缺的不是软件，而是把含糊的业务事实， 翻译成可验收规则 的人。
《迈向自适应制造： 制造业智能体实践白皮书》由腾讯研究院、腾讯云与 WorkBuddy 联合出品。它给出的不是又一份技术路线图，而是一套能被工厂逐个验证的 工程方法。以下六条判断，是一个 FDE 读完之后，想补充给正准备动手的人。
本文看点
- 01 卡点不在模型，在翻译
- 02 规则没被写下来，先吵一场
- 03 复利工程决定 FDE 能否成立
01 结论先说：卡点不在模型，在翻译
白皮书给了一组很扎眼的数字：2025 年我国制造业增加值约 34.7 万亿元、全球占比约 30%，连续 16 年世界第一；而工业软件产品收入约 3330 亿元，占制造业增加值 不到 1%。规模登顶、软件垫底，这个落差通常被解释成“国产工业软件太弱”。
站在 FDE 的视角，还有第二层解释：我们缺的不只是软件，更是 “把业务说清楚”的能力。一份 BOM 换版，产品工程师要在多个版本、多种格式之间逐项比对；一次图纸询价，销售要先花大半天把数据凑齐；一轮经营复盘，各部门报上来的口径、单位、时间范围常年不一致。这些活之所以一直没被软件吃掉，不是因为厂商不想做，而是因为 需求从来没有被写成过可执行的规则。
大模型真正的增量，是把“说清楚”的成本，从“先写一份需求文档”降到了“先说一句话”。但这只是 把门槛挪了个位置 ——从写文档，挪到了把含糊的业务事实 翻译成模型能稳定执行的输入、边界和验收标准。 翻译 这件事目前没有工具能替代，只能靠人蹲在现场做。 这就是 FDE 存在的理由。
02 第一站不在车间，是工程上的必然，不是妥协
「智能体的第一站未必在车间，更可能落在那些信息化没干完的数据活里。」
这是白皮书里我认为最值钱的一句判断。很多人读到这会觉得是 “知难而退”。但从做过落地的人角度看，这是 唯一正确的排序，理由有三条硬约束。
一是容错空间。 车间里的决策直接连着物理后果，改错一行工艺参数就是 批量返工；而 BOM 核对、对账差异、标书编制这类活，错了最多返工一份文档， 人在环上能兜住。
二是反馈速度。 数据类任务当天就能验证对不对，模型可以 日更迭代；设备侧的验证周期 以周甚至月计，一个季度都攒不够几轮有效反馈。
三是系统可达性。 白皮书自己也点破了：大量制造企业核心系统陈旧、缺乏标准接口，智能体能不能打通它们，“直接决定了它是 只会提建议的顾问，还是能进系统办成事的员工 ”。ERP、MES 的连接器不是装个插件就有的，往往要一轮一轮 谈权限、谈字段、谈责任。
所以 FDE 的选场景原则可以收敛成一句话：先挑 “错了代价低、验起来快、数据拿得到” 的任务，再谈难度。珠海天威把标书编制从 36 小时压到 14 小时、广州视声把 PCB 物料评价从 2 天压到半小时，都不是从最容易的地方偷懒，而是从 最能形成正反馈 的地方起步。
落到操作层面，我一般会逼着甲方回答三个问题。
频率与耗时
这件事现在谁在做、一个月做几次、 单次耗时多久。
错误的代价
做错了最坏会怎样、 多久能发现。
验收标准
做对了有没有 一条不依赖个人经验的判据。
三个问题里只要有一个答不上来，这个场景就还不具备开工条件——不是模型不行，是 验收标准没立起来，后面所有的迭代都会失去方向。
03 规则从来没被写下来过：FDE 的第一场仗是吵架会
白皮书提出数字员工上岗有三个前提：业务系统能连接、 岗位规则够明确、结果可评价。前一条和后一条是技术活，中间那条最难——而且 它不是技术问题。
现场的真实情况是：规则不是不存在，而是 散落在四五个老师傅的脑子里，并且互相打架。同一批呆滞料，采购说不能替代，工艺说可以代，质量说要看客户。三个人都有道理，因为他们的判断前提不一样。你不去把这些前提摊开，模型就只能学到“看情况”，而“看情况”是没法执行的。
我的做法是把第一场需求会开成 “吵架会”：不谈 AI，只抛具体案例，让几个角色当场对同一个工单给出判断，直到把分歧背后的前提吵出来。吵完你会得到三样东西。
判定规则
什么条件下走哪条路，把前提写死，不给“看情况”留位置。
例外清单
哪些情况必须升级给人，这是智能体的 责任边界。
验收样例
做对了长什么样，用它来跑实证，而不是用挑好的漂亮样例自证。
这三样，才是 Skill 真正的骨架。
这也解释了一个常被忽视的现象：为什么同样一个“齐套缺料预警”，有的厂跑得通、有的厂跑不动？差别不在模型，在于这家厂是不是真的愿意把 “真缺口 / 伪缺口”的判定口径 定下来。白皮书里那个把缺口分成“可化解的伪缺口”和“真正影响开工的缺料”的设计，看着是算法，其实是一次 组织共识的固化。
规则不是被写下来的，是被吵出来的。
04 人在环上不是保守，是唯一能落地的责任架构
白皮书的几个案例都有一条共同的边界：PMC 排产五步工作流，第一步由人审核方案；SOP 校验由智能体整理证据、工程师最终签发；对账差异由智能体分类、财务复核后再对外发函。智能体“把该查的查全、把拿不准的标出来、把判断依据摆清楚， 最终决定仍由岗位上的人来下 ”。
外行会把这理解成“AI 还不成熟，所以留个后门”。FDE 会告诉你：这不是能力问题，是责任问题。 责任是不能自动化的 ——出了批次事故，你没法让一个模型去签字。
所以真正的设计方法不是问 “AI 能不能做这个决定”，而是问三个问题。
后果是否可逆
可逆的下放，不可逆的留人。改工单优先级可以自动执行， 改工艺参数就要人签。
依据是否可核验
依据能被摆成 证据链 的，AI 可以出结论；依据本身是商务博弈的，必须由人拍。
出错谁负责
能明确到 具体岗位 的，才谈得上自动化。
把这三条走一遍你会发现，大部分场景的最优解不是“全自动”也不是“人工做”，而是 AI 干到八成、在最后一米处交回给人。而这一米恰恰是提效最大的地方，因为人不再需要从零开始翻资料。
05 复利工程：FDE 唯一能摊薄成本的地方
一个制造业场景从选点、实证到跑稳， 两三个月 是常态。如果每个场景都从零开始，这件事在商业上根本不成立。白皮书给出的解法叫 复利工程：把跑通的 Skill、规则、模板、测试样例，连同它依赖和产出的资源一起打包，变成可复制、可分发、可被调用的资产。
我特别认同 PMC 案例做对的两件事。
素材标准化
把订单清单、工单清单、齐套报表、产能负荷表统一口径，不为这一个智能体，而为了 上下游任务都能吃同一份数据。
上下游联动
排产智能体上游接“订单接单评审”和“交期平衡”，下游接“分部门通知”，一个孤立工具变成 接力中的一环。
对 FDE 而言，这意味着 KPI 要换：不要数“交付了几个智能体”，要数 沉淀了多少可复用资产、被多少人二次调用、上下游接上了几条链路。任务级是砖、岗位级是墙、组织级是楼——这三句话的潜台词是， 一块砖能不能复用，决定了你最后能盖多高。
顺便说一个我很认同的机制。白皮书里提到天威的 OPD 训练营采取 “业务主导、IT 陪跑”：所有提效流程都由业务骨干亲手搭建，IT 团队只做技术支持而不直接代劳，白皮书把这个角色称为“技术陪跑师”。
这其实就是 FDE 方法论的组织化版本——FDE 不是来替你做智能体的，是来教会你自己做，再带着这套方法走向下一个岗位。检验一个 FDE 项目成败的标准，不是交付时有多少个智能体在跑，而是 人走了之后，这家企业还能不能自己长出第十一个。
06 两件没人愿意付费、但必须做的事
白皮书最后一部分讲能力底座，其中两个最容易被甲方砍掉的预算项，我想单独拎出来讲。
第一件：统一数据语义
模型读不懂孤立的物料编号，它只认带类型、单位、上下文的语义。白皮书里英国 Gousto 把生产与业务系统接入统一命名空间后，机械可用率从 70%~85% 提升到 98%；奔驰把全球约 30 家工厂的数据平台统一后，一线员工用自然语言就能查实时数据。这些收益来自同一件事：给每个数据点一个 全局唯一、自带语义的地址。这件事没有 AI 也该做，AI 只是让它第一次有了迫切的理由。
第二件：全链路审计追踪
智能体改了工单、发了通知、调了价格，每一步都要能回退、能复原、能说清是谁在什么时候基于什么做的。这不是合规部门的装饰品，它是 信任的基础设施。西门子把工厂自主分成六级，最关键的跃迁在 L3 到 L4：L3 由人兜底，L4 才把决策权交给系统。跨过这道鸿沟靠的不是模型准确率再涨几个点，而是出了事能查得清、能退得回。
先跑第一棒，但请把第一棒跑成资产
白皮书结语里有一句话我很喜欢： 从自动化到自适应，是一条要靠一个个场景、一个个岗位、一家家企业扎实走出来的路。
站在 FDE 的立场上，我想给它补半句：起点确实是“让 AI 先跑第一棒”，但终点不是跑完这一棒，而是 把这一棒跑成组织能反复调用的资产。跑一棒很容易——做个演示、录段视频、写份案例，两周就能交差。难的是把这一棒背后的规则、口径、例外和验收标准沉淀下来，让第二个人、第二个岗位、第二家工厂能直接站上去接着跑。
中国制造业有 34.7 万亿元的体量，有不到 1% 的工业软件占比，有 58.8% 仍处在数字化基础级及以下 的规上工业企业。这些数字既是差距，也是空间。而填补这段空间的人，不会是坐在会议室里讲架构的人，只会是蹲在车间与办公室之间、把一句模糊的业务事实 翻译成一行可执行规则 的那些人。
