在 AI 时代，大模型、智能体和智能应用如何快速落地融入企业提质增效受到广泛的关注。在制造企业，沉淀最厚、也最沉默的一类数据资产，是图纸。一张工程图纸，把尺寸、公差、材料、工艺要求和 BOM 行项全部压缩在一张图里，是覆盖设计、工艺、质量、报价的通用“工程语言”。一家制造企业几十年积累下来，图纸往往以数十万、上百万计，散落在 PLM、文件服务器和工程师的本地电脑里。图纸，是制造沉淀最厚也最难被 AI 读取的数据资产图纸为什么是 AI 最难啃的数据当前传统 OCR 图纸识别普遍面临三个核心难点：💢精度门槛高尺寸、公差、形位公差、粗糙度层层嵌套，通用文档解析的识别精度不够用——差一位公差，就是两件完全不同的零件。💢工程语义深图纸不是文字排版，是“工程语言”：视图关系、剖面、明细表、标准件代号背后，是一整套机械与工艺知识，模型不理解这些，只能“看见”、不能“读懂”。💢结构化需求复杂企业要的不是“识出来的文字”，而是图号、材料、公差、 BOM 行项这些结构化字段，要能拿去检索、比对、生成文档。光识别，远远不够。针对图纸解析的核心难点，我们思考了一条链路——把图纸智能解析拆成自下而上的五层。每一层各司其职，又相互贯通。L1 → L5自下而上贯通，图纸从“图片”逐层加工为“知识”，最终支撑业务应用。三者协同VLM+向量化检索+图纸数智化围绕图纸识别这一关键场景，汉得携手生态伙伴探索出一条路径：用 VLM 视觉模型“看懂”图纸，用向量化检索“找准”图纸，用汉得 HPIS 平台“用好”图纸——三者协同，把一张张扫描的工程图纸，变成一座可检索、可比对、可复用的图纸知识库。VLM 视觉理解模型让 AI 真正“看懂”工程图纸VLM 承担三类任务：✅ 理解视图结构：主视图、剖视图、标题栏、明细表的对应关系。✅ 提取几何特征：轮廓、关键尺寸位置、公差、粗糙度符号。✅ 识别版式与标注：图框、技术要求文字、BOM 明细表。向量化检索从“关键词匹配”到“语义相似”传统的图纸检索，本质上是“关键词匹配”——输入一个图号或零件名称，系统在数据库里做精确匹配或模糊查询。这种方式的问题很明显：你必须知道你要找什么，才能找到它。但工程师真实的需求往往是：“我有一张草图，想知道以前有没有做过类似的零件”——这不是关键词能解决的，这是“语义相似”的问题。向量化检索的思路，就是把所有图纸都转换成一串数字（向量），然后通过计算向量之间的距离，来判断两张图纸“有多像”。图纸数智化：从“单一图纸解析”到“基于图纸的复杂场景应用”将图纸识别后的工程参数形成结构化成果，与业务运营场景进行结合，转化为数智化应用。基于汉得 HPIS 平台支撑各类图纸应用场景，包括搜图、审图、BOM 及工艺结构化、作业指导书、成本规划测算与报价应用场景等。汉得【灵·图】AI识图智能体这一套 VLM 、向量化检索、图纸数智化的组合拳，最终交付给客户的不是 POC 演示，也不是需要二次开发的技术组件——而是一个开箱即用、真正懂工程图纸的 AI 智能体。什么是汉得【灵·图】一个识图准确率可达90%以上，专门为制造企业图纸场景训练的 AI 识图智能体。可实现独立部署，对接 PLM / ERP / CRM 的智能体服务——工程师不需要懂 AI ，只需要像问一位资深同事一样，把图纸丢给它。五大亮点✅ 看得准：工业图纸领域微调的 VLM ，尺寸、公差、形位公差、粗糙度、 BOM 行项一次结构化还原。✅ 懂工程：理解视图投影关系、剖面、明细表、标准件代号这整套工程语言，能“看见”更能“读懂”。✅ 找得到：权重前台可调，业务相似的图纸排到前面。✅ 用得顺：自然语言、完整图纸、“图纸+文字”三种输入并存，判断权在工程师手里。✅ 越用越聪明：低置信区域自动触发二次识别或人工复核，工程师的采纳与否决回流为训练样本，智能体在客户现场持续进化。谁能用？用在哪？研发工程师：秒级召回相似历史图纸并排比对，成熟结构直接复用，降低重复设计率。销售与报价：命中相似历史产品，自动带出历史报价与成本数据，分钟级出参考价。工艺与质量：自动提取 BOM 、技术要求、关键尺寸，减少逐张读图、重复录入。数字化部门：存量老图纸批量解析入库，补齐结构化字段，让老图纸真正被管起来、搜得到。模型负责理解，数据负责沉淀，而让图纸真正产生价值的，是理解业务的人。图纸不是终点——以图搜图接报价、指导书接工艺与质量、检索接 PLM ；从 POC 到规模化，还有数据治理、权限隔离、增量运维。这些系统打通与场景设计，正是汉得多年数字化实施的积累。这条路径仍在演进：正在推进的三维解析，将把几何、拓扑、PMI 标注、材质与装配信息纳入同一套图纸知识体系；图纸知识图谱，则把散落在千万张图纸中的零部件、标注、规范与变更关系沉淀为可推理的工程知识——改一处，追全局。携手汉得，共铸硬核竞争力！

月末最后一天，晚上九点。共享中心的八个应收会计对着412笔银行流水逐笔比对，运营专员还在导第六张表。财务经理在群里问“关账到哪一步了”，半小时没人能准确回答。这是绝大多数财务共享中心的月末对账关账的场景。如何从“人找数”到“数找人”财务共享中心在忙什么？很多管理者觉得，共享中心最大的成本是审单、对账、匹配，但真正深入一线会发现一个反常识的事实：最耗人的，往往不是审单本身而是审单前后那些“看不见的劳动”❓ 要一个数？—— 从系统导出来。❓ 要做对比？—— 几个Excel拼起来。❓ 要知道为什么？—— 自己做透视表。❓ 要写报告？—— 手工整理文字。一个成熟的共享中心，每月花在“取数、做表、写报告”上的时间，占到总工时的30%以上。人工处理数据，有三个绕不开的死结：💢慢——月度一次，等数据出来，问题已经发生好几天了。💢乱——不同的人算“人效”，结果可能不一样。💢浅——只能回答“是什么”，回答不了“为什么”。很多企业上了BI看板，以为解决了；但看板是“人找数”——你得知道要看什么、去哪里看。真正的解决方式是要从“人找数”变成“数找人”七个岗位  七个角色如何定义财务共享数字员工提到数字员工，很多人第一反应是：这不就是RPA吗？这不就是AI助手吗？跟BI看板有什么区别？区别在于一个根本定位：数字员工不是给人打下手的工具而是共享中心正式在岗的虚拟劳动力数字员工四个要素，缺一不可：✅ 有岗位：对应共享中心的一个真实角色，有明确的职责边界，不是“什么都能做的万能助手”；✅ 有职责：明确的问题域和动作边界，知道什么该做、什么不该做、什么必须停下来等人；✅ 有交付物：产出可被人直接使用的结果，而不是一堆需要人再加工的中间数据；✅ 有考核：挂在业务指标上，表现可被度量、可被优化，干得好不好有说法；我们为共享中心定义了七类角色数字员工：七个角色不是七个功能，而是七个承担业务指标的岗位。他们不是七个孤立的工具，而是一个会协作的班组。它们各自有交付物，又能接力协作，一个角色发现异常，会自动触发相关角色的关联分析。七个岗位、七类角色，上岗即接活先把重复劳动接走✅ 看得清：将原来“要问才知道”的事，现在主动告诉你。积压、瓶颈、异常、风险， 不再依赖某个人的责任心去发现。✅ 算得准：每个数字都能点开看到来源与算法。不是一个“AI 说的数”， 而是一条可复现的查询与拆解过程。✅ 跑得快：从“人找数”到“数找人”，从“逐单处理”到“只看例外”。 重复的、有规则的那部分，交给数字员工。「上岗即接活」如何实现？数字员工四步上岗搭建一个数字员工岗位，本质上不是“训一个模型”，而是把一个真实岗位的职责、能力、作业流程和考核标准， 用机器可执行的方式重新表达一遍；这件事有明确的四步，顺序不能颠倒。STEP 1岗位定义绝大多数失败的智能体项目，失败在第一步：直接从“我想让它能干这个”开始，而不是从“这个岗位是干什么的”开始。 前者会得到一个功能清单，后者会得到一个岗位。岗位定义要回答五个问题：岗位与职称、问题域、动作边界、交付物、北极星指标。阿收我是阿收，共享中心的应收会计。我每天值守三件事：把银行流水和账单做候选匹配、 维护账龄结构并解释它的变化、为催收准备清单。我做匹配，但我不做核销——核销需要人来点头。遇到单笔差异超过5万元、 或者同一客户在7天内出现第三次匹配失败，我会停下来，把已经试过的路径列给你，然后等人。我每天8:30交《未认领清单》，每周一交《账龄变化归因》。衡量我做得好不好的只有一个数：未认领率。STEP 2能力挂载一个员工上岗要带四样东西：数据（知道数据在哪）、知识（懂业务制度）、工具（可调用能力）、规则（判定逻辑、阈值、例外清单），数字员工也一样需要完成挂载对应的四类资产。STEP 3SOP 编排能力挂载解决的是“它有什么”，SOP 编排解决的是“它什么时候、按什么顺序用这些能力”。 在这一步把岗位的日常作业翻译成机器可执行的流程，标出人机交接点。我们可以用一张「排班表」把它落到一天的尺度上：STEP 4考核上线数字员工不应该“开发完就上线”。正确做法是经历一个影子运行期：它照常跑，照常产出，但所有动作都不真正执行，只把结果与人工的处理结果做对比。四步的内容合起来，就是一个数字员工岗位的完整配置。谁第一个上岗？他们的上岗路线图七个岗位同时上线的项目，几乎都以「七个半成品」收场。正确的顺序是：先把一个岗位做扎实再让两个岗位学会协作最后才是批量复制数字员工的第一个岗位，应该是“数据分析岗”，而不是“自动记账岗”。这不是降级，这是建立信任的入场券。分析型数字员工只需要只读权限，不碰业务数据、不做任何修改；同时，数据能力建好，其他的数字员工上岗可以复用；先确保数字员工说的数是正确可验证的，再逐步获取操作权限。阶段一分析型：建立“看”的能力把分散在各系统的数据自动汇总成指标，自动发现异常，自动做原因分析，主动把结论推给对应的人。替代的工作：导表、拼表、手工透视、逐条比对、写运营报告、开会前临时取数。阶段二作业型：接入“做”的能力在分析能力建立、数据口径统一、组织信任建立之后，逐步把标准化程度高、规则明确的作业环节交给数字员工。替代的工作：逐单审核、批量发票查验、流水与账单逐笔比对、三单匹配。阶段三决策型：让数字员工“出主意”在作业数据积累足够、模型验证充分之后，让数字员工承担预测和优化类工作。替代的工作：凭经验排班、拍脑袋估资金、靠记忆排催收顺序。数字员工的终点不是让 AI 替人工算账而是让人的时间回到需要判断的地方✅ 会议不再对数：过去财务与业务开会，前 40 分钟在处理“你那个数怎么算的”； 当口径沉淀为系统里的一份定义，这部分时间直接消失，这是最容易被低估、也最容易被感知的收益。✅ 把老会计的经验变成规则：“这种第三方代付要优先匹配同名客户”、“金额差5万以上一定要核”—— 这些经验过去只存在于资深员工脑子里；写进规则库以后，它变成了组织资产， 不再随人员流动一起流失。✅ 新人上手周期缩短：新人不再需要花两周学习“怎么导表、怎么拼数、口径在哪”。；他第一天就能拿到已经整理好的清单，把精力放在理解业务上。 带教成本下降，是共享中心高流动率下最实际的一笔账。✅ 从「月度管理」到「实时管理」：问题从“月底才发现”变成“当天可见”。这意味着管理动作从事后解释转向事中干预；一个能被提前 9 天看到的资金缺口，和一个月后才被发现的资金缺口，是完全不同的两件事。回到开篇那个月末晚上九点的共享中心，我们想要的，不是把人全部替代，而是不用再等到月末深夜，才被动暴露一堆问题。这样的月末，不应该成为常态。如果您现在的感觉是“听起来不错，但我们数据还不行”，那最该做的不是等，而是先做一次数据可识别性评估——用一个岗位、一个月的数据，把“哪些能自动、哪些必须人工、差在哪”一次看清楚。这件事的产出，本身就是一份有价值的数字化现状体检报告。七个岗位、七类角色从“看”到“做”到“出主意”上岗即接活携手汉得，共铸硬核竞争力！

从真实业务场景出发让 AI 应用走深走实随着人工智能技术加速发展，越来越多制造企业开始探索 AI 与核心业务的深度融合，推动智能化应用从技术探索走向实际经营管理。但在实际落地过程中，企业仍面临诸多挑战：💢风险管控难： 供应商信息分散、合同审核复杂，风险识别依赖人工。💢业务审核难： 项目资料涉及多个系统，规则校验繁琐，重复性工作量大。💢经营分析难： 库存数据丰富，但风险识别、原因分析及后续处置效率仍有提升空间。如何让 AI 真正理解业务规则、融入管理流程，并将智能分析转化为实际业务价值？AI 应用的关键在于深入真实业务场景找到技术能力与业务需求结合点汉得企业级 AI 智能化升级方法论，以 FDE 工作模式为牵引，项目团队贴近业务一线，与法务、采购、项目管理、计划等岗位人员共同梳理业务规则，在真实流程中边设计、边验证、边迭代，推动 AI 从“技术能力”走向“业务应用”。此次，汉得大客户数智化事业部携手某小家电龙头企业，围绕合同合规、供应商风险、项目资料审核、库存运营四大业务场景，将 AI 能力融入风险识别、智能审核、经营分析与业务协同，目前四大场景均已上线运行，推动制造企业智能化运营走向实际应用。深入制造业务落地四大 AI 场景应用实践该企业经过多年数字化建设，在采购、法务、项目管理、生产及库存等领域已积累了丰富的业务数据。但数据分散、规则复杂、人工处理工作量大等问题，仍然影响企业的运营效率与管理水平。在 FDE 工作模式牵引下，汉得深入实际业务流程，围绕企业高频管理问题，结合现有系统与业务规则，打造贴合岗位需求的 AI 应用。从业务问题识别，到智能应用设计，再到业务流程融合，让 AI 真正服务企业日常经营管理。01 合同审核与风险识别从人工逐条核对，到智能识别合同合规风险合同审核是企业经营风险管理的重要关口。传统审核高度依赖人工，合同条款变更、关键信息遗漏、文本错误等问题，不仅增加法务工作量，也可能带来潜在合规风险。汉得 AI 解决方案三重智能校验○模板比对：自动对齐标准合同模板，识别关键条款变更。○必填检查：智能检查合同关键信息，发现字段缺失。○文本识别：自动检测错别字等基础问题，输出审核意见。AI 完成基础合规检查后，自动返回审核结论及问题说明，为业务修改和法务复核提供依据。业务价值：风险前置、标准统一、审核可追溯。通过 AI 承担重复性基础审核工作，将风险识别前移，让法务人员更加聚焦复杂条款与关键风险判断，推动合同管理从人工核验走向智能辅助审核。02 供应商准入与风险监控从人工分散查询，到供应商风险自动识别与评估供应商经营状况、信用水平及潜在法律风险，直接关系到制造企业供应链的稳定性。传统供应商评估需要人工跨渠道查询、整理与判断，存在信息碎片化、评估效率低、标准不统一等问题。汉得 AI 解决方案多源数据融合与智能风险研判○多源信息整合：自动获取工商、经营、司法等风险信息。○智能风险研判：结合统一评价规则，综合分析供应商风险。○报告自动生成：输出风险等级与评估报告，呈现关键风险依据。AI 能力嵌入合同管理流程，业务人员选择供应商后，即可获取风险评估结果，无需在多个系统之间反复切换。业务价值：风险识别前置、评价标准统一、合作决策有据可依。将风险识别从独立的人工调查环节融入日常业务流程，帮助企业建立更加及时、规范的供应商风险评估机制，为供应链稳定运营提供支撑。03 项目资料智能审核从人工逐项核对，到跨系统资料智能审核与风险前置制造企业在项目管理过程中，会产生大量项目归档文件，涉及人员、工时、时间节点及客户信息等多个维度。传统审核依赖人工逐项核验，不仅工作量大、效率低，也容易出现标准执行不一致、关键信息遗漏等问题。汉得 AI 解决方案自动化、智能化资料审核流程○资料自动获取：通过 RPA 自动获取 PLM 系统中的项目归档文件，触发智能审核流程。○多维规则校验：结合人员在职状态、工时、量产时间、客户名称等业务规则，自动识别异常信息。○智能分流审核：根据审核结果置信度，高置信度结果自动处理，低置信度事项转交人工复核。审核完成后，系统将结果回写至 PLM 业务流程，形成：资料获取 → 智能校验 → 分级审核 → 结果回写 的完整业务流程。业务价值：审核提效、风险前置、人机协同。减少重复性人工核验，提升审核效率与标准化水平，让常规审核更加高效、异常问题及时处理。作为本次合作的先导场景，项目资料智能审核率先上线运行，在业务规则校验、跨系统流程衔接与智能审核方面经受实际业务检验，为后续多业务场景建设奠定实践基础。04 呆滞库存智能分析与督办从被动发现库存积压，到主动预警、分析与督办订单变化、生产计划调整等因素，容易造成制造企业物料积压、资金占用与库存风险。传统库存管理以报表统计和人工分析为主，往往能够发现问题，却难以及时判断风险程度、定位积压原因并推动处理。汉得 AI 解决方案构建库存风险管理闭环○风险识别：结合库存金额、增长趋势等维度，自动识别高风险呆滞物料，形成重点关注清单。○智能分析：关联 MES、APS 等业务数据，辅助分析库存积压原因，提出处理建议。○自动督办：匹配责任人员，下发督办任务，推动风险事项跟进处理。实现从：风险识别 → 原因分析 → 任务督办 → 处理反馈的业务管理闭环。业务价值：风险主动预警、原因精准分析、责任落实闭环。让库存管理从事后统计走向主动识别与精准管控，让 AI 不仅能够发现异常，还能辅助分析问题、推动业务处理，为降低库存积压风险、提升库存运营效率提供支持。从场景实践到管理升级让 AI 价值融入业务流程从合同审核、供应商风险管理，到项目资料核验和呆滞库存分析，四大场景面向不同业务领域，却共同体现了制造企业智能化管理的转变。风险管控更加主动：将 AI 融入合同审核与供应商风险评估等环节，推动风险识别从事后发现走向事前预警。业务审核更加高效：通过规则校验、信息提取与智能分析，减少重复性人工操作，让专业人员聚焦关键判断。经营分析更加精准：从库存风险识别到原因分析与任务督办，让业务数据不仅能够呈现问题，更能辅助推动问题解决。业务流程更加协同：将 AI 与企业现有业务系统相结合，推动智能分析结果进入业务处理流程，实现信息利用与业务协同。从人工处理到智能辅助从被动响应到主动管理AI 正在成为制造企业提质增效的重要助力从行业场景出发推动AI应用走向真实业务价值制造企业的智能化升级，需要的不只是新的技术工具，更需要贴合业务需求、能够融入实际流程的智能化解决方案。本次合作从项目资料智能审核的先导场景起步，在实际使用中持续调优，再将经验复用至供应商风险、合同合规和库存运营等核心业务领域，已上线运行的四大场景，展现了 AI 从单点场景探索走向多业务领域应用的实践路径。在这一过程中，汉得充分结合制造行业数字化实践经验，将业务规则、行业知识与 AI 技术相融合，推动智能应用与企业既有管理体系衔接。以真实业务问题定义应用场景以业务流程承接 AI 能力以实际管理价值检验应用成果这也是汉得企业级 AI 智能化升级方法论所坚持的方向：以 FDE 工作模式为牵引，发现业务问题 → 与业务共创方案 → 快速上线 → 持续优化，推动 AI 能力在企业实际业务中落地应用。未来，汉得将持续深耕制造行业高价值业务场景，探索 AI 技术与经营管理的融合创新，打造更多可落地、可复制的行业智能化解决方案。让 AI 深入业务让智能创造价值携手汉得，共铸硬核竞争力！