上线不等于上岗：三个车间样本里，智能体是怎么被老师傅接受的

背景：上线与上岗之间隔着什么

制造业的智能体项目有一个普遍现象：演示时效果不错，上线后没人用。东风奕派武汉工厂设备保全室主任汤俊在会上给了这个问题一个准确的定义——「上线是系统部署好了，他能用；上岗是他靠谱到，你真正愿意把一个活交给他」。

这两句话之间隔着的不是模型能力，而是三件事：智能体有没有看到现场正在发生什么、它的结论能不能被物理量验证、以及它与一线人员的经验冲突时由谁说了算。下文三个样本恰好各自回答了其中一部分。

需要说明材料来源：以下三个样本出自 2026 年 9 月 15 日飞书未来无限大会暨豆包工作开工大会的先进制造专场，由光明网记者刘晗旭报道；同期的另一条线索是 10 月 20 日举行的飞书豆包工作 AI 先锋未来人才大赛总决赛，10 月 27 日人民邮电报对其做了报道。两条线索合起来构成本文的样本基础。

政策与底座：1000 个工业智能体与 500 个典型场景

先看政策侧的坐标，它决定了这类项目在未来两年拿到的资源与支持方式。国务院《关于深入实施「人工智能+」行动的意见》提出推动工业全要素智能联动，加快人工智能在设计、中试、生产、服务、运营全环节落地应用；工业和信息化部等八部门发布的《「人工智能+制造」专项行动实施意见》提出，到 2027 年推出 1000 个高水平工业智能体、推广 500 个典型应用场景。

这两个数字对做项目的团队有直接含义：1000 个与 500 个都是有限名额，意味着「做一个能用在不同产线上的工业智能体」比「做很多个各自为战的小工具」更贴近政策导向；同时也意味着这类项目的验收会更强调可复制性，而不是单点效果。

平台前提：权限沿用使用者身份

三个样本跑在同一套平台上，这一点对可迁移性影响很大，需要先说清楚。飞书 8.0 为适配智能体做了系统性重构：用户可在群聊中搜索名字把智能体拉进群，智能体可以撰写文档、操作多维表格、安排日程待办、参与会议、查阅云盘与妙记、发起审批流程；企业管理智能体时，可统一配置权限、追溯使用情况、设定 AI 用量上限，并管控高消耗模型与场景。

豆包工作与飞书原生融合后共用同一套账号体系，可在授权范围内获取业务上下文；其数据访问与操作沿用飞书用户的身份与权限，并可结合「技能」和「连接器」，按照企业既有标准与权限操作业务系统与工具。

这条权限模型是三个样本能快速推进的技术前提。智能体没有自己的超级账号，它看到的范围等于使用者的范围，因此合规审核可以沿用既有的权限体系，不必为每个智能体单独设计一套授权。对于制造业这种 ERP、MES、OA、BPM 多系统并存、部门内还有点检表与工艺手册的环境，这一条省掉的工作量相当可观。

东风奕派：上线首日没人用

设备大师的初版做法很标准：把维修经验、停工报告、原理手册等放进飞书知识库，再连接豆包工作伙伴。结果上线首日没有被老师傅接受。

被拒绝的原因是具体的：维修工需要的不是「所有可能原因」，而是「此时此刻，针对眼前设备，到底应该怎么做」。这句话值得单独拿出来看——它描述的是检索型智能体的典型失效模式。基于知识库的问答天然倾向于给出完备的可能性列表，而现场人员需要的恰恰相反：一个已经结合当前设备状态的确定动作。信息完备与行动确定是两回事，前者甚至会妨碍后者。

这次失败的价值在于它把问题定位清楚了：缺的不是知识，是现场状态。

眼睛、脑子、手分别指什么

后续的升级被汤俊概括为给智能体装上眼睛、脑子和手，这是一组很实用的分类：

部件	具体做法	解决的问题
眼睛	接入设备已有数据。以喷涂机器人为例，流量、转速、高压、成型空气等数据本来就存储在设备里；同时，飞书多维表格中的点检数据、知识库与群聊中的工作信息也可被直接读取	让智能体知道此刻这台设备处于什么状态，而不是只知道历史上发生过什么
脑子	从查找历史经验走向结合现场数据与设备机理进行分析	给出可被物理量验证的结论，而不是可能性排序
手	由设备保全人员自主搭建并持续维护，员工日常积累的业务记录成为智能体的工作依据	让改进闭环留在离现场最近的人手里

接入之后的效果有一个明确的读数：据汤俊介绍，故障现象定位时间从 30 分钟缩短到 2 秒。

另有一条来自二手转载的补充读数称，东风奕派把 2000 多条故障记录喂给智能体，覆盖全厂 200 名维修工。该数字未经一手来源确认，本文仅作背景列出，不作为结论依据。

5 毫米、3 毫米与 28.9 千伏

会上分享的一个真实案例，把「脑子」这一层讲得很具体，值得完整复述：

设备大师调取历史数据，从点检记录中发现了一处被人工漏看的异常——台车四角高度差达到 5 毫米，超过设备允许的 3 毫米偏差。它进一步结合设备原理，分析台车倾斜如何改变喷涂距离、影响电流与电压，将计算出的 28.9 千伏与现场实测值比对一致，最终给出「请调平台车，避免可能的高压故障」的建议。

这条链路的每一步都值得留意：发现异常（点检记录里已经存在但没人看）、建立联系（台车倾斜如何影响喷涂距离）、量化推算（算出 28.9 千伏）、现场校验（与实测值一致）、给出动作（调平台车）。它之所以能被老师傅接受，关键在于结论带了一个可以当场核对的物理量。这与「可能性排序」是完全不同的信任建立方式——前者可以被验证，后者只能被相信。

不一致时听谁的

面对「智能体判断和一线维修工经验不一致怎么办」这个问题，汤俊的回答是：「听一线员工的。」随后再通过追溯、验证和复盘，让 AI 在一次次真实维修中被调优。

这条规则看起来是在压低智能体的地位，实际效果相反。它把冲突从「要不要信智能体」变成「这一次谁的判断被证明是对的」，并给后续的调优留下了可追溯的记录。更值得注意的是后半句的配套动作：追溯、验证、复盘——这三步决定了冲突不只是被压下去了，而是变成了训练数据。这类应用由设备保全人员自主搭建、持续维护，一线人员既提供经验，也检验结果、调整应用，生产现场因此成为 AI 应用持续改进的来源。

南钢：从高速公路回到具体岗位

南钢的情况代表了另一类企业：已经有行业领先的钢铁业务大模型「元冶」，也有多年数智化积累，但如何响应大量具体到岗位的需求仍是现实课题。南钢数智化融合发展部总经理、人工智能研究院院长李瑾彦用「高速公路」作比：企业已经建好数字化基础，但员工从「高速公路」回到具体工作岗位的路还需要补上。南钢由此把飞书融入既有数智化架构，作为统一协同平台和 AI 入口。

两个具体应用：

• 高炉工长 AI 助手：把操作、语音交互和经验复盘形成的炼铁知识，按 8 大分类体系整理进知识库，为一线提供可随时查询的专业支持；工长遇到问题可直接在飞书群里 @AI 助手，5 秒内获得答案
• 热处理班组自建工具：一线工人用豆包工作搭出热处理工艺搜索与排产交互辅助工具。南钢本身已有排产引擎，一线仍有数据处理、工艺查询以及订单与设备变化后的分析需求；班组人员围绕这些具体需求搭建工具后，钢板牌号对应工艺参数的查询时间缩短至 10 秒

这里有一个值得强调的分工关系：专业算法与一线工具各有分工。南钢没有让智能体去替代已有的排产引擎，而是让它补上引擎与一线之间的缝隙——那些零散的、非标准化的、每天都在变的查询与分析需求。这个定位比「用智能体重做排产」现实得多。

参与面方面，南钢飞书 AI 效率先锋岗位技能「百冠赛」吸引 1000 多人参加，筛选出 217 份初赛案例。李瑾彦表示，通过这些实践，企业找到了有数据意识、AI 能力和动手能力的复合人才「种子」。

海信：一个人的 Know-how 变成组织的生产力

海信空气事业部客户服务部 AI 先锋李亚雄的做法，是把「经验复用」落到服务协同里：用飞书多维表格和工作流，把项目提报、现场勘测、方案报价、安装、交付和回访串联起来。效果是三层的：

层面	读数	性质
流程响应	新项目提报后，系统在 10 秒内自动完成派单、建群与项目背景同步	单个环节的速度
并发规模	每月能够同时服务 140 多个项目	真正的规模指标
推广深度	已开展 8 场培训、覆盖 700 多人，配套知识库被查阅 2000 多次	组织内部的扩散程度

李亚雄用一句话概括这项实践：「让一个人的 Know-how，变成整个组织的生产力。」飞书首席商业官林婵在同一场合表示：「最懂业务痛点的人，最应该率先拿起 AI 工具。」据她介绍，自 2023 年以来，飞书联合 792 家企业，培养并认证近 9 万名「AI 先锋」；近 400 家企业在近 1800 份招聘启事中写明「飞书 AI 先锋，优先录用」。

同行账本与口径提醒

同场与近期公开渠道还有几条制造业与实体经济的读数，可以作为量级参照：

企业	读数	口径提醒
亿咖通	库存周转天数从 65 天压到 27 天	未见一手来源，且未披露是否含需求预测改进
四维图新	数据驱动的项目管理，一年省下 2500 万元成本	未见一手来源，成本口径与基线未披露
阿维塔	沉淀近 1500 份研发交付物，智能体累计调用超 10 万次，效率提升 16 倍	倍数类指标缺少分母定义，不宜直接引用
上汽帆一尚行	累计上线数字员工超 100 个	数量非能力指标
国泰海通	覆盖九大业务领域 260 个细分场景，部署超 1000 个业务智能体，500 多名员工参与搭建	金融业样本，用于对照组织动员规模
云图控股	生产调度数字员工「氨心」，把产供销信息转化为调度决策	出自 10 月 20 日总决赛项目，未披露量化指标
睿创微纳	「见微智探」让雷达识别结果进入业务决策	同上，未披露量化指标

必须明确标注：上表前四行来自二手转载，未见一手来源披露基数与口径，只能作量级参照，不能用于 ROI 测算。真正可引用的仍然是前面三个样本中由企业负责人在公开场合作出、且有明确环节定义的读数。

本文推算：六组换算与三条判断

推算项	过程	结果与含义
定位环节的加速倍数	30 分钟 = 1800 秒，1800 ÷ 2	约 900 倍，但仅作用于「故障现象定位」这一个子环节
对全流程的折算	若维修总时长 60 分钟，定位占 30 分钟	整体节省约 50%；若总时长 4 小时，则仅约 12.5%
台车偏差的相对程度	(5 − 3) ÷ 3	超出允许值约 66.7%，为允许偏差的约 1.67 倍，属明确越限
海信知识库使用强度	2000 ÷ 700	约 2.9 次/人，说明推广仍处早期，知识库尚未成为日常习惯
百冠赛的产出转化率	217 ÷ 1000	约 21.7%，即动员千人后约两成能产出可评审案例
派单环节的月度节省	140 个项目 × 假设人工派单 10 分钟	约 1400 分钟，即约 23 小时/月；属假设性量级估算

在此基础上给出三条判断。其一，30 分钟到 2 秒不能被外推为整体提效。它衡量的是「现象定位」这一个子环节，对全流程的影响取决于该环节在总时长中的占比。正确的做法是先用一周时间测出定位环节占维修总时长的比例，再折算整体收益。上表中两种假设（总时长 60 分钟与 4 小时）给出的结果相差四倍，正说明这一步不可跳过。

其二，28.9 千伏这个数字是信任的分水岭。三个样本中只有东风奕派明确描述了从不接受到被接受的过程，而转折点就是结论带上了一个可与现场实测核对的物理量。对高危设备场景，这类可验证性是准入条件而非加分项。

其三，三个样本的共同前置是把记录搬到智能体读得到的地方。东风奕派接入的是设备数据与飞书多维表格里的点检记录；南钢整理的是按 8 大分类归档的炼铁知识与热处理工艺参数；海信搬进多维表格的是项目全流程。三者都不是先买模型，而是先做数据归位。这与本栏目此前复盘的多个制造业样本（如 R-CASE-44 上海港把纸质图纸翻译成计算机语言）结论一致：知识资产化才是主要成本，而且通常不在 ROI 表内。

六步可复现路径

1. 先盘点「已经在线的记录」，而不是先选模型。点检表、维修记录、工艺手册、会议纪要，有哪些已经在协作平台上、以结构化形式存在。这一步的产出是一张「可被智能体读取的数据清单」。
2. 选一个高频、有明确负责人、可回退的场景。三个样本都符合这个特征：故障定位、工艺查询、项目派单。共同点是错了也能退回去，且每天发生多次。
3. 先给智能体接「眼睛」，再扩充知识库。东风奕派的失败已经证明顺序反了会白做：优先接入设备与系统里已经存在的实时数据，再谈经验沉淀。
4. 写死冲突仲裁规则，并配套追溯机制。「不一致时听一线员工的」是一条可复制的规则，但它必须搭配追溯、验证、复盘三步，否则冲突只会被压下去而不会变成改进。
5. 让离现场最近的人维护它。三个样本的应用都由业务人员自主搭建与持续维护。IT 提供底座与权限，业务方拥有内容。
6. 用「上岗」而非「上线」验收。建议把「一线人员在无人监督时的默认使用率」作为核心指标，而不是部署数量或调用次数。上线数量很好看，但只有这个率能反映真实价值。

三条红线

1. 涉及高压、高温、高速旋转等危险工况的结论，必须带可验证的物理量。28.9 千伏与实测值比对一致是这类结论的样板；只给可能性排序的建议不得直接驱动现场动作。
2. 未数字化的设备不得纳入。点检记录如果仍停留在纸质或口头，智能体给出的会是看似完整、实则缺失的判断，这比不给判断更危险。
3. 不得为智能体单独开超级权限。应沿用使用者的身份与权限，统一配置权限、追溯使用情况、设定 AI 用量上限并管控高消耗模型与场景。制造业多系统并存的环境里，一次越权读取的代价远高于效率收益。

冷静判断：这份复盘能迁移到什么程度

可迁移的部分是顺序与规则，不是数字。「先接数据再补知识」「冲突时听一线的但要复盘」「用上岗率而非上线数验收」这三条不依赖具体行业，任何有现场作业的场景都能用。

不可迁移的部分是平台前提。三个样本都跑在同一套协同平台上，且该平台提供了身份沿用、权限继承、用量上限等管理能力。换到没有这些能力的环境里，仅权限与合规设计就要多花数月，这也是同类项目最常见的延期原因。

数字要分开看。30 分钟到 2 秒、5 秒应答、10 秒查询、10 秒派单——这四个数都是单环节速度，且都来自企业负责人在公开场合的表述，未见第三方核验。它们足以证明方向，不足以支撑 ROI 表。ROI 表需要的是全流程时长、质量变化、频率改变与复核成本四列，其中「复核成本」在制造业尤其不能省——本栏目此前多份复盘都显示，人工复核的工时往往没有被计入收益侧。

还有一处需要持续观察：三个样本都处在「被接受」的早期阶段——海信的知识库人均查阅约 2.9 次、南钢百冠赛产出转化率约 21.7%，都说明扩散还在进行中。真正检验这些项目的是一年后是否还在被使用、以及是否扩展到了第二个场景。关于后续进展与更多量化读数，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。