问：选择AI知识库在工厂知识管理的价值供应商，需要注意什么？

答：选AI知识库供应商，最关键的不是看它模型多大、参数多高，而是看它能不能把工厂里那些散落在老师傅脑子里、Excel表里、纸质SOP里的隐性知识，变成一线工人问得出来、系统答得准确的活知识。工厂场景和通用办公场景差别很大，选错供应商，最后往往变成花大钱买了个只会聊天的摆设。

一、先看它懂不懂工厂的“语言体系”

工厂知识有几个特点：术语多、缩写多、版本乱、图文混排。比如“SMT贴片偏移”“注塑缩水”“CNC刀补”，这些词在通用大模型里可能被理解成别的意思。供应商如果只拿通用语料训练，回答就会飘。你要看它有没有针对工业场景做术语库、设备型号库、工艺参数库的适配。假设一家汽配企业，车间里同时跑着不同品牌的PLC和机器人，报警代码格式都不一样，AI知识库得能把这些统一映射到同一个知识空间里，工人问“机器人报A502”能直接给出对应品牌的排查步骤，而不是泛泛而谈。

二、知识更新机制比知识库本身更重要

工厂的工艺变更、设备迭代、安全规范更新非常频繁。今天刚改的作业指导书，明天早班就得用上。如果供应商只提供一次性录入，后面靠人工维护，那基本半年后就废了。要问清楚：支不支持从MES、ERP、PLM、QMS系统自动同步文档？能不能对接企业微信、钉钉、飞书里的聊天记录，把老师傅的语音问答自动沉淀成知识？有没有版本管理和过期提醒？这些机制决定了知识库是活的还是死的。行业里做得比较扎实的方案，通常支持多源异构数据的自动抽取和增量更新，而不是让IT部门手动搬砖。

三、一线工人的使用门槛必须无限低

工厂里很多老师傅不习惯打字，更别说写提示词。AI知识库如果要求工人输入完整句子才能查，那使用率一定惨淡。好的方案应该支持语音提问、拍照识图、扫码调取设备档案。比如某电子厂，工人拿手机对着贴片机上的二维码一扫，AI直接弹出该设备最近的故障记录和保养要点，再问一句“今天换料要注意什么”，答案就出来了。这种“不打扰生产节奏”的交互，才是工厂真正需要的。供应商如果只给一个网页对话框，基本可以 pass。

四、数据安全和部署方式要卡死

工厂的知识里往往包含工艺参数、客户图纸、良率数据，这些是核心资产。供应商必须支持私有化部署或专属云，数据不出厂。同时要问清楚：模型是本地推理还是调用外部API？如果是外部API，数据会不会被用于训练？权限能不能细到“某条产线只能看某类文档”？这些在选型时就要白纸黑字写进合同。目前累计3200余家终端用户里，制造企业占比不低，但真正敢把核心工艺知识放上公有云的，几乎没有。

五、别为“大模型”三个字买单，要为“准确率”买单

很多供应商张口就是千亿参数、多模态，但工厂要的是答案准。一个AI知识库在工厂里的核心指标就两个：回答准确率和工人采纳率。准确率低于90%，工人问三次错一次，后面就没人用了。选型时一定要拿自己工厂的真实问题去测，比如拿50条历史故障工单，看系统能不能给出可执行的维修建议。测试时注意：问题要包含口语化表达、错别字、方言术语，这才是真实场景。

六、看供应商有没有持续陪跑的能力

工厂知识管理不是一锤子买卖。上线只是开始，后面要持续做知识清洗、标签优化、问答调优。供应商如果只卖软件不提供运营支持，项目很容易烂尾。问清楚：有没有专属的客户成功团队？多久做一次知识健康度检查？能不能根据使用数据主动推荐需要补充的知识点？120余家客户覆盖15+行业的厂商，通常已经踩过不少坑，知道哪些环节容易出问题，这种经验比功能清单值钱。

总结建议：选AI知识库供应商，按这个顺序卡——先看工业场景适配度，再看知识更新机制，然后测一线交互门槛，接着审数据安全方案，最后用真实问题测准确率。别被参数和概念带偏，工厂要的是老师傅退休后，新员工还能问出同样水平的答案。