本文探讨了制造业工程师如何将AI技术融入自己的工作通过搭建AI工具链提升工作效率。文章指出虽然通用大模型在企业内部知识、专业软件和垂直领域技术的理解有限但AI仍能在需求研究、方案设计、开发验证和现场改进等环节提供辅助。作者分享了个人使用的AI工具链包括ChatGPT、NotebookLM、Codex等并强调了工具选择应根据任务类型、资料位置、数据敏感程度及原有工作环境。文章最后鼓励工程师从实际问题入手逐步将AI技术融入日常工作并通过长期沉淀处理信息、执行任务、检查结果和积累经验的方法实现个人与技术的共同成长。引言把AI用进自己的工作过去一段时间工作之余一直在研究工业机器人厂商如何落地Physical AI关注AI如何进入机器人、自动化设备和客户场景。在讨论如何把AI做进产品之前还有一个更贴近个人的问题大家有没有先把AI真正用进自己的工作当下通用大模型对企业内部知识、专业软件和垂直领域技术的理解仍然有限导致 AI 工具虽然能够使用但距离真正融入工程研发和日常工作还有较大差距。它们往往难以深入具体的业务资料、工程文件、代码仓库和绘图设计环境也很难直接参与完整的研发流程。而且各种工具以及名词也层出不穷相比追逐Prompt、Agent、Skills、MCP和RAG等概念有一个更实际的问题在数据、安全和工具权限的边界内制造业的工程师应该如何把AI真正用进自己的工作本文基于这个主题讨论一下如何搭建AI工具链重点不在工具如何使用上面。一、从AI概念先回到真实的产品或功能如果借用IPD和产品生命周期的视角一项产品或功能通常会经历市场与需求 → 概念与方案 → 开发与验证 → 发布与持续改进。这里不是要讨论完整的IPD体系而是借助这个过程梳理AI可以进入哪些具体工作。传统的产品开发流程中一个长期存在的问题是信息存在但信息没有真正流动。需求、设计、开发、测试和现场反馈之间存在大量信息损失往往最终依靠研发救火背锅而IPD集成产品开发的核心价值就是围绕产品目标让不同角色形成协同。IPD天然具备AI落地的条件存在明确的信息流转需求 → 定义 → 设计 → 开发 → 测试 → 优化存在大量可辅助处理的信息文档、规范、代码、数据和经验存在必须由人完成的关键判断需求、方案、风险和交付决策。因此AI进入工作流中并不是替代产品经理和工程师而是在每个阶段增加新的能力帮助理解信息、辅助执行任务、连接不同阶段、沉淀工程经验。真正有价值的不是增加一个企业级问答助手而是让AI进入具体业务流程成为工作流中的协作节点。二、从需求到产品落地AI可以进入哪些工程环节1. 需求研究AI能整理信息不能替你判断需求工作的起点往往不是开发而是先搞清楚问题也就是先判断什么才是正确的事情。对于高度垂直的行业领域而言这通常需要查看产品手册、竞品资料、技术文档、论文、代码仓库、行业市场动态和历史项目记录等联网大模型的信息来源比较开放容易混入过时内容、二手转述和模型推断带来的幻觉等。但是依托于NotebookLM可以上传或选择一组产品手册、论文、项目文档和其他资料模型主要基于这些指定来源回答问题并提供对应引用降低通用模型的幻觉问题。比如这里基于手册回答了Fanuc机器人高精度选项的功能并且给出了具体的手册来源。换句话说它不是在整个互联网和模型知识中自由生成答案而是在你划定的资料范围内完成总结、对比和追问。但约束来源并不等于结论一定正确。上传的资料可能过时、片面甚至相互矛盾。因此AI可以帮助提取需求、约束和待确认问题最终是否属于真实需求、是否值得投入仍然需要人结合业务和工程条件判断。2. 方案设计AI能扩大思路不能跳过工程验证需求明确后可以在ChatGPT项目或Codex中结合已有资料和约束梳理模块关系、接口设计、候选方案与技术风险并将结果整理成Markdown文档保存在Obsidian仓库中记录关键取舍和待验证问题。这些文档还能继续为后续开发和测试提供上下文。AI可以扩大思考范围、减少整理工作但最终方案仍需通过计算、仿真、实验和评审验证。3. 开发验证AI能执行任务不能承担最终责任开发阶段是目前AI最容易产生直接价值的环节而且不只包括写代码。Codex、Claude Code等项目级Agent可以理解项目结构、修改文件、执行编译和测试在机械、电气和自动化设计中AI也可以辅助整理设计条件、查询器件资料、生成绘图脚本、检查接口关系和更新文档。但生成代码、图纸或设计资料并不等于结果已经具备工程可用性。制造业还涉及公差、工艺、实时性、通信时序、硬件状态、异常恢复和安全边界。AI可以辅助检查和验证最终的设计规则、通过标准和责任仍然属于工程师。4. 现场改进AI能关联线索不能直接确认根因产品进入生产车间制造或者客户现场应用时制程以及售后问题通常以零散形式出现一句现象描述、一段日志、几张图片或一条报警记录甚至连这些信息都很难一次性汇总完整。借助于AI可以先整理故障信息检查缺失条件关联日志和历史案例并生成初步排查路径。对于图片、声音和波形等数据也可以进行多模态辅助分析很多 模型具备这样的能力。但发现相似情况不等于确认根因。最终仍然需要结合软件版本、硬件状态、现场操作和复现条件验证。更重要的是现场问题不能在工单关闭后结束而应重新进入产品流程现场问题 → 原因分析 → 产品改进项 → 设计或代码修改 → 新增测试用例 → 知识更新AI在工作流中体现的价值不是被分别放进需求、设计、开发和现场而是让这些阶段之间的信息能够继续流动。从需求研究、方案设计、开发验证到现场改进可以看到AI并不是以同一种方式参与所有工作不同环节需要的AI能力并不相同有的负责研究有的负责分析有的进入项目执行任务还有的用于沉淀经验。因此关键不是寻找一个万能工具而是让不同工具围绕实际任务形成接力。下面介绍一下我目前使用的个人AI工具链。三、从单点工具到个人AI工具链目前我在使用的工具大致分为以下几类这套工具链只适用于公开资料和公司允许处理的内容工具选择首先取决于数据能否离开原有环境。工作角色当前使用同类替代综合研究与讨论ChatGPT、Gemini、ClaudeDeepSeek、Kimi指定资料研究NotebookLM企业知识库、本地RAG、AnythingLLM项目与代码AgentCodex、Antigravity、Claude CodeCursor、KimiCode、OpenCode个人知识沉淀ObsidianNotion、Logseq、语雀协同与资料流转Google Workspace/GithubMicrosoft 365、飞书、钉钉定时与自动任务ChatGPT定时任务、GitHub Actionsn8n、Make、Zapier这些工具并不是一份固定的推荐清单。很多工具的能力正在快速重叠具体选择仍然取决于任务类型、资料所在位置、数据敏感程度以及原有的工作环境。工具组成的系统是最重要的系统可以通过不断的PID反馈将AI的效率偏差收敛于人类定义的物理约束内。这些工具之间并没有完全自动连接更多时候是根据任务依次接力联网搜索 → 原始资料核验 → 指定文档分析 → Obsidian沉淀明确任务 → Agent修改 → 编译测试 → 人工检查定时检查 → 发现变化 → 人工筛选 → 更新知识一个实际例子研究安川ACU以最近研究安川从MotoROS到ACU的开放路线为例我先通过联网搜索发现相关产品、手册和关键词再回到安川官方文档核验ACU的系统架构、SDK、容器部署和机器人控制接口。随后将关键资料交给ChatGpt进行对比和整理形成Markdown笔记记录已确认的事实、个人判断和仍需核验的问题最终沉淀到Obsidian中。在这个过程中AI负责查找、提取和组织信息真正需要我判断的是ACU只是增加了一组开放接口还是已经形成了机器人应用平台上层算法可以控制到什么程度哪些实时控制和安全能力仍然保留在机器人控制器中。最终形成文章框架、资料索引和待核验问题清单再据此完成正式写作。这种方式算不上完整的自动化工作流但已经让不同工具不再只是彼此独立的聊天窗口而是分别承担研究、执行、协同、记忆和重复任务。当然工具能够提升效率并不意味着什么内容都可以交给AI。个人使用首先要遵守公司的数据安全和工具使用规定。公开资料可以用于研究经过允许的内容可以辅助分析内部代码、客户资料、供应商信息和未公开文档不能因为追求效率而随意提交给外部工具。结语工具会不断变化方法需要长期沉淀写到这里再回到最开始的问题。工程师应该如何把AI真正用进自己的工作对于制造业的工程师而言使用AI不一定要从完整的企业Agent平台或者复杂的自动化工作流开始。可以先从每天真实面对的问题入手资料能不能更快找到需求和方案能不能少遗漏一些条件重复代码和测试能不能减少现场问题能不能更有条理地排查有价值的经验能不能被保存下来。当然这更多只是我个人使用AI工具的一点思考说得直接一点还是小打小闹仅作为自己成长路上的一个记录如果这些思考对你有一点参考价值也欢迎一起交流。总之工具还会继续变化真正需要长期维护的不是某个模型或者产品而是自己处理信息、执行任务、检查结果和沉淀经验的方法。产品归于场景工具归于实效。先把自己的工具链修好也许就是普通工程师使用AI最现实的一步。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取