产品架构
一、总体架构
产线军师采用 AI + BI 双核驱动 架构，让对话交互、制造分析和诊断闭环形成统一产品体验。
| 架构层 | 组成 | 职责 |
|---|---|---|
| 交互层 | Web 工作台 / 可视化界面 / 对话入口 | 接收问题、展示结论、承载多轮交互 |
| 智能层 | LLM、Agent、知识能力 | 理解意图、调用工具、组织分析路径 |
| 分析层 | 指标引擎、场景分析工具、诊断模型 | 负责产量、OEE、质量、节拍、故障、SPC 等分析 |
| 数据层 | CMS / LMES / 数据库 / 数据中台 | 提供设备、工艺、产量、质量、事件等数据来源 |
从当前产品技术演进看，智能层已经不适合再被理解为“一个大模型 + 一段 Prompt”，而更适合理解为三层协同：
| 子层 | 作用 |
|---|---|
| Harness 层 | 提供会话、工具、状态、权限与运行时执行环境 |
| Context 层 | 决定本轮分析应该看到哪些历史、记忆、知识和时间边界 |
| Prompt 层 | 决定当前角色、表达方式、输出契约和模式收敛 |
如果希望更完整地理解这条技术线，可继续阅读 三层技术架构、上下文工程 和 提示词工程。
二、架构演进方向：UNS + MCP + Agent
产线军师当前以 AI + BI 双核能力 交付产品价值，长期则沿着 UNS + MCP + Agent 的协同架构持续演进。
| 组成 | 架构角色 | 价值 |
|---|---|---|
| UNS | 统一工厂对象、状态与上下文语义 | 让系统先“看懂”工厂 |
| MCP | 提供 AI 可调用的分析、诊断与协同能力 | 让系统具备规范调用能力 |
| Agent | 负责任务拆解、能力编排与结果组织 | 让分析进一步走向业务闭环 |
更完整的战略说明可见 语义、能力与智能闭环战略，对应的技术协同机制可见 统一语义与能力协同机制。
三、AI + BI 为什么要结合
仅有 AI 的问题
- 容易“会说不会算”
- 缺业务口径与工业语义
- 结果难以追溯与复核
仅有 BI 的问题
- 学习成本高
- 只能看固定报表，不易追问
- 难以形成异常诊断与行动建议
###产线军师的组合方式
- AI 负责理解问题与组织分析
- BI 负责统一口径与可靠计算
- Agent 负责把结论组织成可执行建议
四、产线军师如何保障分析可信
客户购买这类产品时，最关注的不只是“能不能问”，而是“值不值得信”。
产线军师通过以下方式提升可信度：
| 机制 | 说明 |
|---|---|
| 业务语义工具 | 通过业务场景工具获取结果，而非随意生成原始 SQL |
| 统一指标口径 | 对 OEE、良率、节拍、故障 等指标做统一定义 |
| 多轮澄清 | 当用户问题口径不清时，系统先澄清再分析 |
| 上下文裁决 | 不是把所有聊天历史直接送入模型，而是先判断本轮该看什么 |
| 知识增强 | 结合经验、案例、标准流程补全判断依据 |
| 结果可解释 | 输出结果、原因、建议时尽量附带分析路径与关注点 |
五、数据流转闭环
产线军师的价值建立在端到端的数据闭环之上：
- 数据采集：从设备、CMS、LMES、数据库等来源接入事实数据
- 数据整合：完成治理、清洗、建模和统一口径
- 分析执行：根据用户问题调用对应场景工具和分析模型
- 交互呈现：以自然语言、图表和建议形式输出结果
六、部署拓扑能力
产线军师支持从 单产线到多车间、多工厂的不同部署方式：
| 模式 | 适用场景 |
|---|---|
| 标准双机版 | 单产线、小型工厂、快速试点 |
| 1:N 边缘拓扑 | 多产线、多区域汇聚分析 |
| 高可靠 2:N 拓扑 | 关键业务、连续运行、高可用要求高 |
七、架构关键词
产线军师的整体架构可以概括为三个关键词：
- 可接入：能接入现有数据系统
- 可分析：能输出制造语境下可信的分析结论
- 可落地：能适配不同工厂与网络环境