一句话：车间里的「老师傅手感」，正被垂类智能体变成可复制的资产
在刚闭幕的第五届全球数字贸易博览会上，杭州聚工盛科技旗下的核心品牌「工巢」亮相，其「工巢 AI 管家」受到不少观众关注。它要解决的是典型机加工车间的老难题：刀具柜、工单系统、设备终端彼此割裂，生产调度、异常处置、成本核算多靠老师傅临场经验，经验传递成本高、判断不稳定、响应不及时。工巢的做法不是套一个通用大模型，而是做一个面向工业场景的垂类智能体，把分散在老师傅脑子里的工况判断，变成可复制、可复用的智能支撑。对中小制造企业而言，这是一条比「上大模型」更贴近现实的落地路径。
不是通用大模型，而是工业垂类智能体
工巢 AI 管家的定位很克制：它不试图做一个什么都能聊的通用模型，而是面向工业现场打造垂类智能体，能打通硬件终端、生产工单与供应链等多源异构系统，自主完成信息整合、工况研判、任务调度与异常提醒。这种「窄而深」的选择，恰好避开了通用大模型在工业场景的两个坑——一是对企业私域数据与设备协议不熟悉，二是在需要精确执行的生产环节里容易给出含糊建议。垂类智能体把能力锁死在车间这一亩三分地，反而更容易做到「说得准、接得进、干得动」。
万台终端底盘：从智能刀具柜到物理 AI 生态
工巢敢做车间 AI 管家，底气来自长期扎根一线。围绕工业量刃具与车间数字化，它已迭代两代产品：前代智能刀具柜稳定运营八年，智能终端设备铺设量超过一万台，成为业内较早突破万台大关的智能刀具管理品牌，终端用户使用率长期保持在九成以上，客户含富士康、中国航天等企业；新一代产品扎根工业物料物理 AI，以自研工业量刃具大模型为核心，通过超过一万二千个智能终端实时收集一线场景数据，形成集大模型、智能终端、数据中台与供应链平台为一体的工业物料物理 AI 生态圈。换言之，它不是凭空训个模型，而是踩在万台真实终端的数据底盘上做智能体。
中小制造企业的「小步快跑」路径
对不少中小制造企业来说，数字化不是不想转，而是怕投入大、周期长、见效慢。工巢的思路是从刀具柜等设备部署入手，由系统通过算法模型对刀具磨损趋势与全生命周期状态做预判推演，以「小步快跑」方式分阶段推进，和中小制造企业「分阶段、低门槛」的需求相契合。这种路径的聪明之处在于：不要求企业先做全盘数字化改造，而是从一个具体痛点（刀具管理）切进去，用看得见的回报撬动后续扩展。对预算有限、IT 能力薄弱的工厂，这比一上来就上大而全的平台更现实。
辩证看：垂类智能体的数据与工艺壁垒
工巢模式成立的前提，是它真的吃透了车间的物理与数据流。垂类智能体的护城河，往往不在模型本身，而在两类资产：一是万台终端积累的一线场景数据，二是多年沉淀的工艺 know-how。这两样都不是靠买一个通用模型能补上的。反过来说，风险也在这里——如果终端设备铺设与数据回流放缓，模型迭代就会失去燃料；而工业现场对误判的容忍度极低，一个错误的工况研判可能直接导致废料或停机，所以「可解释、可兜底」比「更聪明」更重要。
增量认知：智能体下沉到车间，靠的是「硬件加数据」双底盘
工巢这例给行业一个可记下的判断：智能体要从办公室下沉到车间，靠的不是模型参数更大，而是「硬件底盘加数据底盘」双轮。没有万台真实终端，就没有持续刷新的现场数据；没有工艺 know-how，模型就只是个会聊天的摆设。对想做产业智能体的团队，工巢的启示是：先想清楚自己有没有「 terminals on the ground」和数据回流闭环，再谈智能体有多强。这恰恰是通用大模型厂商进车间时最容易缺的一块。
边界与后续
需要标注：文中万台终端、使用率、客户名单等来自企业披露与政府报道，具体成效会因工厂类型与管理基础而异，读者应视为方向性样本而非普遍结论。工业垂类智能体在跨行业复制时，工艺差异大、数据标准不统一，泛化难度高于办公室场景。后续值得跟踪的，是这类「硬件加 AI 加供应链」闭环能否从刀具管理扩展到更宽的车间环节，以及终端数据的隐私与权属如何界定。
结语
智能体进车间，最怕的就是拿个通用大模型去「赋能」一切。工巢 AI 管家的样本说明：真正能落地的，往往是先扎根一个具体痛点、踩稳硬件与数据双底盘、再一步步把老师傅的手感变成可复制资产的垂类打法。