的思路：让模型在不确定时收敛，在确定时停止。

这项工作由哈尔滨工业大学（深圳）与立谱智造联合完成，如果说学术界在解决“模型能力边界”，那立谱智造更关注的是：如何把这些能力，变成可以稳定运行的工业级系统；让模型在复杂环境中，做出更可信的判断。

他只会盯着一个问题不放：这套系统，是否真的改变了生产本身？

在Tesla和SpaceX的实践中，Musk反复强调一个极其朴素、但也极其苛刻的原则——如果一项技术不能进入物理世界，不能转化为效率提升、成本下降或产能提升，那么它就不重要。

也就是说，AI可以很聪明，模型可以很先进，但如果它停留在屏幕里，而没有进入产线，它本质上仍然是“外部工具”，而不是“系统的一部分”。

顺着这个标准往下看，会发现一个有点反直觉的结论：当下很多制造业AI的问题，并不在于“能力不够”，而在于“位置不对”。

大量系统在做的是分析：分析数据、分析图纸、分析流程，甚至给出看起来很合理的建议。但这些建议，往往停留在报告里，停留在工程师的讨论中，最终仍然需要人来做判断、来承担决策、来推动执行。

于是就出现了一种典型状态：AI参与了过程，但没有进入系统。

它让人“看得更清楚”，但没有让系统“运行得更好”。而制造业真正的问题，也就浮现出来了——不是看不懂，而是没有闭环。设计、制造、反馈，本该是一个连续循环，但现实却是割裂的。设计人员并不真正理解制造的约束，制造端不断为设计“修正问题”，而反馈又很难有效进入下一轮设计优化。这种断裂，使得每一个项目都在重复试错，每一次优化都依赖经验，每一个决策都带有不确定性。

在这样的背景下，再去看立谱智造，它的定位就会变得更清晰。它并不是在单点上增加一个AI能力，而是在尝试把原本断开的链路重新连接起来。

从图纸开始，把原本依赖工程师直觉的理解过程，转化为结构化数据；再通过DFM、工艺推理和成本核算，把“能不能做、怎么做、多少钱做”这些问题，从隐性的经验判断，变成显性的系统推理；再往下，则开始尝试与MES等系统衔接，让这些推理结果影响真实的制造路径。

到这里为止，它仍然可以被理解为一个“更强的辅助系统”。但如果再往前一步看，会发现关键点其实不在“分析能力”，而在“是否开始影响生产”。

因为一旦系统开始参与工艺选择、成本结构甚至生产调度，它的角色就发生了变化——它不再只是提供建议，而是在逐步接管原本属于人的一部分决策权。

理解了这一点，再来看“AI能力本身”，反而会得到一个不同的判断。

很多人会下意识认为，系统越复杂、能力越多，就越先进。但在Musk的逻辑里，复杂从来不是目标，甚至往往是问题。他在Tesla内部反复强调的一点是：最好的工艺，是不需要存在的工艺。

换句话说，任何不能减少复杂度的优化，本质上都只是“重新排列复杂度”。

因此，立谱智造真正的价值，并不在于它增加了多少分析能力，而在于它是否能够把优化前移。如果一个设计在进入生产之前，就已经通过DFM规避了不合理结构，如果一条工艺路径在生成之前就已经被推理为更优方案，那么后续的制造成本、风险和不确定性，都会同步下降。

这是一种“在源头消灭问题”的能力，而不是“在过程中修补问题”。

但也正是在这里，大多数AI系统会停下来。因为再往前一步，问题的性质就变了。

只要系统停留在分析和建议层，它就是安全的：

• 它可以出错，但不需要负责；
• 它可以参与决策，但不承担结果。

但一旦进入生产执行层，情况就完全不同了。系统不仅要面对真实世界的波动和不确定性，还必须对结果产生影响。这不再只是技术问题，而是工程问题、组织问题，甚至是信任问题。

也正因此，从Musk的视角来看，真正的分水岭从来不是“模型强不强”，而是：

AI是否进入了物理世界。

如果顺着这个逻辑继续往下推，会发现一个更深层的对比开始浮现。

过去几年，很多人习惯用Palantir来作为企业级AI的参照，因为它代表了一种能力：在极其复杂的系统中，把数据、逻辑和决策整合在一起，让AI能够“理解世界，并参与控制”。

但当这个参照系被放到制造业时，问题就发生了变化。

制造业当然也需要认知和决策，但它最终必须落到一个更具体的层面——物理制造。一个判断是否正确，不取决于模型是否自洽，而取决于零件能不能加工出来、成本是否可控、良率是否稳定。

这就带来了一个本质差异：像Palantir这样的系统，可以在数据和模型中不断逼近真实；而像立谱智造这样的系统，一旦进入制造，就必须接受真实生产的检验。

也正因为如此，用Palantir来类比立谱智造，其实既对，也不完全对。前者是在复杂系统中建立认知与控制，而后者面对的是一个更加具体、也更加苛刻的世界——不是“是否理解正确”，而是“是否真的做出来了”。

把这些逻辑收束起来，问题就变得非常直接。

立谱智造接下来真正要面对的，不是模型能力的提升，也不是功能的扩展，而是一个更现实的问题：

它是否愿意、也是否有能力，把AI从“分析层”推向“执行层”。

如果它停留在辅助决策的位置，它会成为一个很好用、甚至很有价值的工具；但如果它持续向下，嵌入到工艺、调度乃至生产控制中，那么它的性质会发生根本变化——它将不再只是软件，而更接近一种“制造基础设施”。

如果一个系统不能让工厂更高效，它就不重要；但一旦它开始改变制造方式，它就不再只是AI，而是工业体系的一部分。

作为中国人工智能领域最具权威性的奖项之一，吴文俊人工智能科学技术奖代表着我国在智能科学领域的最高学术认可。

此次获奖，不仅是对漆舒汉教授及其团队长期深耕复杂决策智能方向的高度肯定，也标志着相关核心技术正从学术研究走向产业落地，特别是在智能制造等复杂工业场景中展现出关键价值。

此次获奖的科研成果为《复杂场景非完全信息高效智能决策关键技术及应用》。项目围绕复杂环境下“信息不完备、不确定”的决策问题，从多主体博弈建模与动态优化机制入手，在不完全信息条件下构建了高效决策的建模、求解与学习方法体系。

研究从决策过程的全局协同与局部优化出发，系统性突破了多约束、多变量条件下的智能决策难题，形成了兼具高精度与高效率的决策智能技术框架，并在金融风险预警、城市经济运行、能源管理等复杂场景中实现了规模化应用验证。

随着人工智能技术的不断发展，工业领域的核心问题正从“看得见”走向“做得对”。单点智能已难以满足复杂制造系统的需求，如何在多工序、多设备、多角色协同中实现全局最优，成为企业数字化转型的关键挑战。

基于相关研究成果，立谱智造正在将“决策智能”能力融入其DFX系统与AI-MES体系中，应用于工艺路径选择、成本核算优化、生产调度决策等核心环节。

以非标零部件制造为例，不同工艺路线、材料组合与加工顺序之间存在复杂的组合关系与不确定性。传统依赖经验的决策方式，不仅效率有限，也难以规模化复制。而基于多智能体与博弈决策的方法，可以在多约束条件下快速生成更优解，显著提升决策效率与结果稳定性。

这一能力，正成为推动制造业从“经验驱动”迈向“数据与智能驱动”的关键引擎。

对于立谱智造而言，此次获奖不仅是一项科研成果的体现，更是公司在“AI+制造”方向长期布局的阶段性成果。

围绕“设计即制造、制造即智能、制造即服务”的发展路径，立谱智造正通过AI技术重构从设计、报价、生产到交付的全流程能力，将复杂决策能力嵌入每一个关键环节，推动制造系统向更高效、更灵活、更智能的方向演进。

未来，随着决策智能、多智能体与工业场景的进一步融合，制造业将从“自动化”迈向“自适应”，真正实现面向复杂环境的智能运行。

《赢在AI+》是由中央广播电视总台打造的大型纪实创投节目，围绕国家“人工智能+”战略，通过项目路演、专家评审与产业对接等形式，推动AI技术成果转化与产业应用落地。

一、立谱智造参与《赢在AI+》：聚焦AI+制造落地能力

作为AI+制造领域的创新企业，立谱智造受邀参与本次路演，并接受央视采访，与产业方、投资机构及创新团队进行了深入交流。

立谱智造创始人谭程明在活动现场表示：

AI的核心竞争力，正在从“模型能力”转向“产业落地能力”。

这一判断，正在成为当前AI行业的重要共识。

二、企业定位：工业智能体与AI制造解决方案提供商

深圳乐谱兰斯科技（品牌：立谱智造）是由哈工大（深圳）科技成果转化，并由力合科创投资孵化的高新技术企业，专注于AI与制造业的深度融合应用。

公司自研“混合专家垂类大模型”及核心算法体系，面向制造业提供覆盖全流程的智能化能力，包括：

• 研发与设计辅助
• 可制造性分析
• 工艺路径优化
• 成本核算与智能报价
• 生产协同与运营管理

工业智能体是指能够参与并优化工业生产决策流程的AI系统，其核心在于将工程经验转化为可执行的智能能力。

三、核心能力：多智能体（A2A）驱动的端到端制造方案

立谱智造构建了基于多智能体（A2A）的制造解决方案体系，实现从设计到生产的全链路智能化：

• 输入：设计图纸 / 需求参数
• 处理：多智能体协同推理（DFX、工艺、成本等）
• 输出：可执行生产方案与结果交付

立谱智造通过多智能体系统，实现“从输入到结果”的端到端AI驱动制造模式。该模式有效降低对人工经验的依赖，提升决策效率与生产一致性。

四、行业洞察：AI竞争进入“落地能力”阶段

基于本次路演及行业观察，可以明确一个趋势：

AI产业正在从“技术领先竞争”转向“落地能力竞争”。

未来具备竞争力的AI企业，需要同时具备三项能力：

1. 深入行业场景（而非通用能力）
2. 构建系统级解决方案（而非单点工具）
3. 实现业务闭环（从输入到结果）

这一趋势在制造业中尤为明显。

五、AI+制造：产业重构的核心场景

制造业具有高复杂度、高经验依赖、高非标特征，是AI落地最具挑战性、同时价值最高的领域之一。

制造业是AI从工具升级为生产力基础设施的关键场景。随着AI在设计、工艺、报价与生产环节的深入应用，制造模式正从“经验驱动”向“数据与模型驱动”转变。

AI的上半场是技术突破，下半场是产业重构。

立谱智造将持续围绕“AI+制造”，推动人工智能从辅助工具升级为生产力基础设施，加速非标零部件设计与生产的智能化、柔性化与规模化发展。