《第四阶段_AI场景落地实战营》

《制造业AI场景落地实战营》

主讲：韩迎娣老师

【课程背景】

"会用工具"和"用出效果"之间还有一道关键鸿沟——不知道从哪个业务场景切入、怎么设计方案、怎么让智能体真正跑起来。很多企业的AI落地之所以失败，不是因为技术不行，而是倒在"选错场景"和"方案不落地"上：要么选了太复杂需要长期开发的场景，要么设计的方案脱离实际数据条件，要么做完了没人维护。

本实战营以实战场景为核心，以各公司真实的业务痛点来，2天1夜走完全流程——从场景筛选、方案设计、智能体搭建到联调测试，走的时候带着一套可运行的智能体原型和落地计划。

核心理念："用AI思考AI"——不是照搬别人的方案，而是用AI的思维方式重新设计自己的业务流程。

【课程收益】

选对场景：掌握"三有标准"（有痛点、有边界、有价值），能独立判断哪些工作值得AI化，避免"为了AI而AI"

搭出原型：每组亲手搭建1-2个可运行的智能体原型，不是PPT方案，是真正能跑的东西

会算ROI：用简化公式快速估算投入产出，用数据说服决策层投入资源

带走落地计划：每组产出一份含时间表、负责人、验收标准的落地计划，回去就能推进

【课程特色】

全实战：不讲理论，全程在真实业务场景中操作

真问题真数据：每组用自己的真实业务痛点和数据，禁止使用假设数据

教练式引导：讲师不是讲课，而是带着各组一步步做出成果

现场出原型：2天1夜紧凑节奏，第一晚完成智能体原型搭建

【课程时间】

2天1夜

一、场景筛选与方案设计

1、开场

○ 跨公司混合分组：每组5-6人，确保每组有不同公司、不同岗位的人

○ 各组自我介绍+各公司核心业务1分钟速览（让其他组了解你的业务）

2、制造业业务场景分析

制造业核心业务流程梳理

生产计划与排产流程采购与供应链管理流程生产执行与质量管理流程

库存与物流管理流程思考：AI Ready 流程3、场景筛选方法论

○ "三有标准"筛选法：

○ 有痛点：是反复出现的真痛点，不是"可能有用"的假设

○ 有边界：场景边界清晰，6-8周能看到效果

○ 有值：解决后的效果可以量化（省了多少时间、减少了多少错误、降低了多少成本）

○ 痛点×可行性四象限图：

○ 把候选场景放到四象限里，优先做"高痛点+高可行性"的场景

○ 回避"高痛点+低可行性"的场景（至少现阶段不碰）

○ 案例示范：用四象限图分析3个制造业场景，演示筛选过程

4、各环节的痛点与AI机会点识别

数据分散、决策依赖经验、响应迟缓等

AI智能体可解决的典型问题清单

5、分组场景共创

○ 各组完成以下任务：

○ 第一步：每人独立列出本公司3-5个高频痛点（写在便签上）

○ 第二步：全组合并去重，形成8-12个候选场景

○ 第三步：用"三有标准"+四象限图筛选，收敛到2-3个优先场景

○ 第四步：选定1个最终攻坚场景，明确：

○ - 这个场景现在怎么做的？痛点具体是什么？

○ - 用AI做的话，理想状态是什么样？

○ - 需要什么数据？数据现在能拿到吗？

○ 各组完成《场景定义卡》：场景名称、痛点描述、理想效果、所需数据、预期ROI

二、制造业AI智能体设计方法论与场景应用

1、制造业AI智能体设计框架

需求分析场景定义能力设计搭建实现测试部署2、智能体搭建核心要素

系统提示词（System Prompt）设计原则知识库构建与管理：文档格式、分块策略、更新机制

工具/技能设计：如何将业务系统API封装为智能体工具

3、生产计划与排产智能体实战

生产计划与排产业务流程详解

需求接收 → 产能评估 → 计划制定 → 资源分配 → 动态调整

智能体能力规划信息收集：订单、库存、设备状态

决策支持：排产方案建议、冲突识别

执行辅助：计划发布、异常提醒

创建“生产计划助手”智能体

系统角色与职责定义上传产品工艺文件、设备参数表、工时标准

配置知识检索策略工具/技能集成设计“接收新订单→评估产能→生成计划草案”流程

排产智能体的设计陷阱与成功关键

4、采购与物料管理智能体实战

场景：供应商询比价、采购订单跟踪

创建采购智能体核心差异点：供应商知识库、比价逻辑、合同条款处理

场景分析对比：与排产智能体的异同：数据源、决策逻辑、交互对象

5、实操任务：搭建“物料短缺预警与处理助手”

任务场景：当生产计划所需物料库存低于安全库存时，智能体能自动预警，并提供处理建议（如调用替代料、触发紧急采购）

智能体创建与角色定义（15分钟）

知识库构建：物料清单（BOM）、替代料表、供应商清单（30分钟）

工具/技能配置：库存查询接口、采购申请表单（30分钟）

工作流设计：监控→判断→建议→执行

测试与分享（15分钟）

6、生产执行智能体搭建

场景：生产工单执行跟踪与异常上报

工单查询与进度汇报质量检验结果录入与统计

设备异常上报与派工复杂工作流：状态判断→路径选择→多步骤执行

7、质量分析智能体搭建

场景：生产质量数据分析与改进建议

特色功能：数据分析与报告生成

知识库：检验标准、历史质量数据、工艺文件

工具集成：数据查询工具+图表生成工具

系统提示词设计：引导智能体进行多维度对比与归因分析

方案设计：MVP四步法

MVP四步法——用最少的投入验证场景可行性：

第一步 定义：这个场景要解决什么问题？成功的标准是什么？（量化）

第二步 设计：AI如何介入？需要什么数据输入？输出什么结果？人机怎么分工？

第三步 验证：用1-2周跑MVP，用真实数据验证效果

第四步 推广：验证通过后扩展到更多部门/公司

各组用自己的选定场景，完成方案设计表：

流程图（标注AI介入环节）

数据需求清单

人机分工方案（AI做什么、人做什么、什么环节需要人审批）

ROI快算（投入多少、多久回本、年化收益多少）

9、智能体原型搭建

第一步：创建智能体，设定角色和职责边界

第二步：配置知识库——上传业务文档、规则文件、历史数据

第三步：设计Workflow——把业务流程转化为AI可执行的工作流

第四步：配置工具和MCP——接入需要的数据源和外部服务

第五步：测试运行——用真实数据跑一遍，观察输出质量

第六步：迭代优化——根据测试结果调整Prompt、知识库、Workflow

○ 注意：不追求完美，追求"能跑通"——先验证路径可行，再迭代优化

10、实现与输出验证

智能体能正确接收输入（文件或数据）

智能体能按流程处理并输出结果

输出结果的质量达到"可用"标准（不要求完美）

11、联调测试

组内自测：用3-5组真实数据测试智能体，记录成功率和常见问题

跨组体验：A组用B组的智能体，从"外行视角"发现体验问题

问题修复：根据测试结果修复bug、优化Prompt、补充知识库

关键检查项：

智能体的输出是否稳定？（同一输入多次运行结果是否一致）

异常输入时智能体是否能正确处理？（格式错误、数据缺失等）

人机协作流程是否顺畅？（哪些环节需要人介入，介入是否方便）

12、落地计划制定

○ 各组完成《AI场景落地计划书》：

○ 场景名称与目标

○ 技术方案概述（智能体架构、数据源、工具链）

○ MVP验证计划（2周内的验证目标和验收标准）

○ 资源需求（需要谁配合、需要什么数据权限、预算估算）

○ 时间表（里程碑节点）

○ 风险评估与应对

○ ROI测算表：

○ 投入：工具成本 + 实施时间 + 人力投入

○ 收益：时间节约 × 人力成本 + 错误减少 × 损失金额

○ 回本周期 = 投入 ÷ 月收益