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。

近日，深圳市乐谱兰斯科技有限公司 作为作者单位之一，与哈尔滨（深圳）等多家单位合作完成的两项研究成果，被国际顶级学术会议 The Web Conference (WWW) 2026 正式录用。

两项成果分别聚焦：

• 检索增强生成（RAG）在复杂任务中的效率与准确性提升

• 生成图像的水印嵌入与质量优化

相关技术已具备明确的工程化路径，可直接进入实际业务系统。

一、PruneRAG：面向复杂任务的高效检索增强生成

论文名称
PruneRAG: Confidence-Guided Query Decomposition Trees for Efficient Retrieval-Augmented Generation

核心方法

• 基于置信度的查询分解树结构

• 动态控制搜索路径扩展与剪枝

• 实体级锚点驱动的细粒度检索

关键能力

• 降低检索冗余与计算开销

• 提升多跳推理任务的稳定性与准确性

• 减少“已检索但未使用”的证据损失问题

应用场景

• 企业知识库问答系统

• 工程图纸解析与审查

• 智能报价与工艺决策系统

二、AWMA-MoE：兼顾质量与鲁棒性的生成图像水印方案

论文名称
AWMA-MoE: Attention-Guided Watermark Adapter with MoE for Latent Diffusion Models

核心方法

• 注意力引导的水印嵌入机制（区域差异化强度）

• 混合专家（MoE）结构优化生成过程

关键能力

• 在保证水印鲁棒性的同时降低图像失真

• 提升生成图像的视觉质量与可用性

• 实现水印嵌入与生成过程的协同优化

应用场景

• 生成内容版权保护与溯源

• 平台级内容合规与审核

• 企业数字资产管理

三、技术落地与能力转化

相较于单点算法创新，核心在于将技术能力转化为可复用、可集成的业务模块。当前相关成果已具备以下特征：

1. 可直接嵌入现有系统
支持接入企业现有 AI 流程（如知识检索、图纸分析、内容生成），无需重构底层架构。

2. 模块化能力输出
可封装为标准化组件（API / SDK / Agent模块），支持不同业务系统快速调用与集成。

3. 面向真实数据持续优化
在实际业务环境中，通过数据反馈不断迭代，提升模型稳定性与适用性。

四、总结

本次入选 The Web Conference (WWW) 2026 的两项研究成果，体现了立谱智造在 AI 与产业结合方向的持续投入。

相比单纯的技术突破，更关键的是：
将前沿研究能力沉淀为可规模化应用的产品能力。

未来，相关技术将持续融入智能制造与企业AI系统中，推动从“模型能力”向“业务能力”的转化。

当前，越来越多制造企业开始关注AI，但相比“AI能做什么”，企业更关心的是一个更实际的问题：

AI，能不能直接应用在现有生产流程中？

从实际落地情况来看，大多数企业在引入AI时，会遇到以下问题：

• AI停留在演示或单点工具阶段，无法进入核心流程

• 与现有ERP / MES系统割裂，数据无法打通

• 缺乏明确的落地路径，不确定从哪里开始

因此，制造业AI的关键不在于技术本身，而在于：

是否能够嵌入生产流程，形成实际生产力。

二、传统工业软件与AI系统的本质区别

要理解AI如何进入制造业，首先需要理解传统工业软件与AI系统的差异。

传统ERP、MES、SCADA系统，本质是规则驱动（Rule-Based）系统。
其运行逻辑是预设规则，例如：

如果满足条件A，则执行操作B

系统本身不具备判断能力，只负责执行流程。

而AI驱动系统，本质是数据驱动（Data-Driven）系统。
其核心能力是：

基于历史数据进行分析、预测，并辅助决策

这种差异带来的变化是系统性的：

• 从“执行指令”转向“辅助决策”

• 从“被动响应”转向“主动预测”

• 从“局部优化”转向“全局优化”

因此，AI在制造业的价值，不是提升单点效率，而是：

改变生产系统的决策方式。

三、AI在制造业中的关键能力：系统开始“理解生产”

传统系统的核心问题在于：只能管理流程，无法理解生产本身。

而AI系统的核心能力，是开始“理解生产”，具体体现在以下几个方面：

首先，在数据处理能力上，AI可以处理的不再只是结构化数据（如表单、数字），还包括图纸、图像以及设备数据。这意味着，制造过程中的关键输入（如设计图纸）可以直接被系统解析和理解。

其次，在响应方式上，AI系统可以基于历史数据进行预测，提前识别风险或异常，从“事后处理”转向“事前干预”。

再次，在优化能力上，AI可以在多目标约束下（成本、效率、交期等）进行综合优化，而不仅仅执行固定流程。

最后，在知识沉淀上，AI可以通过模型学习，将工程师经验转化为系统能力，实现经验的可复用和持续积累。

这些能力的出现，使得系统从“执行工具”，转变为“决策参与者”。

四、从AI工具到AIMES：制造业AI系统的演进方向

在实际应用中，很多企业会从单点AI工具开始，例如：

• 图纸识别

• 自动报价

• 工艺分析

但单点工具通常存在以下问题：

• 工具之间割裂，无法形成闭环

• 数据无法流动，难以复用

• 仍然依赖人工进行最终决策

因此，制造业AI的下一阶段，不是增加更多工具，而是构建系统级能力。

什么是AIMES？

AIMES（AI Manufacturing Execution System） 是一种以AI为核心的生产执行与决策系统。

与传统MES相比，其核心区别在于：

• MES关注流程执行

• AIMES关注决策优化

AIMES的核心价值在于：

让AI贯穿从订单输入到生产执行的完整链路。

五、AIMES在生产流程中的典型应用路径

在实际制造场景中，AIMES通常围绕完整生产流程展开，主要包括以下几个关键环节：

在订单输入阶段，系统可以自动解析2D或3D图纸，提取结构、尺寸和工艺相关信息，实现订单信息的标准化输入。

在决策阶段，系统可以基于历史数据与工艺知识，对加工路径、工艺方案进行判断和优化，辅助工程师决策。

在报价阶段，系统可以结合材料、工艺与加工复杂度，实时计算成本并生成报价，大幅缩短响应时间。

在生产执行阶段，系统可以将订单、工艺与生产资源进行联动，实现从设计到车间的协同。

通过以上流程，AIMES可以实现：

从图纸 → 决策 → 报价 → 生产的完整闭环。

六、AI落地路径：从单点验证到系统建设

对于制造企业而言，AI的落地通常不是一次性完成，而是分阶段推进：

第一阶段是单点验证（POC），选择一个高价值场景，例如自动报价或图纸解析，验证AI的可行性。

第二阶段是流程嵌入，将AI能力接入现有业务流程，使其真正参与生产环节。

第三阶段是系统化建设，逐步形成企业专属模型、工艺知识库以及数据闭环。

通过这一过程，AI可以从“工具”，逐步演变为企业的“核心能力”。

七、结论：AI正在重构制造业的生产逻辑

综合来看，AI在制造业中的作用，并不是简单提升效率，而是：

重构生产系统的运行方式与决策逻辑。

未来的制造系统，不再是“MES + AI”，而是：

以AI为核心的生产系统（AIMES）

可以用一句话总结这一趋势：

AI不会改变工厂的外表，但会改变工厂的决策方式。

而这，将成为制造企业下一阶段竞争力的关键来源。

企业之间的竞争，也主要集中在谁的设备更先进、工厂更大、供应链更稳。

但随着定制化需求激增、产品复杂度上升、数字化工具普及，一个新的趋势正在悄然形成：

未来的制造企业，竞争力不再只是产能，而是知识。

一、制造业的三种核心资产

制造企业长期以来关注的三类资产：

1⃣ 设备资产
车间机器、自动化产线、智能工厂设备。
曾经，这些设备直接决定了企业的生产能力和交付速度。

2⃣ 供应链资产
优质供应商、稳定原料、物流网络。
良好的供应链保证了生产连续性和成本优势。

3⃣ 知识资产（正在崛起）
工艺经验、材料选择、DFM规则、设计优化经验、质量改进记录……
这些知识传统上分散在工程师脑子里，或者零散存于文档和Excel表格中。

过去，知识资产的价值被低估，因为“设备和产能就够了”。但今天，如果企业不能系统化管理知识资产，生产效率和创新速度都会受限。

二、知识资产为什么会成为竞争核心

1⃣ 经验无法复制导致效率低下
新人上手慢，工程师必须反复重复检查和验证设计方案，周期长、成本高。

2⃣ 设计复杂性提升
现代产品涉及多学科、多工艺、多供应商，单靠个人经验很难保证最优方案。

3⃣ 市场节奏加快
客户要求小批量、多品种、高频次交付，传统靠人脑决策和手工沟通的模式已经跟不上节奏。

换句话说，制造业的真正瓶颈，不在设备，而在“知识流”和“决策流”。

三、知识型企业的典型特征

未来10年，知识型制造企业会有几个显著特征：

1⃣ 知识可沉淀
工艺经验、设计规则、DFM原则、成本逻辑被结构化存储在系统中。

2⃣ 知识可复用
历史项目的成功经验可以快速套用到新项目上，大幅缩短研发周期。

3⃣ 知识可自动决策
结合智能算法和Agent系统，部分工程决策可以自动完成，例如：

• DFM检查

• 初步工艺路线生成

• 成本估算

4⃣ 工程师从重复劳动中解放
人力更多投入创新设计和复杂判断，而不是重复验证和查找资料。

四、AI是制造业知识化的核心工具

知识型企业离不开AI和数字化系统：

• 结构化知识库：把工程经验、工艺规则、成本数据转化为可检索的系统化信息。

• 工程决策辅助：AI帮助生成工艺方案、检查DFM、预测成本。

• Agent协同：跨部门、跨工序的信息自动流转，减少人为沟通成本。

AI不只是一个工具，更是一种赋能企业决策和创新的能力。

五、从生产型到知识型：企业转型路径

1⃣ 知识盘点：梳理现有工程经验、工艺规则、质量数据等。
2⃣ 数据结构化：将经验和规则转化为可查询、可分析的数字化资产。
3⃣ 决策智能化：引入AI辅助设计、工艺路线规划、成本计算。
4⃣ 全流程嵌入：AI系统嵌入研发、生产、质量和供应链流程，实现知识驱动决策。

转型的本质，是把“人的经验”变成“企业系统能力”，从而实现可复制、高效、可持续的竞争力。

六、结语

未来10年，制造业不会因为设备更新或产能扩张而赢得竞争。

真正的领先者，是能够管理、复用、自动化应用知识的企业——也就是“知识型公司”。

当制造企业把经验沉淀为系统能力，创新和生产将不再受制于个人，而是由企业整体的知识资产驱动。

制造业的下一场革命，正在从生产力革命，迈向知识力革命。

关注立谱智造公众号立即：

领取「立谱智造AI多智能体」7天无限使用权（价值888元）

获取《AI驱动制造升级白皮书》（含12个行业实证案例）

加入立谱「零一计划」，享首单生产补贴

立即体验AI解决方案！

留下您的联系方式，体验AI组成的专家团队。

• 免费试用：上传图纸，AI数秒内完成核价与DFM分析
• 智能助手：自动生成标准化工艺文档与优化建议
• 与专家沟通：通过微信与我们的团队实时交流，立即了解更多。

请在浏览器中启用JavaScript来完成此表单。

您的称呼 *

您的公司名称 您的邮箱 您的称呼

您的邮箱 *

您的公司名称 *

您的需求 *

提交

而最近两年，越来越多企业开始问的是：能不能用AI做DFM自动检查？AI能不能辅助生成工艺路线？能不能做企业内部的知识库？能不能把工程经验沉淀下来？

问题从“谁能加工”，慢慢变成了“谁能提升效率”。

这背后，其实是制造业正在经历的一次结构性变化。

一、制造业真正的瓶颈，不是产能

很多人谈制造业，总喜欢把问题归结为：

• 设备不够先进
• 产能不足
• 成本压力大

但在大量真实的工程实践中，企业真正遇到的瓶颈往往是另一类问题：知识与决策效率。

例如一个新产品设计完成后，工程师需要判断：

• 这个结构是否可制造
• 是否存在DFM风险
• 应该选什么工艺
• 成本大概是多少

在很多企业里，这些判断仍然主要依赖经验丰富的工程师。一旦这些关键人员忙不过来，整个流程就会被拖慢。所以很多制造企业都会遇到类似情况：

设计只需要几天，但方案评估可能要一周甚至更久。

瓶颈并不在生产设备，而在决策效率。

二、制造业的隐形资产：工程经验

在大多数制造企业中，真正有价值的知识其实分散在不同地方：

1. 工程师的经验
2. 历史项目资料
3. 工艺文档
4. 质量问题记录

这些信息往往存在于：Excel/文档/邮件/个人电脑，甚至只是工程师的记忆里

时间一久，就会出现几个典型问题：

• 经验无法复用
• 新人上手周期长
• 跨部门沟通成本高
• 历史知识难以查询

很多企业并不缺数据，而是缺少一种能力：把知识结构化。

三、AI开始进入制造业的真正原因

这也是为什么，越来越多企业开始关注AI。但AI在制造业的价值，并不是简单的聊天机器人。

真正有价值的应用，往往集中在三个方向：

1. 工程知识管理

把企业过去积累的：

• 工艺经验
• DFM规则
• 材料选择
• 成本逻辑

转化为可以查询、可以调用的知识系统。工程师不再需要反复查资料，而是可以快速获得建议。

2. 工程决策辅助

例如：

• AI辅助DFM检查
• AI生成初步工艺路线
• AI进行成本测算

这些工作并不会完全替代工程师，但可以显著减少重复劳动。工程师可以把更多精力放在真正复杂的设计问题上。

3. 业务流程自动化

当知识和规则被结构化之后，很多流程就可以自动化。

例如：

• 图纸审查
• 报价分析
• 工艺方案生成

从过去依赖人工经验，逐步转变为系统辅助决策。

四、制造企业的竞争，正在从设备转向知识系统

在传统制造时代，企业竞争力更多来自：

• 设备
• 产能
• 供应链

但随着制造复杂度提高，另一种能力正在变得越来越重要：知识管理能力。

因为在很多企业里，真正影响效率的不是设备，而是：信息流。

例如：

• 设计与工艺之间的信息传递
• 研发与生产之间的经验反馈
• 历史项目的复用能力

如果这些知识无法被系统化，企业效率很难真正提升。这也是为什么越来越多企业开始建设：

• 工程知识库
• 设计规则系统
• 智能辅助工具

本质上都是在做一件事：把经验沉淀为系统能力。

五、AI不会取代工程师，但会改变工程工作的方式

很多工程师最初听到AI时，会担心一个问题：”AI会不会取代工程师？”

但从目前的实践来看，AI更像是一种：工程助手。

它可以帮助工程师：

• 快速查找知识
• 进行初步分析
• 减少重复工作

而真正复杂的决策，例如：

• 创新设计
• 复杂结构判断
• 跨系统工程问题

仍然需要工程师来完成。AI的作用，更像是把工程师从大量重复任务中解放出来。

结语

制造业的数字化已经持续了很多年。但未来十年的核心变化，可能不只是数字化，而是：知识化。

企业积累的经验，不再只存在于个人或文档里，而是逐渐变成：

• 可检索
• 可分析
• 可复用

当知识能够被系统化，制造企业的效率和协同能力也会发生质的变化。而AI，正是推动这一过程的重要工具。

关注立谱智造公众号立即：

领取「立谱智造AI多智能体」7天无限使用权（价值888元）

获取《AI驱动制造升级白皮书》（含12个行业实证案例）

加入立谱「零一计划」，享首单生产补贴

立即体验AI解决方案！

留下您的联系方式，体验AI组成的专家团队。

• 免费试用：上传图纸，AI数秒内完成核价与DFM分析
• 智能助手：自动生成标准化工艺文档与优化建议
• 与专家沟通：通过微信与我们的团队实时交流，立即了解更多。

请在浏览器中启用JavaScript来完成此表单。

您的称呼 *

您的称呼 您的邮箱 您的需求

您的邮箱 *

您的公司名称 *

您的需求 *

提交