让一家五金厂的质检与排产，从「老师傅的经验」变成「可复用的 AI 流程」
客户背景
客户痛点
质检依赖肉眼，漏检代价高
小五金件表面缺陷细微，老师傅也会疲劳漏检，一旦流出厂外就面临整批退货。
排产全凭经验
订单一多就乱，插单、急单靠口头协调，交期经常一拖再拖。
数据没有沉淀
生产数据散落在各个工位，想做精细化管理却没有抓手。
演示案例
技术方案
轻量视觉质检
在关键工位部署工业相机与边缘盒子，训练针对该厂缺陷类型的检测模型，实时识别并自动停机报警。
订单驱动的智能排产
把历史订单、交期、设备产能汇总成排产模型，一键生成周排产计划，插单自动重排。
生产数据看板
把产量、良率、停机时长等指标实时上屏，老板在手机上就能看全厂状态。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
技术栈
交付过程
场景诊断
驻场两天走完质检与排产全流程，确定 3 个高价值改造点。
数据准备
采集并标注 5,000 张缺陷样本，建立首版评测集。
模型与系统开发
训练质检模型，开发排产算法与数据看板。
灰度试运行
在一条产线双跑两周，AI 与人工结果对账。
全量上线与迭代
推广到全部产线，每月用新样本增量优化模型。
上线前后对比
“以前最怕客户临时加单，排产全乱。现在系统几秒钟就重新排好，还能算出什么时候能交货，心里有底了。”