设备坏了找谁修、换哪个备件、图纸在哪——很多制造企业还靠电话和微信群传话。2026年10月，山东临工与浪潮云洲启动“人工智能+制造”合作项目，AI售后维修助手进首批场景；同期树根互联披露，其设备维修智能体把故障诊断时长缩短约50%。这是2026年3-8月，山东一家工程机械配件制造企业报修智能体的真实记录。
模型调优只占两成精力，八成花在把老师傅手里的东西变成机器能查的数据。这家企业300多人、2车间、10名维修工、3个驻外服务点，故障资料散在三处：ERP备件台账、2014年至今约2800条Excel维修记录、纸质点检单和扫描图纸。跟维修班干两周：痛点不是查不到，而是说法不统一——口语叫“主泵”，ERP里是“液压泵总成P-102”，图号又是另一套。
▲ 图1：手机端拍照提单与电脑端工单看板
4月到5月先建别名词表：俗称、ERP学名、图纸图号三列对齐，整理出640组对应关系，这项花掉四周。之后Excel逐条结构化，扫描图纸用PaddleOCR识别图号和明细栏，置信度低于85%的进人工队列。向量库PostgreSQL加pgvector，检索走关键词加向量混合召回——维修工搜的多是型号代码，纯语义检索经常跑偏。
6月第一个车间试点。小程序用uni-app，后端Spring Boot，本地vLLM跑Qwen2.5-32B-Instruct，拍照报修识别现象后进知识库生成建议，平均12秒。第一周就踩了坑：模型把冷门密封件的备件号“编”得数字错了一位，仓库照单发货，装不上才发现。此后物料编码走白名单：备件号必须在ERP备件表里精确匹配，匹配不上只报名称、转人工确认。误采购再没出现过，代价是偶尔多一次人工确认。
▲ 图2：知识库与备件核对后台，命中率走势一屏可查
坑其二在图纸。扫描版老图纸尺寸标注OCR识别率仅六成，让模型看图下结论风险太大。取舍是：图号和明细栏结构化进库，模型只圈出哪几张图相关，装配关系由维修工点开原图确认。树根互联那类方案强调图像识别加故障推理，对应设备出海摸不到原厂资料的场景；我们的维修工就在车间，原图随手可翻，不必硬扛准确率。
7月对接ERP备件库实时校验，8月两车间全量，9月驻外服务点手机端拍照报修接入。到10月底：月均处理报修工单480条，知识库累计3100份文档，常见故障问答缓存内1秒响应，混合检索加生成平均12秒；最实用的是备件核对，故障定位平均耗时从40分钟降到12分钟，新人独立上手从三个月压到六周。
给维修环节上智能体，预算工期要往知识治理倾斜：别名词表、图纸结构化、备件白名单，三步都省不掉。模型明年可以换代，数据资产会一直在。
