在以数字中国、新质生产力为引领的新时代背景下，人工智能正以前所未有的深度和广度重塑全球制造业的运营范式与竞争逻辑。从智能辅助设计、工艺仿真优化到供应链精准决策、个性化营销，AI已不再是互联网行业的专属，而是驱动制造业向高端化、智能化、绿色化迈进的关键基础设施。以大语言模型为核心的生成式AI技术，实现了从“概率预测”到“逻辑推理”的范式突破，标志着人类首次得以规模化延伸“智力”。对于眉山中车紧固件科技这样的实体制造企业而言，能否把握这一轮AI革命的红利，将直接关系到未来十年在技术创新、市场响应与组织效能上的核心竞争力。

然而，AI在制造业场景的落地，远比想象中更为复杂曲折。大多数企业正深陷三重现实困境：一是 “想用但用不对”——对AI的认知停留在聊天与文案润色，无法将其嵌入图纸评审、竞品分析、经营报告等核心价值流程，工具与业务“两张皮”；二是 “敢用但不成体系”——缺乏从问题拆解、指令设计到流程固化的完整方法论，面对专业、复杂的工业场景时束手无策，零星尝试难以形成组织合力；三是 “会用但不敢迈”——对核心工艺数据、设计图纸、客户信息的安全合规风险心存忌惮，在跨部门推广中顾虑重重、步履维艰。结果导致大量工程师、管理者仍被困于数据整理、报告撰写、信息检索等重复性、低附加值劳动中，宝贵的人才创造力被严重束缚。

本课程直面上述核心矛盾，专为眉山中车紧固件科技定制破局之道。让业务专家能亲手打造懂行的“数字员工”；场景层，聚焦技术研发、市场营销、综合管理三大板块，提供从痛点识别到方案部署的完整作战地图与实战推演。通过本次课程，旨在引导学员从“工具使用者”跃迁为“流程重构者”，最终为组织培育出可落地、可复制、安全可控的AI应用能力，在新质生产力的竞赛中赢得战略主动。

掌握一套思维语言：学会用CO-STAR等框架将模糊的业务需求，转化为清晰、可执行的AI指令，奠定人机协作的基础。

认清一个关键平台：深刻理解“执行型AI”与普通聊天AI的本质区别，及其作为企业“数字员工”孵化器的核心价值。

收获三张作战地图：获得技术、营销、管理三大部门专属的AI应用场景清单与实施路径，明确从何处入手。

建立一道安全防线：树立在制造业应用AI的数据安全与合规红线意识，确保创新在可控范围内稳健启航。

模块一：认知重构——AI进化：从“聊天伙伴”到“执行同事”

引言：当别人还在问AI“怎么写报告”，我们已经命令AI“自动分析数据、生成图表并写好结论”。这不仅是工具差异，更是工作范式的代际差距。

一、趋势速览：从“对话”到“执行”的范式跃迁

1. 核心转变：从概率预测到逻辑推理与任务自主规划

2. 关键载体：智能体（Agent）——让AI从“问答机”变为“执行者”

二、思维破局：两类AI的核心差异与价值定位

1. 通用聊天AI（如DeepSeek）：你的“智库”与“笔杆子”，擅长信息处理与内容生成

2. 执行型AI平台（如WorkBuddy）：你的“数字员工”，能听懂指令、调用工具、串联流程、自动交付结果

三、我们的新同事：WorkBuddy（龙虾）为何是制造业的优选？

1. 定位诠释：低代码/无代码的AI智能体应用平台——让业务专家自己打造AI助手

2. 核心价值三角

·  执行而非对话：聚焦任务完成度

·  技能扩展：可通过“技能（Skill）”装载专业知识（如国标、工艺库）

·  安全可控：支持本地化部署，保障核心数据（图纸、工艺参数）安全

模块二：思维筑基——与AI协作的“制造业工作语言”：指令工程

引言：无法让AI干活，往往是因为你不会“派活”。与AI协作的最 高素养，是将模糊的业务目标，翻译成它可精确执行的“工作说明书”。

一、提示词设计的底层逻辑与黄金法则

明确性、结构化、角色设定

二、调校艺术：从万 能公式到高阶战术的指挥体

1. 揭秘提示词冠 军的万 能公式

• 万 能公式：CO-STAR

2. 进阶技巧

• 零样本/少样本学习

• 思维链（CoT）

• 进阶指令

1. 3. 场景化实战

三、AI时代的认知升级

1. 提示设计中乔哈里视窗

2. 四大类问题，提示技巧是什么？

3．讨论：AI认识升级后的乔哈里视窗会是什么形状

模块三：打造企业大脑——知识库

引言：企业最 大的隐性流失，是员工带着经验离职。知识库不是文档仓库，而是组织记忆的数字化复利引擎——让智慧沉淀为资产，而非流失为成本。

认知基建：RAG原理与知识库的战略价值锚点

1. 知识库核心价值

• 提升效率，降低成本——别让员工重复发明轮子

• 弥补专业领域知识不足——专家走了，经验还在

• 提升回复准确性——客服/售后不再“凭感觉”

• 解决大模型幻觉问题——给AI一本教材，它就不会瞎编

1. 揭秘知识库原理：企业智慧的底层逻辑

• 重点：RAG（检索增强生成）——不是让AI背诵，是让AI带着教材做题

• 技巧：拆解RAG架构（检索模块+生成模块）

1. 知识库的优势

• 结构化、可检索、可沉淀、可进化

1. 知识库类型

知识库搭建全流程实战

1. 知识获取与清洗：打造纯净知识之源

• 重点：从多样渠道（文档/聊天/邮件/系统）高效获取知识

• 技巧：元数据提取、知识分类、去重、格式化

• 关键认知：脏知识进，脏知识出——清洗比收集更重要。

1. 知识库构建

• 重点：如何规划符合企业需求的知识库框架

• 技巧：深度调研业务流程与知识使用场景 → 设计分类体系

• 实战演练：为所在部门设计知识库分类框架与内容规划表

1. 优化知识库内容

• 重点：筛选高价值知识进行填充，确保准确性、完整性、时效性

• 技巧：建立知识采集渠道 + 专业审核机制

1. 维护与更新知识库

• 重点：保障知识库内容始终贴合业务变化

• 技巧：建立定期检查机制+更新SOP。

知识库的应用场景与效能提升

1. 智能问答助手

• 7×24小时回答员工/客户问题，准确率95%+

1. 项目知识沉淀

• 项目结束≠知识消失，复盘文档自动入库

1. 新人培训加速

• 新员工3天入门，有问题先问库，别问导师

1. 实战演练：构建一个部门知识库原型（自带电脑，现场搭建）

知识库业务赋能

1. 借知识库全景掌控业务

• 重点：借助知识库全面把握业务全貌，理解各业务环节关联，提升战略视野。

• 技巧：梳理业务脉络，构建知识地图，以可视化方式呈现业务流程与关键知识点。

1. 巧用知识库，深耕业务细节

• 重点：理解知识库怎样与业务细节深度融合，借助知识库全面掌握业务流程、要点。

• 技巧：建立案例库，从实际案例中深挖业务细节。

1. 从模糊记忆到精准匹配

• 重点：将脑海中的模糊记忆转化为精准的知识获取，提升信息查找效率。

1. 获取精准业务建议

• 重点：快速且准确地获取对业务有实际指导意义的建议，助力业务决策与执行。

模块四：场景融合——三大部门AI落地作战地图（思维+平台实战）

引言：纸上得来终觉浅，绝知此事要躬行。此讲将前序的思维与平台能力，注入到贵公司最真实的业务血管中，绘制出可立即着手实施的“施工图”。

一、技术研发：让创新加速

1. AI生成技术手册、方案说明书、测试报告，优化专业表述与逻辑结构

• 痛点：撰写技术文档耗时费力，语言表述专业性、逻辑性难以统一把控。

• 思维与知识库结合：将优秀的既往技术文档、公司术语库、标准文档模板构建成“技术写作知识库”。

2. AI故障排查

• 痛点： 现场故障信息繁杂，排查依赖工程师个人经验，响应速度与方案系统性存在瓶颈。

• 思维与知识库结合：将历史《故障案例库》、零部件图谱构建成“故障诊断知识库”。

3. AI辅助方案设计,合规检查与经验复用

• 痛点： 设计评审依赖人工逐项核对规范，易疏漏；历史相似设计经验难以被有效调用参考。

• 思维与知识库结合： 将《设计规范》、《材料手册》、《国家标准库》、《历史成功/失败案例库》构建成“设计与评审知识库”。

二、市场营销：让增长精准

1. AI客户画像搭建

• 重点： 利用企业内部数据，自动化构建多维、动态的客户画像，实现科学分级与资源精准投放。

• 技巧：基于历史合作数据、行业属性、交互行为等，利用AI模型自动聚类分析，输出客户价值分层、需求偏好画像及潜在风险预警。

• 实战演练：给定一份模拟客户清单与基础字段，由AI输出客户分级建议与关键特征标签。

1. 营销海报与社交媒体封面

• 生成“五一促销”、“新品发布”等活动海报底图

• 叠加文字（用PPT）完成成品

• 实操：为一场线上研讨会生成宣传封面图

1. 客户沟通智能辅助：个性化互动与高效触达

• 重点：提升客户沟通的专业性、个性化与一致性，赋能销售团队。

• 技巧：利用AI结合客户画像与沟通场景（首次拜访、方案跟进、日常维护），自动生成个性化拜访话术、邮件模板、会议纪要摘要及提案核心价值点提炼。

• 实战演练：针对一个特定客户类型和场景（如“向某重点客户汇报方案”），由AI生成一份个性化的沟通要点提纲或邮件草稿。

1. 用AI提取客户反馈情感倾向

• 重点：掌握AI进行文本分析

• 技巧：将分析结果可视化

• 实战演练：词云制作展示高频关键词

三、综合管理：让决策清晰

1. 多门店数据表合并总表

• 重点：解决“收集了一堆表怎么快速合并整理”的核心痛点，将分散在多个Excel/CSV文件中的经营数据自动整合为统一分析底表。

• 技巧：合并工作表，合并数据两种发难

• 成果：原本需要1小时的Excel手工合并工作，缩短至3分钟内完成

1. 数据总表下发渠道拆分，快速下发各业务单元

• 重点：解决“一张总表，各渠道如何快速提取自己所需数据”的痛点，实现从“总表”到“分表”的自动化拆解，确保数据下发及时、准确、零误差。

• 技巧：使用数据透视表拆分

• 实操：总表拆分各区域/渠道线数据

1. 数据快速解读与异常定位

• 重点：明确核心数据维度，精准捕捉数据波动差异，区分正常波动与异常异动。

• 技巧：筛选核心数据（营收、成本、利润等），用表格梳理对比维度，AI辅助标注异常波动阈值。

• 实战演练：给定某公司本月、上月、上年同期核心经营数据，AI快速识别异动点, 可能原因分析, 问题诊断与归因和经营建议

1. 子公司指标异动分析

• 重点：区分正常波动与异常异动，锁定异动核心影响因素。

• 技巧：结合行业基准+母公司要求，用AI快速比对同期、往期数据，定位异动节点。

• 实战演练：给定集团核心指标数据（含本期、上期、同期），AI筛选子公司异动指标、分析异动成因，并给出针对性管控建议。

1. 订单量销售预测：明年的订单量会有多少？

• 重点：掌握基础预测思路，理解市场动态、历史数据。

• 技巧：以过往成功预测案例为蓝本，AI辅助构建简单预测模型

• 实战演练：给定某公司过去5年销量，AI输出明年趋势预测+行动建议

1. 财报风险AI挖掘实战（分析财报三大报表）

• 重点：自动化产出决策级洞察报告

• 技巧： 分析3大报表

o 资产负债表

o 利润表

o 现金流量表

• 拆解真实案例：A股上市公司财报风险挖掘实战

1. AI预测明年销量

• 重点：掌握基础预测思路，理解市场动态、历史数据。

• 技巧：以过往成功预测案例为蓝本，AI辅助构建简单预测模型

• 实战演练：给定某公司过去5年销量，AI输出明年趋势预测+行动建议

模块五：安全启航与行动倡议——划定边界，迈出第 一步

引言：忽略风险的创新是冒险。在拥抱效率的同时，必须为AI这位新同事划定清晰的“工作权限”和“行为准则”。

一、安全原则

1. 权限最小化原则： 只给必要的权限，保护核心生产数据。

2. 人工确认机制： 关键操作（如下单、发布指令）必须设置人工审核环节。

3. 技能来源管控： 只使用官方或可信来源的技能插件。

二、大模型技术盲点和风险预警

1. 数据安全风险：

• 案例解析：某研究所数据泄露事件（通过AI导致设计泄露）

• 敏感信息识别与防护：客户数据、财务信息、核心技术文档

1. 合规与法律风险：

• 案例解析：使用Deepseek生成虚假案例

• 知识产权风险：AI生成内容的版权归属与侵权认定

• 行业合规要求：金融、医疗、政务等行业的特殊监管政策

1. 模型与输出风险：

• 幻觉（Hallucination）问题：错误信息的生成与辨别

• 偏见与歧视：训练数据偏差导致的输出问题

• 提示词注入（Prompt Injection）攻击与防范

三、AI发展和未来

1. AI走出屏幕进入物理世界

• 具身智能：机器人、自动驾驶、智能工厂

1. 人工智能+

• 不是“AI替代人”，是“AI + 人 = 新物种”