如何使用
- 制造业：识别图文信息、辅助质量判断和排程规则表达。
- 医院：辅助数据核对、信息检索和运营分析。
边界与误区
- “使用人工智能”不等于每个环节都需要大模型。
- 模型在某一任务上有效，不代表具有跨场景的通用能力。
- 自动化程度应由数据质量、错误后果和验证结果决定。
技术资料 / 理解技术与边界
技术说清楚，
理解就进一步。
22 份独立资料，包含定义、流程、用途与边界。点击高亮术语，在本页半屏阅读；也可直接下载文档。
22 项资料
人工智能大语言模型检索增强生成向量表示智能体多智能体系统模型上下文协议自然语言转数据库查询语句光学字符识别机器视觉制造执行系统高级计划与排程机器人流程自动化前沿部署工程科研部署工程脑电图脑机接口少样本学习模型微调数据治理人在回路生成式引擎优化
如何使用
- 从业务文件中抽取字段，生成待核对的结构化草稿。
- 把自然语言需求转换成可评审的规则或查询候选。
边界与误区
- 可能生成看似合理的错误内容，重要结果需要证据和校验。
- 上下文长度、推理时延和费用均是部署约束。
- 模型不会因为用户保存了一条纠错记录就自动更新权重。
如何使用
- 工艺文件、设备手册和内部制度问答。
- 基于授权院内资料的知识检索与说明。
边界与误区
- 检索错误、资料过期和生成错误仍然可能发生。
- 检索增强生成不能消除幻觉，也不自动证明资料内容正确。
- 资料权限应在检索与回答环节贯彻，不能只隐藏界面入口。
如何使用
- 从大量工艺描述中检索相似历史记录。
- 为知识问答检索相关文本或图像。
边界与误区
- 相似度高不等于两个对象相同，也不等于事实成立。
- 不同模型或版本生成的向量通常不能直接混用。
- 向量化不是匿名化，原文与向量都需要访问控制。
如何使用
- 自动汇集数据并形成有来源的分析草稿。
- 在授权范围内协助处理异常工单或资料核查。
边界与误区
- 固定代码顺序执行的工作流与动态智能体应加以区分。
- 自主调用工具会增加时延、费用和错误传播风险。
- 涉及业务写入的工具需要独立权限与确认机制。
如何使用
- 并行检查数据完整性、业务规则和异常解释。
- 将跨领域资料检索分给具有不同工具的子任务。
边界与误区
- 多智能体不必然比单模型或固定工作流更准确。
- 通信、状态一致性和重复工作会增加成本。
- 需要限制循环次数、并发量与工具权限，并评估端到端表现。
如何使用
- 让智能体查询工单、读取知识库或获取数据字典。
- 为现有业务系统提供统一的人工智能工具接入方式。
边界与误区
- 模型上下文协议本身不保证数据正确、操作安全或业务规则完整。
- 身份认证、授权、输入校验和审计仍需系统实现。
- 接入模型上下文协议不意味着系统自动具备智能排程或自主决策能力。
如何使用
- 查询产量、订单进度和经授权的院内运营指标。
- 让业务人员在既定指标范围内进行自助分析。
边界与误区
- 数据库查询语句能执行不代表统计逻辑正确。
- 模型不能绕过行列权限、查询限额或敏感字段保护。
- 对歧义问题先澄清；查询错误不能由模型编造结果补足。
如何使用
- 读取设备屏幕上的文件名、进度和计数。
- 从检验记录、单据或表格中形成录入草稿。
边界与误区
- 反光、模糊、遮挡和手写差异会影响识别。
- 字符识别准确率与字段、整单准确率是不同指标。
- 尺寸和公差等关键字段需与图纸语义及规则共同核对。
如何使用
- 识别设备状态、物料位置和工序动作。
- 在成像条件受控时辅助外观检测与尺寸测量。
边界与误区
- 未被成像系统呈现的缺陷，不能靠模型稳定识别。
- 测量精度受标定、分辨率、光学畸变和机械稳定性影响。
- 换产品、材料或光照后需要评估是否重新标定和验证。
如何使用
- 印制电路板或机加工车间的工序流转、在制品和质量记录。
- 食品或饲料生产的批次追溯与关键步骤确认。
边界与误区
- 已发布的生产计划不能自动当作已完成实绩。
- 未对接其他系统时，仍需明确订单和库存数据的权威来源。
- 视觉观测应与经确认的业务事实分开记录。
如何使用
- 处理设备冲突、换型成本、紧急插单和交付优先级。
- 分析瓶颈与延期原因，比较不同资源投入方案。
边界与误区
- 输入工时或库存不准确，会使数学上可行的计划无法执行。
- 大模型可协助表达规则，约束求解仍需专门算法与校验。
- 冻结窗口、在制状态和已承诺任务不能被随意重写。
如何使用
- 在缺少可用接口时辅助完成重复录入。
- 自动整理文件、收集报表并触发后续核查。
边界与误区
- 界面变化、弹窗和权限变更可能导致流程失败。
- 机器人流程自动化不天然具备业务理解能力；与人工智能结合仍需明确分工。
- 操作应有幂等或重复检测机制，避免重复提交。
如何使用
- 在车间核对采集条件、操作习惯和异常处理流程。
- 与信息部门共同验证院内数据口径及系统接口。
边界与误区
- 前沿部署工程不是统一认证标准，也不意味着仅做前端开发。
- 驻场投入需要对应明确的交付范围和阶段成果。
- 现场经验不能替代测试集、工程验证或业务方验收。
科研工程 · 从实验到可用能力
科研部署工程
科研部署工程是契约之面的服务名称，围绕研究性问题、算法验证和疑难技术攻关，将可复现实验逐步转化为可评估、可集成的软件能力。这是一种服务分工，不是全球统一岗位或认证标准。
如何使用
- 对少样本适配、复杂识别或跨场景性能进行研究验证。
- 连接实验原型与前沿部署工程现场工程，形成可复用的技术模块。
边界与误区
- 研究结果与量产能力、临床有效性需要分别验证。
- 探索阶段允许得出“不具备可行性”的结论。
- 不承诺研究一定突破，也不把实验指标等同于现场收益。
如何使用
- 作为非侵入式脑机接口的信号来源。
- 在研究中分析与刺激、运动想象或任务状态有关的信号。
边界与误区
- 脑电图记录电活动，不等于直接读取完整思想。
- 伪迹处理可能改变信号，不能把所有波动都视为脑源信息。
- 跨天、跨设备和跨个体结果需要分别评估。
如何使用
- 研究辅助交互、光标控制和康复相关训练。
- 探索个体适配、候选模型匹配和通道选择。
边界与误区
- 实验室表现不能直接推断日常环境或不同人群的效果。
- 非侵入式信号存在速度、稳定性和准确性的限制。
- 研究展示不构成医疗器械批准或疗效证明。
如何使用
- 在标注成本较高的工业识别任务中验证迁移能力。
- 研究脑电个体适配时减少标定样本的可能性。
边界与误区
- 少样本不意味着没有数据也能稳定适用所有场景。
- 训练样本太少容易过拟合，独立测试不能省略。
- 提示词中放少量例子属于上下文示例，不一定更新模型参数。
如何使用
- 适配特定表单结构、领域表达和固定输出格式。
- 用持续积累的纠错样本研究识别或分类改进。
边界与误区
- 保存标签或纠错数据不等于完成微调。
- 训练数据泄漏到测试集会造成虚高结果。
- 量化推理文件并不自动具备训练能力，需要兼容训练链路。
如何使用
- 统一院内业务系统之间的编码、字段和统计口径。
- 明确订单、库存、工单和生产实绩的权威来源。
边界与误区
- 数据集中存放不等于已经完成治理。
- 人工智能识别出的映射和疑似错误需要规则与业务验证。
- 脱敏、授权和质量管理都需要覆盖数据全生命周期。
如何使用
- 核对识别出的公差、金额、批次或关键字段。
- 在预警处置、排程发布或系统写入前保留业务审批。
边界与误区
- 人工点击确认不代表复核真实有效，需要可理解的证据。
- 必须考虑复核队列、响应时限与人员权限。
- 反馈进入数据集后，仍需独立训练与评估才能形成模型更新。
如何使用
- 帮助访问者与检索系统理解服务范围、技术边界和证据。
- 通过术语页与电子文档提供稳定、可引用的知识材料。
边界与误区
- 没有通用标记能够保证被模型收录、推荐或引用。
- 结构化数据必须对应页面上实际可见的内容。
- 面向大模型的站点说明文件属于补充说明，不能替代可抓取页面和基本搜索引擎优化。
没有匹配的术语，请尝试中文名称或英文缩写。