李铁军:制造业AI应用场景挖掘培训

模块一：AI基础知识普及

1.1 什么是人工智能？

核心认知建立：

l AI不是一个东西，而是一类技术的统称

l AI不是万能的，它只能做被训练过的特定任务

l AI不会"思考"，它本质上是在海量数据中找规律

1.2 AI是怎么"学会"的？

1.3 AI发展三阶段——我们现在在哪里？

1  第一阶段：决策式AI

2    └── AI学会"看"和"听"

3    └── 代表：人脸识别、语音助手、图像分类

4    └── 工厂应用：外观视觉检测、语音报警

6  第二阶段：生成式AI

7    └── AI学会"说"和"写"

8    └── 代表：ChatGPT、DeepSeek、文生图

9    └── 工厂应用：自动生成报告、智能问答系统

11  第三阶段：自主行动智能

12    └── AI学会"计划"和"执行"多步骤任务

13    └── 代表：OpenClaw（龙虾）、AI Agent

14    └── 工厂应用：自主巡检机器人、智能排产Agent

1.4 AI与我们日常工作的关系

AI早就在你身边——手机解锁、导航推荐、短视频推送、邮件过滤，都是AI。工厂里的质检摄像头、设备预警系统、ERP需求预测，也是AI。今天我们要做的，是让它用得更主动、更有意识。

1.5AI擅长做的五类事

总原则：AI擅长处理大量数据、重复规律、明确规则的任务。

① 模式识别与质量检测

② 预测与预警

③ 优化与调度

④ 自动生成内容与文档

⑤ 智能问答与知识检索

1.6AI做不到的六件事

❌没有数据，AI什么都做不了

❌ AI能判断"是什么"，但不能解释专业问题的"为什么"

❌ AI"一次部署、永久有效"，需要持续维护

❌ AI不能替代复杂的经验判断与商业决策

❌ AI不能保证100%准确

❌ AI没有法律责任意识

模块二："小龙虾"到底是什么？

OpenClaw 被称为"小龙虾"，因为它的 Logo 就是一只红色龙虾。它不是普通的聊天机器人，而是一个真正能替你干活的AI 执行引擎。

2.1核心概念讲解

l聊天机器人vs AI Agent 的区别

¢聊天机器人：只会"说"——告诉你怎么做

¢ OpenClaw（小龙虾）：会"做"——直接帮你执行操作

l三句话理解小龙虾

l它有大脑（连接AI 大模型，会思考）

l 它有手脚（可以操作电脑、读写文件、上网搜索）

l 它会拆解任务（你说目标，它自己想步骤、自己执行）

l为什么最近这么火？

¢免费开源，由奥地利开发者Peter Steinberger 于 2024 年 11 月发布

¢ 腾讯、百度等巨头相继入局，举办免费安装活动

¢全球AI 社区掀起"养龙虾"热潮

2.2认识WorkBuddy——最简单的"养龙虾"方式

WorkBuddy 是腾讯推出的全场景龙虾类AI 智能体，是目前最适合非技术用户使用OpenClaw 的方式——无需命令行、无需云部署、一分钟安装即用。

2.3 动手实操——安装 WorkBuddy

第一步：下载安装包

l打开浏览器，搜索"腾讯 WorkBuddy 下载"

l进入官方页面，选择对应系统版本（Windows / macOS）下载

第二步：安装与登录

l双击安装包，按提示完成安装（约2 分钟）

l 使用微信扫码或腾讯账号登录

第三步：激活OpenClaw 功能

l进入WorkBuddy 电脑版（注意：OpenClaw 功能仅电脑版支持）

l在设置中找到"OpenClaw 模式"并开启

l 系统自动完成环境初始化，无需任何命令行操作

第四步：绑定微信（可选）

l在设置中选择"微信绑定"

l 扫码完成授权，即可通过微信消息远程控制电脑

第五步：领取免费Credits

l新用户自动获得5000 Credits

2.4实战演练——让小龙虾真正帮你干活

场景一（基础）：让小龙虾帮你写一份文件

任务描述：

输入指令："帮我写一份关于本月销售情况的周报模板，包含数据汇总、亮点和问题三个部分，保存为 Word 文件到桌面。"

学习要点：

l如何写清晰的指令（目标+ 格式 + 存储位置）

l 观察小龙虾如何自动拆解步骤并执行

l学会查看"执行日志"了解 AI 在做什么

场景二（进阶）：联网搜索+ 整理信息

任务描述：

输入指令："搜索最近一周关于新能源汽车的行业新闻，整理成一份简报，包含标题、来源和一句话摘要，保存为 Excel。"

学习要点：

l了解"工具（Tool）"的概念——小龙虾需要安装搜索工具才能联网

l在WorkBuddy 技能市场中一键安装"搜索技能包"

l理解AI 联网能力的边界与局限

场景三（挑战）：微信远程控制

任务描述：

用手机微信发送消息给已绑定的WorkBuddy："帮我查一下桌面上的'Q1报告.xlsx'里，销售额最高的三个产品是哪些？"

学习要点：

l体验"人在外面、电脑自己干活"的魔法感

l 了解远程指令的安全边界设置

l 讨论：哪些工作场景最适合这样使用？

模块三AI 工具实操体验

l每组自选1 个工具方向，围绕自己部门的真实工作场景操作

l 要求：操作内容必须是自己工作中真实存在的问题或文档，不使用虚构场景

l每组需产出1 张展示内容，包含：

n截图或记录：输入了什么/ 输出了什么

n 一句话总结：我们做了什么，最大的发现或感受是什么

l每组2–3 分钟快速展示

n 我们选了什么工具，处理了什么场景

n我们输入了什么，AI 给出了什么

n 最让我们惊喜（或失望）的一点是什么。

模块四生成式AI的原理和趋势

1. 大模型的底层逻辑：只是“像人类一样思考”

2.大模型的“顿悟”能力-“涌现”现象

3. 主流大模型介绍

4.私有化部署和在公有云上调用API的优缺点和选择

5.通过RAG或者微调让DeepSeek学会企业专有知识

6.如何选择RAG还是微调？

7.基于RAG的企业知识库构建和使用

8. RAG知识库安全权限的有效管理控制

9. 智能体（Agent）核心特征与技术架构

10. 具身智能：机器人和大模型的结合应用

11. 案例：美的荆州洗衣机智能体工厂—WRCA认证的世界首个智能体工厂

模块五制造业AI 应用全景深度讲解

模块目标：系统拆解AI 在制造业的三大核心应用方向，每个方向做到"原理听得懂、案例信得过、场景想得到自己"。用真实企业案例激发学员的场景联想，为下午工作坊热身。

方向一：数据分析与智能洞察

核心信息：工厂里沉睡的数据，AI 可以让它开口说话。

① 为什么数据分析需要 AI？

传统数据分析的痛点：

l人工导出Excel → 手动建图表 → 写分析报告，流程长、更新慢

l 数据在系统里，但真正能读懂数据的人很少

l 报表做出来了，但决策层看不懂，基层员工看不到

AI 带来的改变：

l自然语言提问：不需要会写SQL 或 Excel 公式，直接问"上周哪条产线效率最低？原因是什么？"

l秒级生成洞察：从数据到图表到结论，AI 自动完成

l主动预警：不需要人去盯数据，AI 发现异常主动通知

引入DIKW 模型帮助学员理解AI 的价值层级：

15  数据（Data）    → 原始记录，如设备每分钟的温度读数

16  信息（Info）    → 整理后的意义，如"今天设备平均温度偏高 5℃"

17  经验（Experience）→ 规律认知，如"温度偏高往往预示轴承磨损"

18  知识（Knowledge）→ 系统化理论，如"建立预测性维护模型"

BI 工具（如 PowerBI）帮你从数据到信息；AI 帮你从信息跨越到经验与知识。已经有了PowerBI 基础，这正是叠加 AI 能力的最佳起点。

案例：工厂Agent 运营助手

l工厂管理者提问："我们的 A 生产线今天效率如何？"

l Agent 自动调用 MES、ERP、设备系统等多个数据源，10秒内给出答案并附图表

l 传统方式需要逐层问询，AI问数可以节约95%的时间，减少多余沟通环节

l订单增加30% 时，系统自动分析产能是否充足，给出排程优化建议

l对标：生产效率数据已有积累，这类预测性分析具备直接落地条件

方向二：视觉识别与质检

核心信息：让摄像头变成不疲劳、不分心、不请假的"质检员"和"安全员"。

工业视觉的四大应用类型：

案例一：施耐德电气工厂AI 质检

l工业相机采集产品图像→ AWS 云端推理 → 实时判断缺陷

l采用中科创达TurboX Inspection 平台，支持模型训练、验证、部署全流程

l通过边缘计算（AWS IoT Greengrass）实现低延迟实时检测

l 效果：质检效率显著提升，减少人工漏检，降低不良品流出率

案例二：产线行为合规检测

l 摄像头实时采集员工在产线上的操作动作

l AI 模型对比标准操作流程（SOP），识别不合规动作并实时预警

l 应用场景：操作姿势是否标准、工具使用是否规范、关键步骤是否遗漏

案例三：劳保用品佩戴检测

l 图像识别技术自动检测员工是否佩戴安全帽、手套、护目镜等劳保用品

l替代人工巡检，实现7×24 小时自动监控

l对标：产线操作规范核查与劳保佩戴检测，是需求文档中明确提到的应用方向

方向三：知识库与智能问答

核心信息：把老师傅的经验、厚厚的操作手册、反复被问的问题，变成随时能问的AI 同事。这是三个方向里对 当前阶段落地门槛最低、最值得优先试点的方向。

① 大模型的局限与 RAG 的解法

大模型的两个核心局限：

l知识有截止日期：不了解你公司内部的产品、流程、规范

l容易产生幻觉：对于它不知道的事情，会编造听起来合理的答案

RAG 的工作流程：

1  用户提问

2    → 将问题向量化，在知识库中检索最相关的文档片段

3    → 将检索到的内容作为"上下文"提供给大模型

4    → 大模型结合上下文生成准确答案

5    → 输出答案并标注来源

类比：就像一个新员工，入职前先读完了所有内部文档和操作手册，然后才上岗回答同事的问题——它不会凭空编造，因为它有"小抄"作为依据。

② 企业知识库构建的四个阶段

阶段一：数据处理

l收集整理企业内部文档：产品手册、技术规范、管理制度、FAQ 等

l 对文档进行清洗、切片、向量化处理，存入知识数据库

l 关键动作：识别标题目录、剔除无关信息、设置合理的切片长度

阶段二：平台搭建+ 模型部署

l选择适合的大模型底座（Qwen、DeepSeek 等）

l 在本地或私有云环境搭建知识库平台

l 重点：私有化部署可以解决数据保密顾虑，文档不上传到公共云端

阶段三：RAG 优化调参

l提示词工程：让AI 理解用户意图，补全语义

l召回策略：语义检索+ 关键词检索双路召回，提高命中率

l整理常见问题与标准答案，验证AI回答的准确性

阶段四：应用上线与迭代

l 员工通过对话界面、企业微信、钉钉等入口提问

l 收集使用反馈，持续补充知识库内容

l 基于反馈进行模型迭代，越用越准

③ 典型案例

案例一：在线客服智能体

l系统架构：意图判断→ 分流至售前/售后/投诉不同 LLM → 查询知识库 → 生成回复

l 支持多种输入渠道：呼入电话、在线对话、客服查询

l复杂问题自动转接人工，简单问题AI 全程处理

l效果：7×24 小时在线，大幅降低人工客服压力

案例二：财务知识问答系统

l 场景痛点：报销流程复杂、财务规则反复被问、新员工培训成本高

l AI 解法：将财务规章制度、报销流程、岗位规范上传至知识库

l 效果量化：

¢每周处理超过100 次财务问题咨询

¢每月节省财务人员3–5 个工作日

¢预计节省人工成本约90 万元/年

¢报销提报效率提升至少3 倍

 可对标的三类知识库场景

模块六｜内部工作场景发现工作坊

模块目标：在有限时间内高效产出。学员经过上午的认知建立和工具体验，已经具备足够的"AI 语言"，现在要用这套语言来审视自己的工作，找到 AI 可以减轻负担的真实场景。

第一步：场景发现框架讲解

用四个问题快速引导学员扫描自己的工作：

问题一：我每天/每周需要处理哪些重复性的数据整理或信息查询工作？

问题二：我们团队有哪些经验和知识是需要反复向新人或其他部门解释的？

问题三：我们的工作中有哪些**"眼睛盯着看"**的环节，是否可以让摄像头替代？

问题四：我们已有的数据资产（库存、品质、效率等）是否被充分分析和利用了？

第二步：小组讨论

l每组产出2 个场景卡片，聚焦质量而非数量

l 场景卡片填写格式：

1  【场景名称】：用一句话命名这个场景

2  【现在怎么做】：描述当前的工作方式

3  【最大的痛点】：耗时？出错？信息不对称？

4  【AI 可能怎么帮】：对应哪个方向，大致怎么实现

5  【落地难度预估】：低（个人工具即可）/ 中（需要团队配合）/ 高（需要系统集成）

第三步：各组展示

l每组3 分钟展示2 个场景卡片，聚焦两个维度：

¢可行性：技术上能不能做，现在的数据和工具条件是否具备

¢优先级：投入产出比如何，哪个场景值得优先试点

模块七｜总结：AI 落地路径与行动建议

人机协作的正确心态：

l AI 是"超级实习生"，不是替代者——它执行力强，但需要你给出清晰的指令

l提问能力= 新时代核心竞争力：如何清晰、准确、富有创造性地向AI 下达指令，决定了你能从 AI 身上获得多少价值

l从"散点式应用"走向"系统性整合"：单点使用 AI 工具是起点，重新设计工作流程才是终点

授课老师

李铁军 前西门子中国MES行业总监

常驻地：北京
邀请老师授课：13439064501 陈助理

邀请授课

主讲课程：《创新思维与问题分析解决》《科技企业生态圈构建》《大客户销售管理实务》《工业4.0与智能制造》《工业人工智能的应用》《工业数字化转型概念解析》

李铁军老师的课程大纲