🧠 1. AI 能做什么（2025年）

AI 的五大核心能力领域，以及制造业中的典型应用场景

▲ AI 能力分类图

AI 能力全景

2025年最成熟、最易落地的五大方向

👁 Computer Vision 计算机视觉

理解图像和视频内容：分类、检测、分割、OCR

例：产品质量检测、缺陷识别、文档OCR、人脸识别
YOLOOpenCVResNet
💬 NLP 自然语言处理

理解和生成人类语言：对话、翻译、摘要、问答

例：智能客服、报表解读、知识问答、合同分析
GPT-4BERTRAG
🎯 推荐系统

根据历史行为预测用户偏好，个性化推荐内容

例：电商推荐、内容推送、生产参数优化建议
协同过滤Embedding
📈 时间序列分析

从时间序列数据中发现规律、预测未来趋势

例：设备故障预测、能耗预测、销售预测
LSTMProphetARIMA
✨ 生成式 AI

生成文本、图像、代码等新内容（AIGC）

例：自动写报告、生成代码、文档摘要、图片生成
LLMDiffusionAgents

🏭 制造业 AI 典型场景

👁 质量检测

用摄像头拍摄产品，AI自动识别缺陷

CVYOLO

📈 预测性维护

分析传感器数据，提前预判设备故障

时序分析ML

🗓 智能排产

优化生产计划和资源调度

优化算法运筹

📄 文档 OCR

识别纸质工单、报告、发票等文档

CVOCR

💬 对话助手

基于企业知识库的智能问答系统

NLPRAG

🔔 异常检测

实时监测数据异常，及时预警

时序分析统计
🏗 2. AI 技术栈全景

从应用到基础设施的完整分层视图，帮你理解每个环节用什么技术

▲ AI 技术栈分层架构
🖥 Application Layer — 应用层
你的前端 Dashboard、管理后台、移动端 App
React / VueElectronEChartsWebSocket
▼
🔌 AI Service Layer — 服务层
调用 AI 能力的中间层：API 网关、Prompt 管理、结果缓存
Node.js / PythonFastAPIREST APILangChain
▼
🧩 Model Layer — 模型层
预训练模型直接用 / 微调后用 / 自己训练
GPT-4 / Claude开源 LLMscikit-learnYOLOWhisper
▼
💾 Data Layer — 数据层
你的生产数据、文档、传感器数据、历史记录
PostgreSQLMongoDBMinIO时序数据库pgvector
▼
⚙ Infrastructure — 基础设施
运行环境、计算资源、部署运维
Python 3.10+DockerGPU (NVIDIA)Linux云服务

🔑 关键技术选型建议

层次推荐方案备选方案选择理由
应用层 React + TypeScript Vue 3 生态最丰富，AI SDK 支持好
服务层 Python FastAPI Node.js Express AI 库全用 Python 写的，FastAPI 性能高
模型层 先 API 调用，后本地部署 — 先用 API 快速验证，验证通过再考虑自建
数据层 PostgreSQL + pgvector MongoDB + Chroma 一个库搞定业务数据+向量搜索
基础设施 Docker Compose K8s 初期用 Docker Compose 足够，后期迁移 K8s
⚡ 3. 方案一：调用 AI API

最快上手的方式 —— 直接调用云端 AI API，无需任何 ML 知识

调用 AI API 就像打电话请专家帮忙：你不需要自己成为专家，只需要知道怎么打电话（发请求），把问题说清楚（Prompt），专家就会给你答案。你只需关心怎么把专家的答案整合到你的系统里。

主流 AI API 提供商对比

维度 OpenAI (GPT-4) Anthropic (Claude) 百度文心一言 阿里通义千问 讯飞星火
中文能力 优秀 优秀 优秀（本土优化） 优秀（本土优化） 良好
推理能力 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐
价格 较高（$0.03/1K tokens） 中等 中等 较低 较低
API 稳定性 好 好 一般 好 一般
合规性 需备案 需备案 ✅ 已备案 ✅ 已备案 ✅ 已备案
上下文窗口 128K tokens 200K tokens 128K tokens 128K tokens 32K tokens
推荐场景 复杂推理、代码 长文本、安全敏感 国内项目 国内项目、性价比 语音+文本

🏭 制造业典型用例

💬 智能问答

"帮我分析昨天A产线停机的原因"
连接生产数据库，AI 用自然语言回答生产问题

📊 报表解读

自动将数字报表转为文字分析报告
每天自动生成日报，含趋势分析和异常提醒

📄 文档 OCR

拍照识别纸质工单，自动录入系统
减少人工录入错误，提升数据录入效率

完整代码示例：Node.js + OpenAI 报表分析

JavaScript (Node.js) report-analyzer.js
import OpenAI from 'openai'; // 初始化 OpenAI 客户端 const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY, }); // 模拟从数据库获取的生产日报数据 const productionData = ` 日期: 2025-06-09 | 产线: A线 计划产量: 1000 | 实际产量: 870 | 达成率: 87% 不良品: 45件 | 不良率: 5.17% 停机时间: 45分钟 | 停机原因: A001设备温度报警 能耗: 2,340 kWh (较昨日+8%) `; async function analyzeReport() { const response = await openai.chat.completions.create({ model: 'gpt-4', messages: [ { role: 'system', content: '你是制造业生产分析师。分析生产日报，给出简洁的中文总结，包括：1)核心指标 2)异常项 3)改善建议' }, { role: 'user', content: `请分析以下生产日报：\n${productionData}` } ], temperature: 0.3, // 低温度 = 更稳定的输出 }); const analysis = response.choices[0].message.content; console.log('📊 AI 分析结果：'); console.log(analysis); // 将分析结果保存到数据库 await saveToDatabase({ date: '2025-06-09', analysis: analysis, tokens_used: response.usage.total_tokens, }); } analyzeReport().catch(console.error);

▲ 上面这段代码就是 AI API 调用的全部 —— 构造 Prompt，发送请求，拿到结果。你现有的 Node.js 技能完全够用。

  • ⚡ 最快上手：几行代码就能调用，1天内集成
  • 💰 启动成本低：无需 GPU，按量付费
  • 🧠 无需 ML 知识：模型已训练好，直接用
  • 🔄 持续升级：API 自动更新到最新模型
  • 🎯 效果确定：GPT-4 效果经过验证
  • 🔒 数据隐私：数据发送到第三方服务器
  • 💸 规模化成本：调用量大时费用可观
  • 🌐 依赖网络：断网不可用，延迟受网络影响
  • 🎛 可控性差：无法控制模型行为细节
  • 📋 合规风险：国内项目可能需用国产 API
📚 4. 方案二：RAG（检索增强生成）

让 AI 基于你自己的数据来回答问题 —— 最适合企业知识库场景

RAG = 开卷考试。LLM 是学生（有通识知识但不知道你公司的细节），你的文档是参考书。考试时，先在参考书中找到相关章节（向量检索），再结合自己的知识来回答（LLM 生成）。这样答案既准确又有依据。
▲ RAG 架构流程图
👤
用户提问
"A001设备温度报警怎么处理？"
→
🔍
向量搜索
Embedding → 在知识库中检索
→
📋
拼接上下文
问题 + 相关文档片段
→
🤖
LLM 生成回答
基于上下文 + 自身知识
→
✅
精准回答
带引用来源的答案
🗄
向量数据库
SOP / 设备手册 / 历史工单 → Embedding 存储

🔑 RAG 核心组件

组件做什么推荐技术说明
文档分块 把长文档切成小段落 LangChain TextSplitter 通常每块 500~1000 字
Embedding 文本 → 数字向量（数组） text-embedding-3-small 语义相近的文本 → 相近的向量
向量数据库 存储向量，支持相似度搜索 pgvector / Chroma / Milvus pgvector 可复用已有 PostgreSQL
LLM 根据上下文生成回答 GPT-4 / 通义千问 API 调用或本地部署

完整示例：生产知识库问答系统

Python rag-knowledge-base.py
from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.chat_models import ChatOpenAI from langchain.chains import RetrievalQA # ====== 第1步：准备文档（SOP、设备手册等）====== sop_documents = [ "A001注塑机标准操作规程(SOP)：开机前检查温度设定在200-220℃。 若温度超过240℃触发报警，应立即：1)暂停进料 2)开启冷却水 3)检查热电偶是否正常 4)温度降至220℃以下后恢复生产。", "A001注塑机保养手册：每500小时需更换液压油，每1000小时需校准 温度传感器。日常巡检项目：油位、水温、气压、异常噪音。", "B002组装线换线SOP：换线前需清空产线所有在制品，清洁工装夹具， 确认物料清单(BOM)与新产品一致，首件检查合格后方可量产。", ] # ====== 第2步：文档分块 ====== splitter = RecursiveCharacterTextSplitter( chunk_size=200, chunk_overlap=50, ) chunks = splitter.create_documents(sop_documents) # ====== 第3步：生成向量并存入数据库 ====== embeddings = OpenAIEmbeddings() vector_db = Chroma.from_documents( documents=chunks, embedding=embeddings, persist_directory="./chroma_db", ) # ====== 第4步：构建问答链 ====== llm = ChatOpenAI(model="gpt-4", temperature=0) qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", retriever=vector_db.as_retriever(search_kwargs={"k": 3}), return_source_documents=True, ) # ====== 第5步：提问 ====== question = "A001设备温度报警怎么处理？" result = qa_chain({"query": question}) print(f"❓ 问题: {question}") print(f"✅ 回答: {result['result']}") print(f"📖 来源: {result['source_documents'][0].page_content[:80]}...")
某汽车零部件工厂：部署了基于 RAG 的生产知识库问答系统。新员工通过自然语言提问，系统自动从 300+ 份 SOP 文档中检索相关内容并给出精准回答。培训时间从 2 周缩短到 3 天，设备故障平均响应时间从 30 分钟降至 5 分钟。
📊 5. 方案三：传统 ML 模型

当你有结构化数据（表格数据）并想做预测时 —— 最适合预测性维护、质量预测等场景

传统 ML = 从历史经验中总结规律。就像老工程师看了一万份设备运行记录后总结出"温度超过 85°C 且振动频率异常 → 大概率 2 小时内要出故障"。ML 模型就是帮你自动化这个"总结规律"的过程。

适用场景

🔧 预测性维护

从传感器数据（温度、振动、压力）预测设备是否会故障

✅ 质量预测

从工艺参数（温度、压力、时间）预测产品是否合格

⚡ 能耗预测

从生产计划和环境因素预测能耗，优化排产降低成本

▲ ML 模型开发流水线
📥
数据收集
传感器/数据库
→
🔧
特征工程
清洗/提取特征
→
🏋
模型训练
Random Forest等
→
📐
模型评估
准确率/召回率
→
🚀
模型部署
Flask API + Docker
→
🔮
在线预测
实时推理

技术栈

Python 3.10+ scikit-learn pandas FastAPI Docker

完整示例：设备故障预测（随机森林）

Python predictive-maintenance.py
import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report # ====== 第1步：加载数据（传感器历史数据）====== # 字段: temperature, vibration, pressure, rpm, failure(0/1) df = pd.read_csv("equipment_sensor_data.csv") # ====== 第2步：特征工程 ====== # 添加滚动平均特征（最近5个数据点的趋势） df['temp_rolling_avg'] = df['temperature'].rolling(5).mean() df['vibration_rolling_std'] = df['vibration'].rolling(5).std() df = df.dropna() # 去掉空值行 features = ['temperature', 'vibration', 'pressure', 'rpm', 'temp_rolling_avg', 'vibration_rolling_std'] X = df[features] y = df['failure'] # ====== 第3步：划分训练集和测试集 ====== X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) # ====== 第4步：训练随机森林模型 ====== model = RandomForestClassifier( n_estimators=100, max_depth=10, random_state=42, ) model.fit(X_train, y_train) # ====== 第5步：评估模型 ====== y_pred = model.predict(X_test) print(classification_report(y_test, y_pred)) # ====== 第6步：预测新数据 ====== new_reading = [[88.5, 4.2, 6.1, 1520, 86.3, 1.8]] prediction = model.predict(new_reading) probability = model.predict_proba(new_reading) if prediction[0] == 1: print(f"⚠️ 故障概率: {probability[0][1]:.1%}，建议立即检修！") else: print(f"✅ 设备正常，故障概率: {probability[0][1]:.1%}")

如何部署为 API 服务

Python (FastAPI) ml-api-service.py
from fastapi import FastAPI from pydantic import BaseModel import joblib app = FastAPI(title="设备故障预测 API") model = joblib.load("failure_prediction_model.pkl") class SensorData(BaseModel): temperature: float vibration: float pressure: float rpm: float @app.post("/predict") async def predict_failure(data: SensorData): features = [[data.temperature, data.vibration, data.pressure, data.rpm, 0, 0]] # 简化 pred = model.predict(features) prob = model.predict_proba(features) return { "failure_predicted": bool(pred[0]), "failure_probability": round(float(prob[0][1]), 4), "recommendation": "建议立即检修" if pred[0] else "设备运行正常", } # 运行: uvicorn ml-api-service:app --host 0.0.0.0 --port 8000 # Docker 化后部署到服务器，前端 Dashboard 调用此 API
某注塑工厂：在 12 台注塑机上安装温度和振动传感器，用随机森林模型分析历史故障数据。模型提前 2 小时预测到设备轴承过热故障，维修团队提前更换零件，避免了产线停工。预计年节省停机损失 ¥120 万。
👁 6. 方案四：Computer Vision

用摄像头 + AI 做质量检测 —— 替代人工目检的杀手级应用

CV 质检 = 给流水线配了一个"永不疲倦的质检员"。这个质检员每秒可以检查 30 张产品图片，不会走神、不会疲劳，而且见过的缺陷案例越多越准确。关键是 —— 你不需要自己训练模型，用预训练的 YOLO 模型 + 你标注的数据就能搞定。
▲ 计算机视觉质检流水线
📷
图像采集
工业相机拍摄
→
🖼
图像预处理
裁剪/增强/归一化
→
🧠
模型推理
YOLOv8 检测
→
🏷
结果解析
缺陷类型+位置
→
📊
判定输出
合格/不合格
→
🔔
报警联动
剔除/通知/记录

技术栈

Python OpenCV PyTorch YOLOv8 (Ultralytics) Label Studio (标注工具)

快速上手：用 YOLOv8 做缺陷检测

Python yolo-defect-detection.py
from ultralytics import YOLO import cv2 # ====== 第1步：加载预训练模型（或自己训练的模型）====== # 方式A：用预训练模型快速验证效果 model = YOLO("yolov8n.pt") # 方式B：用自己标注数据训练后的模型 # model = YOLO("runs/detect/train/weights/best.pt") # ====== 第2步：对单张图片做缺陷检测 ====== results = model("product_photo.jpg") # 解析检测结果 for result in results: boxes = result.boxes for box in boxes: cls_id = int(box.cls[0]) confidence = float(box.conf[0]) x1, y1, x2, y2 = box.xyxy[0].tolist() print(f"检测到缺陷: 类别={cls_id}, 置信度={confidence:.2f}, 位置=({x1:.0f},{y1:.0f})-({x2:.0f},{y2:.0f})") # ====== 第3步：标注并保存结果图片 ====== annotated = results[0].plot() cv2.imwrite("result_annotated.jpg", annotated) # ====== 自己训练模型（核心步骤）====== # 1. 用 Label Studio 标注 200~500 张缺陷图片 # 2. 导出为 YOLO 格式 # 3. 训练: # model = YOLO("yolov8n.pt") # model.train(data="defect.yaml", epochs=50, imgsz=640) # 4. 验证效果 → 部署

从零开始的实施步骤

  1. 安装工业相机：在质检工位安装高分辨率相机，确保光照稳定
  2. 采集样本图片：拍摄 500+ 张产品图片（含正常品和缺陷品）
  3. 标注缺陷：用 Label Studio 圈出缺陷位置和类型
  4. 训练模型：用 YOLOv8 在标注数据上 fine-tune
  5. 部署验证：先离线验证准确率，达标后再接入产线
  6. 产线集成：通过 API 与产线 PLC 联动，自动剔除不良品
某电子元器件工厂：在 SMT 产线上部署基于 YOLOv8 的视觉质检系统，替代 6 名目检工人。系统每秒检测 30 个元器件，缺陷检出率从 92% 提升到 99.5%，误判率控制在 0.3% 以下。投资回报周期仅 4 个月。
📝 7. AI 项目简历怎么写

面试中如何专业地描述 AI 项目 —— 三份可直接用的项目描述模板

  • 用数据说话：不说"提升了效率"，说"培训时间从2周缩短到3天"
  • 说清技术栈：面试官想知道你用了什么工具，不是泛泛的"用了AI"
  • 强调你的角色：你做了什么（设计/开发/部署），而不是"参与了项目"
  • 提到难点和解决：这展示你真的理解技术细节
  • 关联业务价值：技术为业务服务，说清解决什么业务问题

项目一：基于 RAG 的生产知识库问答系统

技术栈
Python · LangChain · OpenAI GPT-4 · Chroma · FastAPI · Docker
我的贡献
独立设计并实现了完整的 RAG 问答系统。负责文档分块策略设计（基于语义边界分块，chunk_size=500）、Embedding 选型对比（OpenAI vs 本地模型）、向量数据库选型（最终选 Chroma，兼顾性能和部署简易度）、Prompt Engineering 优化。使用 FastAPI 构建 RESTful API，Docker 容器化部署。
项目成果
培训时间从 2 周缩短到 3 天，新员工自助问答覆盖率达 85%。设备故障响应时间从 30 分钟降至 5 分钟。系统日活用户 150+，问答准确率 92%（人工抽检验证）。

项目二：基于机器学习的设备故障预测系统

技术栈
Python · scikit-learn · pandas · FastAPI · Docker · Grafana
我的贡献
主导从数据采集到模型部署的全流程。特征工程方面，设计了温度滚动平均、振动标准差等 15 个时序特征。模型选型对比了 Random Forest、XGBoost 和 LSTM，最终选用 Random Forest（F1-score 0.89，推理速度快，可解释性强）。开发 FastAPI 推理服务，集成到现有 Grafana 监控面板。
项目成果
提前 2 小时预测设备故障，准确率 87%，避免了 3 次产线停工事件。预计年节省停机损失 ¥120 万。模型每日处理 50 万条传感器数据，推理延迟 < 50ms。

项目三：AI 辅助的报表自动分析系统

技术栈
Node.js · OpenAI API · PostgreSQL · React · ECharts · 定时任务
我的贡献
设计并开发了生产日报自动分析系统。使用 Node.js 调用 OpenAI API，设计结构化 Prompt 模板确保输出稳定。开发了数据预处理模块，将 ERP 系统数据转换为 AI 可读格式。前端使用 React + ECharts 实现可视化 Dashboard，支持 AI 分析结果与原始数据对照查看。
项目成果
每日自动生成 5 份生产分析报告，替代人工编写（原需 1 小时/份）。异常发现速度提升 10 倍（AI 秒级识别 vs 人工翻阅报表）。管理层反馈信息获取效率显著提升。

🎯 面试官常问的 AI 项目问题

  1. 为什么选这个技术方案？ — 要能说清为什么选 RAG 而不是直接 API、为什么选 Random Forest 而不是深度学习
  2. 数据是怎么处理的？ — 数据清洗、特征工程、标注策略等细节
  3. 遇到了什么难点？怎么解决的？ — 准备 2-3 个具体问题，比如数据不平衡、模型过拟合、API 延迟
  4. 怎么评估效果的？ — 要说清用了什么指标（准确率/召回率/F1）以及业务指标（节省时间/减少损失）
  5. 如果重新做，有什么改进？ — 展示你的思考深度和技术视野
  6. 模型怎么部署和维护的？ — Docker 部署、API 设计、模型监控、数据漂移处理
🗺 8. AI 学习路线

从零到能做 AI 项目的渐进式学习路径 —— 12 周完成转型

▲ AI 学习路线图（12 周计划）
Phase 1：Python 基础 + API 调用 1-2 周
目标：能独立调用 AI API 完成一个小功能
  • Python 基础语法（如果你已会 JavaScript，2天就够）
  • HTTP 请求：用 requests 调用 OpenAI API
  • Prompt Engineering：学会写有效的 Prompt
  • 实战项目：写一个自动分析日报的小脚本
Phase 2：RAG 系统搭建 2-4 周
目标：搭建一个基于自己数据的知识库问答系统
  • LangChain 框架基础：文档加载、分块、Embedding
  • 向量数据库：用 Chroma 或 pgvector 存储和检索
  • FastAPI 构建 API 服务
  • 实战项目：搭建生产知识库问答系统（SOP问答）
Phase 3：传统 ML 基础 4-8 周
目标：能用 ML 模型做预测，并部署为 API
  • pandas 数据处理：清洗、特征工程
  • scikit-learn 常用模型：Random Forest、XGBoost
  • 模型评估：train/test split、交叉验证、F1-score
  • Docker 容器化部署
  • 实战项目：设备故障预测模型 + API 部署
Phase 4：CV / NLP 进阶 8-12 周
目标：掌握计算机视觉或 NLP 的专项技能
  • OpenCV 图像处理基础
  • YOLOv8 目标检测：标注 → 训练 → 部署
  • 或深入学习 NLP：BERT fine-tuning、文本分类
  • 模型优化：量化、剪枝、TensorRT 加速
  • 实战项目：视觉质检系统 或 智能文档分析系统

📚 推荐学习资源

📖 入门必读

Andrew Ng 机器学习课（Coursera）
Fast.ai 实践课程（免费）
《动手学深度学习》（d2l.ai，中文免费）

🔧 工具文档

LangChain 官方文档（Python）
scikit-learn 用户指南
Ultralytics YOLOv8 文档

💻 实战平台

Kaggle：数据集 + 竞赛 + Notebook
Hugging Face：模型库 + 数据集 + Spaces
Google Colab：免费 GPU 环境

👥 社区

GitHub：开源项目和示例代码
知乎 / 掘金：中文 AI 技术文章
Papers With Code：最新论文 + 代码

重要提醒：作为全栈开发者，你的优势不在于"从零训练模型"，而在于将 AI 能力集成到生产系统——数据管道、API 设计、前后端集成、部署运维。这些才是企业真正需要的，也是你已有的技能可以快速迁移的方向。先做出来，再做好。