企业官网建设流程全解析

【导航】➡️制造业数据与AI践行者老蒋的技术博客全系列文章汇总（四阶段学习路径版-持续更新）

兄弟们，做制造业数字化分享这么多年，我最大的困扰从来不是技术，而是 “能不能说”。 真实项目的架构、数据、客户名称，统统不能对外讲；但空泛地讲概念、套模板，又对不起自己这么多年踩过的坑、趟过的路。 怎么办？我干脆虚构了一座工厂 —— 智联工坊，把所有真实项目里踩过的坑、验证过的方案，全搬进去。

📌 文章摘要

智联工坊是一座基于真实项目经验提炼的虚拟灯塔工厂，承载了制造业数据架构搭建、数据治理、AI Agent 落地的全场景实战案例。本文全景解析其组织产线、核心业务系统、湖仓一体数据底座、四层 AI 应用地图，并附从数据底座建设到工业 AI 落地的完整案例索引与学习路径，可作为中小制造企业数字化转型的参考蓝图。

开篇：为什么要虚构一个“智联工坊”？

兄弟们，做数据这行二十多年，我最大的困扰不是技术难题，而是“能不能写”。

真实项目里的数据、架构、客户名称，统统不能往外写。但我又特别想把这些年踩过的坑、趟过的路分享出来。

怎么办？

虚构一个工厂，把所有真实场景“移植”进去。

这就是“智联工坊”的由来。

它不是某个真实工厂的翻版，而是我在线缆制造、物联网硬件、集团数据平台等多个真实项目中，提炼出来的一个“理想型”制造企业模型。

所有案例都基于它展开，所有数据都是脱敏或模拟的，但所有痛点、方案、踩坑过程，全部来自真实经历。

一、智联工坊是什么？

简单说：智联工坊是一家做智能硬件的工厂，产品不算复杂，但品类多、批量小，数据来源杂，管理难度高。这正是中国大量中小制造企业的真实写照。

二、组织与产线

智联工坊有三条核心产线：

核心角色：

• 班组长小刘：一线管理者，每天要查OEE、处理设备报警、协调排班，是所有AI案例的“第一用户”

• 设备主管老王：负责设备维护和备件管理，关心故障闭环和预测性维护

• 质量工程师小李：负责质量追溯和质检数据分析

• IT负责人老张：负责数据平台建设和系统集成

三、核心业务系统

智联工坊运行着多套核心业务系统，数据分散、标准不一，这是所有数据问题的根源：

核心矛盾：ERP管订单，MES管生产，SCADA管设备，WMS管库存——数据散落在8个系统里，没有统一的数据底座，分析全靠人工拼Excel。

四、数据架构蓝图

博文关联补充说明：

1、「完整选型逻辑见：智联工坊数据底座选型实战」

2、「步步部署教程见：智联工坊数据底座搭建全记录」

智联工坊的数据架构，采用“湖仓一体 + 分层建模”的设计：

数据分层说明：

日均数据量级：

核心KPI指标体系：

五、AI应用地图

智联工坊的AI应用，围绕“数据底座 → Agent能力 → 业务场景”三层展开：

第一层：工具调用Agent（Case01）点击阅读

场景：班组长查OEE、查手册、查排班要切换三个系统。

方案：构建一个工具调用Agent，整合OEE计算、设备手册检索、排班查询三大能力。

核心工具：calculate_oee、search_manual、query_shift

第二层：记忆系统（Case02）点击阅读

场景：Agent每次对话都像“第一次见面”，记不住用户之前说过什么。

方案：引入BufferMemory、WindowMemory、SummaryBufferMemory三种记忆模式。

核心收获：记忆能保存跨轮次事实，但本地小模型在指代消解上仍有局限。

第三层：多工具协同（Case03）点击阅读

场景：设备故障需要“查手册→查排班→查备件→生成工单”完整闭环。

方案：多工具协同Agent，自主完成任务链编排。

核心工具：search_manual、query_shift、query_spare_parts、generate_work_order

第四层：数据质量巡检（Case04）点击阅读

场景：传感器数据脏（空值、重复、异常、延迟），算出来的OEE没人信。

方案：数据质量智能巡检Agent，自动检测四大质量问题。

核心工具：空值检测、重复检测、异常值检测（3σ原则）、延迟检测

六、案例索引（按学习路径）

📚 按学习路径排序，新手建议从阶段一开始，按顺序阅读，体系最完整。

阶段一：制造业数据治理入门

阶段二：Python数据分析实战

阶段三：工业AI-Agent落地

阶段四：数字化项目管理与转型

七、开源与未来

开源策略：

智联工坊的所有案例代码已开源至Gitee，当前采取“展示目录 + 逐步开放”策略：

• 当前：展示核心目录结构和关键代码片段

• 500粉后：逐步开放非核心模块

• 1000粉后：基础代码全面开源

🔗Gitee仓库：https://gitee.com/jvee/javy21_manufacturing_ai_practice

未来规划：

总结

怕你忘了，我再啰嗦一遍：智联工坊是一个虚拟工厂，但它承载的是真实的制造业数据与AI落地经验。它不是某一个项目的翻版，而是多个真实项目痛点的“集合体”。

三个核心认知：

1. 智联工坊是“案例底座”：所有文章都发生在这个场景里，读者理解了智联工坊，就理解了所有案例的业务上下文。

2. 数据架构是“地基”：湖仓一体 + Doris + DolphinScheduler + 四层建模，是支撑所有AI应用的数据底座。

3. AI应用是“上层建筑”：从工具调用到记忆系统，从多工具协同到数据质量巡检，都是建立在稳固数据底座之上的能力。

智能工厂对标：整套体系严格对标 GB/T 39116-2020 智能制造能力成熟度模型，重点覆盖“生产作业”能力域（主域）和“数据资源”能力域（辅域）两大核心能力域，可直接用于企业智能制造等级自评与建设规划。

有感而发：做了二十三年制造业 IT，我始终觉得，比单个技术更重要的是完整的体系。智联工坊就是我把这些年的项目经验，拆成架构、数据、AI、排坑一个个模块，再重新拼成的一个可落地的样板。

系列导航

• 本文所属系列：[制造业数据与AI落地实战]

• 上一篇：无（博客文章全景介绍篇）

• 下一篇：《智联工坊主数据入湖实战：黄金维度表的拉链设计》（即将发布）

互动与交流

你对智联工坊的哪个场景最感兴趣？是数据底座搭建，还是AI Agent落地？欢迎评论区交流，我会逐一回复——说实话，虚构一个工厂不难，难的是让每个案例都经得起推敲。

关于作者

制造业数据与AI践行者老蒋，23年IT老兵。聚焦制造业数据架构与AI融合落地。全流程实战，全源码开源。

标签：#智联工坊#制造业数字化#智能制造#数据架构#湖仓一体#AI Agent#工业互联网#灯塔工厂