产品架构
产线军师采用一套从数据底座一直通到现场动作的 五层 AI 推理决策架构，把数据、语义、知识、推理和执行支撑组织成一条完整链路。
一、为什么需要完整的产品架构
制造现场通常会对系统提出四项要求：
- 数据已经清洗、对齐并具备可关联性
- 工艺、设备、指标和批次具备统一语义
- 规则、案例和专家经验能够进入同一条判断链路
- 输出建议具备依据、可追溯、可验证
完整架构的价值，在于让这些条件同时成立。
二、五层架构分别做什么
| 架构层 | 组成 | 职责 |
|---|---|---|
| 第 1 层：统一数据底座层 | 实时设备数据、控制与工艺数据、质量与检测数据、能耗与资源数据、运维与维修数据、业务与计划数据、外部环境数据 | 提供现场事实基础 |
| 第 2 层：数据治理与服务层 | 数据采集、数据清洗、标准化建模、时序对齐、事件化处理、多源关联、统一查询与服务输出 | 让数据变得干净、可用、可关联 |
| 第 3 层：语义与知识中台层 | 对象模型、对象关系图谱、规则库、案例库、文档库、策略库、复盘经验库 | 让系统真正看懂工序、设备、参数、指标和异常 |
| 第 4 层：分析剧本与 AI 决策层 | 取数逻辑、影响链路、根因逻辑、策略对比、分析模型、Agent 协同推理、决策编排 | 把数据、知识、规则和模型组织成运行推理链路 |
| 第 5 层：场景应用与协同层 | 异常诊断、工艺优化、效率优化、计划协同、建议输出、动作执行、结果复盘 | 把推理结果转化为现场可执行动作 |
三、这套架构最终交付什么
这套架构最终交付的是一条更接近现场工作的结果链路：
- 识别偏差
- 定位主因
- 生成方案
- 推动执行
- 验证结果
- 持续学习
一句话说，这套架构的目标是：
从统一数据底座到 AI 推理决策，把数据转化为现场可执行动作。
四、三项关键就绪条件
产线军师在架构上同时建设三项关键就绪条件：
- 数据 ready：让数据干净、可用、可关联
- 语义 ready：让工艺看得懂、异常讲得清、指标对得上、动作落得下
- 决策 ready：让建议有依据、可验证、可复盘、会优化
这三项条件共同决定系统的有效性：
- 数据 ready，让 AI 看得更准
- 语义 ready，让建议更贴合现场
- 决策 ready，让结果可验证、可量化
五、这套架构服务哪些场景
这套架构最终服务的是三类高价值场景：
| 场景 | 需要哪些能力支撑 |
|---|---|
| 工艺优化 | 工艺曲线、参数窗口、历史成功批次、专家规则、配方与结果关联 |
| 运营效率优化 | 产量、节拍、单耗、损失拆解、主因识别、优先优化方向 |
| 设备效率优化 | 报警联动、运行偏差、设备状态、点检建议、预测性维护支持 |
这套架构同时覆盖数据基础、判断逻辑和协同执行，因此更适合承接面向结果的工业 AI 项目。