立谱智造是深圳市乐谱兰斯科技有限公司旗下品牌，专注于工业 AI 与制造智能化解决方案， 面向工业制造企业，将 AI 能力应用于产品研发、图纸分析、成本核算、工艺规划、知识管理等业务场景。

我们以工业场景为基础，结合工业垂类模型、AI Agent 与业务知识，帮助企业探索可验证、可落地的 AI 应用。 项目通常从具体业务问题切入，再根据验证结果推进后续实施。

通用大模型具备较强的通用理解和生成能力，但工业业务往往还涉及图纸结构、加工工艺、材料特性、 成本规则、企业规范与历史经验等专业信息。

立谱智造更关注如何把 AI 能力应用到具体制造场景，重点包括：

• 工业场景理解：围绕真实业务流程拆解问题与任务。
• 专业知识结合：结合企业资料、工艺规则和业务约束提供辅助分析。
• 模型与智能体协同：根据任务特点组织模型推理、知识检索与工具调用。
• 业务验证与落地：通过实际数据验证方案的适用性，再规划后续部署。

我们的关注点不是单纯调用模型，而是让 AI 在制造业务中解决具体问题。

• 研发设计：图纸信息解析、设计要求识别、DFM / DFX 辅助分析。
• 成本与报价：零件特征提取、加工要求分析、工艺与成本核算辅助。
• 工艺规划：工艺知识检索、工艺路线推理、工艺文件编制辅助。
• 工业知识管理：技术资料检索、工艺知识问答、历史案例关联。
• 制造业务协同：结合企业实际流程，探索 AI 与现有业务系统的协同应用。

具体能力范围取决于零件类型、资料质量、业务规则与项目要求。不同场景需要分别评估，不代表所有任务都能完全自动化。

AI Agent（人工智能智能体）可以理解为能够围绕指定目标，结合大模型、知识检索和工具调用， 按任务需要完成多个步骤的 AI 应用。

• 传统软件：通常依据预先设定的规则和流程执行任务。
• AI Agent：可以根据输入内容和任务目标，进行信息提取、知识检索、步骤规划与结果生成。

例如，在工艺规划场景中，AI 可以辅助解析图纸要求、检索相关工艺知识并提出工艺路线建议， 再由工程师结合实际设备、工艺规范和生产条件进行审核。

立谱智造更关注辅助工程师提升效率，而不是简单地用 AI 替代工程师。

AI 可以在适合的场景中辅助处理：

• 重复性的图纸信息提取与资料整理。
• 已有规则和历史案例的检索与匹配。
• 工艺方案、成本分析和技术文档的初步生成。
• 多来源信息的汇总与对比。

对于复杂工艺判断、异常处理、设计取舍及质量责任等事项，仍需要专业人员根据现场情况进行确认。 实际提效幅度应通过具体业务数据验证。

企业可以根据实际业务需要，对已有的技术文档、工艺规范、SOP、历史项目资料及相关业务记录进行整理， 建立可检索、可关联的知识资源，并在适用场景中结合检索增强生成（RAG）等技术。

典型应用包括：

• 按零件特征、材料或加工要求检索相关工艺资料。
• 查询企业规范、技术标准与作业文件。
• 关联相似历史项目，为工艺分析提供参考。
• 辅助工程师汇总资料，减少重复查找与整理工作。

知识库效果与资料完整性、版本管理、数据结构和检索策略密切相关，通常需要经过整理、配置和实际测试。

可以。企业图纸、工艺文件、技术规范和历史项目资料，在获得相应授权并满足项目约定的前提下， 可以用于知识检索、业务规则构建、效果验证及其他约定范围内的 AI 应用。

数据使用方式需要根据具体项目确定。 不同部署模式、模型服务和技术架构涉及的数据传输、存储、访问权限及保留方式可能不同。

• 明确数据使用范围与项目授权。
• 根据项目要求配置访问权限与数据隔离措施。
• 结合部署方式评估数据是否需要离开客户内部环境。
• 在项目协议中明确数据处理、保密与交付要求。

工业零部件报价通常需要综合考虑零件几何特征、材料、加工要求、工艺路线、设备条件、 工时、成本规则及企业历史数据等因素。

在适用场景中，AI 可以辅助完成：

• 识别图纸中的关键技术信息与加工要求。
• 分析可能的工艺路线与加工环节。
• 结合企业提供的成本规则进行核价辅助。
• 参考符合条件的历史数据，为报价人员提供对比依据。

AI 报价并非单靠大模型即可保证准确。结果会受到图纸清晰度、工艺规则、成本数据完整性、 设备条件与报价策略等因素影响。

项目可根据具体零件范围与客户数据开展验证，评估处理效率、结果偏差及人工复核需求。 未经验证，不承诺所有零件均可实现分钟级自动报价或达到固定准确率。

DFX 是面向产品生命周期不同环节的设计分析方法，常见方向包括：

• DFM（Design for Manufacturing）：面向可制造性的设计分析。
• DFA（Design for Assembly）：面向可装配性的设计分析。
• DFI（Design for Inspection）：面向可检验性的设计分析。

立谱智造可围绕具体产品和制造场景，开展相应的 AI 辅助分析与验证。 不同分析方向对图纸信息、专业规则、工艺知识和检验要求的依赖程度不同，需要分别明确输入资料、分析范围与交付标准。

是否能够自动识别某类问题、生成报告或覆盖特定零件类型，需要根据实际场景验证，不能将某一场景的验证结果直接视为所有 DFX 场景均可自动完成。

• 需求沟通：了解企业业务流程、现有系统与核心问题。
• 场景定义：明确目标任务、输入资料、输出结果和评估标准。
• POC 验证：基于双方确认的数据和范围开展技术验证。
• 结果评估：分析验证结果、适用边界、剩余问题与实施条件。
• 方案实施：根据验证结果，进一步确定系统部署、业务集成与项目计划。

我们倾向于先明确具体业务问题和验证标准，再决定后续建设范围，避免在需求与价值尚未清晰时直接扩大项目投入。

可以根据业务需求评估 POC（概念验证）方案。POC 通常围绕一个明确的业务场景， 使用双方确认的真实或脱敏数据，验证技术路线、核心功能与初步业务效果。

在启动前，通常需要明确：

• 验证的零件类型、任务范围与样本数量。
• 客户需要提供的数据及其质量要求。
• 验证指标、结果形式与双方责任。
• 周期、费用、保密要求及后续项目衔接方式。

是否免费、是否收费以及具体交付范围，需要结合项目复杂度、数据准备工作与资源投入协商确定， 并以双方确认的协议为准。

可以根据客户的数据安全要求、IT 环境、业务流程和预算，评估适合的部署与集成方式。

• 云端方式：在满足项目数据要求和服务条件的前提下使用云端能力。
• 私有化部署：根据客户基础设施、模型运行条件及安全要求制定部署方案。
• 系统集成：评估与 ERP、MES、PLM、CAPP 等现有系统的接口与业务协同需求。

部署方式、硬件资源、模型选型、接口开发和后续维护要求会影响项目成本与周期。 具体支持范围需要经过技术评估后确定，并非所有系统都能直接即插即用。

工业图纸、工艺资料和历史项目数据往往涉及企业技术秘密，因此数据安全与知识产权保护需要贯穿项目全过程。

项目中可根据实际情况评估和约定以下措施：

• 签署保密协议，明确数据使用目的与范围。
• 设置必要的数据访问权限与人员管理机制。
• 根据客户要求评估内网、私有化或其他部署方式。
• 明确数据存储、传输、留存和项目结束后的处理方式。
• 约定项目成果、定制开发内容与知识产权归属。

具体安全能力取决于最终部署架构、客户环境和项目约定，实施前应完成相应的安全与合规评估。

是否需要外部方案，取决于企业现有团队的技术积累、业务经验与项目目标。 对已有 AI 团队的企业，外部合作可以聚焦在需要补充的专业环节，而不必重复建设已有能力。

• 工业场景梳理：将业务问题拆解为可验证的 AI 任务。
• 专业知识结合：把工艺规则、图纸信息与业务约束纳入方案设计。
• 技术路线验证：评估模型、知识检索和智能体协同方式的适用性。
• 业务集成：根据需要推进与现有系统和流程的协同。

可以根据企业现有团队能力确定合作边界，以补足能力、加快验证为目标，而不是默认替代企业内部团队。

建议从一个具体、可评估的制造业务问题开始。双方先交流现有流程、实际痛点和预期目标， 再判断是否适合开展 POC 验证或直接进行方案规划。

• 第一步：需求沟通。介绍业务场景、现有流程与主要问题。
• 第二步：范围确认。明确数据条件、目标任务和预期交付结果。
• 第三步：方案与验证。根据项目情况制定技术方案，必要时开展 POC。
• 第四步：评估与实施。依据验证结果和业务需求，确定后续项目范围与实施计划。

为提高前期沟通效率，建议准备少量具有代表性的图纸或业务样本、现行处理流程以及希望改善的指标。 涉及技术资料时，可先沟通保密与数据处理安排。