本文记录了为传统制造业集团进行AI落地调研的完整过程包括调研前的准备、现场提问与业务拆解、AI适用场景分析、落地场景选择等。调研发现6个AI应用方向最终选择“报价助手”作为优先落地场景。文章强调AI落地应从最影响赚钱、依赖经验、易出错的环节切入通过AI将分散信息串联帮助老板看清公司盈利模式。最近去给一家传统制造业集团做了 5 小时 AI 落地调研。这篇文章想完整记录一下去客户公司前我会做哪些准备调研现场怎么提问题、怎么拆业务传统行业有哪些常见工作可以用 AI 来提效聊完以后如何从多个方向里选择最适合先落地的场景以及最后为什么我们把第一期切口放在“报价助手”上。这不是一篇讲 AI 概念的文章也不是工具教程。我更想记录的是一个传统制造业企业想做 AI 的时候到底应该怎么把业务拆开怎么找到真正值得做的第一刀。一、背景信息这家企业是一家传统制造业集团主要做某类工业设备和工程配套产品。他们的客户以大型工程项目、工业客户、基建类客户为主。业务链路比较长从项目线索、客户询价、技术选型、报价、招投标到生产、质检、交付中间涉及很多部门协同。老板想做 AI。他对自己的业务很熟客户从哪来、工厂怎么转、行业里哪些地方水深他都清楚。但 AI 这件事他确实不太熟。现在同行在聊政府也在推外面每天都有各种 AI 工具、智能体、数字员工、AI 转型案例。他知道这件事不能不看但真放到自己公司就会出现一堆具体问题先从哪个部门开始先做培训还是先做系统做销售、报价、生产、质检还是经营看板怎么判断哪个方向最值钱怎么避免花了钱最后只做出一个没人用的 demo后来他在视频号刷到我的内容看到我有实战落地经验讲的也是企业怎么真正把 AI 用起来。于是加了我微信邀请我去公司做一次 AI 落地调研。一开始本来只有我和董事长聊。聊了一会儿后发现只和老板聊不够。老板对公司大方向很清楚知道公司怎么赚钱知道行业趋势也知道自己焦虑什么。但一个集团老板不可能每天盯着每个报价规则、每个销售获客线索、每个生产检测流程。所以聊到中间我们又把财务负责人拉进来。财务负责人能讲清楚老板怎么看经营数据收入、成本、费用、利润、应收、应付这些数据现在怎么汇总哪些地方靠人工哪些地方老板想看但看不清。后来又把销售负责人拉进来。这一步很关键。在这家公司里销售负责人不是只懂销售他之前在工厂里待了半年。他对客户怎么来、招投标怎么走、报价怎么报、设计怎么配合、生产怎么交付、质检怎么影响验收、采购怎么影响成本都有一个完整但偏粗颗粒度的理解。这个颗粒度不够我们马上设计出完整系统。但足够做第一轮判断哪些方向值得做哪些方向只是听起来热闹哪些方向适合作为第一期。针对后面具体的 AI 落地做智能体开发梳理详细业务流程是肯定还要再去工厂和具体的报价、技术、采购、生产、财务人员一项一项拆。第一轮调研的目标就是把业务拆解清楚哪些地方可以用 AI 提效哪些方向适合最高优先级落地来做。二、调研前不能空着手去很多人做企业 AI 调研到了现场第一句话就是“你们想用 AI 做什么”这个问法基本没用。客户如果已经知道自己要做什么他就不需要你去调研了直接找人开发就行。大多数企业现在的问题是知道 AI 重要也知道自己该动但不知道从哪里动。老板能说出很多痛点但这些痛点哪些适合 AI哪些只是管理问题哪些值得先做哪些投入产出不划算哪些地方 AI 能力还做不到他不一定能分清。所以我去之前一般会做三类准备。先看公司基本面先搞清楚这家公司大概是什么类型。它是制造业、服务业还是贸易型公司总部和工厂怎么分布客户是 To B 还是 To C收入主要来自项目制还是持续复购有没有工厂有没有销售团队有没有招投标现在用什么系统有没有 ERP、OA、CRM、财务系统这一步不用研究到特别细但要先知道它大概是怎么赚钱的。这家公司是典型的 To B 制造业。总部偏管理和经营决策工厂在外地客户主要来自工程、基建、能源、工业采购这些方向。一看到这个业务形态我大概就知道现场重点肯定不会是“员工怎么用 AI 写 PPT怎么处理 Excel”。更可能会聊到销售线索、报价、招投标、生产交付、成本利润这些东西。准备一套通用问题不同行业差异很大但企业调研有一批问题是通用的。这些问题核心逻辑是真实了解清楚业务、流程、可能有哪些痛点然后再针对每一个追问逐一讨论。我一般会从五层去问当然下面只是大致框架现场实操是会在这个框架下具体问法可能完全不一样。公司层公司有几个业务板块总部和工厂分别负责什么组织架构怎么分老板现在最关心什么最近最焦虑的是什么业务层客户从哪来订单怎么成交利润主要来自哪里哪些环节最卡哪些环节最依赖人系统层现在用什么 ERP、OA、CRM、财务系统这些系统之间打通了吗有没有接口哪些工作还在靠 Excel、微信、人工流转数据层历史报价在哪里历史客户在哪里产品资料在哪里成本数据在哪里哪些数据分散在不同人手里人员层谁拍板谁懂业务细节谁掌握关键经验哪个岗位最难替代哪个岗位一离职公司就很麻烦这些问题不是为了把客户问懵而是为了搭一个框架。有了这个框架客户说出来的零散信息才放得进去。提前准备制造业可能的应用场景做制造业客户我会提前列一些可能方向。比如销售线索、招投标、报价、设计选型、生产排程、质检、采购、经营看板、知识库、售后服务。这些不是答案只是假设。现场调研就是带着这些假设去验证哪些是真的痛点哪些只是听起来有价值哪些客户有体感哪些能快速落地。调研最怕的不是假设错了。假设错了没关系客户会纠正你。最怕的是没假设现场聊完一堆信息回来之后什么都抓不住。三、5 小时聊下来扫出了 6 个方向这 5 小时里我们没有花太多时间讲 AI 概念。更多时间是在顺着业务链路拆客户怎么来项目怎么发现询价怎么处理价格怎么报标书怎么做生产怎么接成本怎么算老板怎么看经营最后我们扫出了 6 个可以落地的方向。方向 1报价助手这是后来我们认为最该先做的方向。制造业报价很多时候不是填一个价格表。一个客户发来需求里面可能涉及产品型号、规格参数、材质要求、执行标准、数量、交付地点、交期要求。不同标准、不同客户、不同项目、不同数量、不同交付条件都会影响最后报价。更麻烦的是报价还不是纯技术问题。同一个产品给老客户、新客户、大客户、小客户价格可能不一样。数量不一样价格不一样。交付地点不一样物流成本不一样。历史上给这个客户报过什么价也得查。如果查不到前后价格就容易乱。报价报高了客户可能走。报价报低了公司可能亏。报价报错了后面生产、采购、交付都会跟着出问题。所以报价助手不只是为了让报价更快它很可能是这家公司最应该先做的 AI 切口。例如下图做了模糊化处理我根据沟通的内容梳理结合着他们实际业务梳理的一份 AI 报价助手的运行流程。里面非常多影响因素。方向 2销售线索智能雷达他们的客户是典型的 To B 工程类客户。很多项目信息等到公开平台发布时已经比较晚了。大家都能看到竞争也很激烈。真正有价值的是更早知道哪里有新项目规划哪里有大型工程启动哪里有改造类项目哪里有设计方、施工方、采购方开始介入哪里未来可能会用到他们这类工业产品AI 在这里不是替销售谈关系。它能做的是把政府网站、行业平台、公开项目信息平台、项目公示这些信息抓回来先做一轮筛选、分类、打分再分配给销售跟进。这个方向价值很大但从线索到成交周期比较长中间变量也多所以不适合作为第一期主线。如下图做了模糊化处理我梳理出来他的销售线索助手应该按下面这样流程去运行。方向 3招投标和标书生成他们很多订单和招投标相关。标书里有公司资质、产品参数、技术响应、商务条款、历史业绩、报价信息。AI 当然可以提效。但标书生成有一个问题它依赖很多前置资料。产品参数要准。报价要准。公司资质要完整。历史业绩要沉淀。技术响应要有标准口径。所以标书生成可以做但更适合放在报价助手之后。报价系统跑通后标书生成会更顺。方向 4设计选型制造业里客户很多时候不是直接说“我要某个标准品”。客户给的是一个工况什么使用环境、什么技术要求、什么交付标准、有没有特殊限制。这时候就需要工程师做选型。选型背后有大量历史经验。老工程师可能一看就知道怎么选新人要翻资料、问人、查标准效率差很多。AI 可以把产品库、历史方案、标准文档和典型工况沉淀下来辅助工程师选型。但这个方向要做细需要进工厂和技术人员继续拆不适合作为第一轮马上启动的项目。因为当天调研时没有工厂的技术人员这个场景我们也没有做过深的详细聊。方向 5生产、质检和采购辅助生产、质检、采购都能做 AI。生产里有排产、进度、交期。质检里有检测标准、异常判断、漏检风险。采购里有供应商、价格、交期、质量记录。这些都可以做但它们和现场设备、工艺流程、检测标准、供应商体系绑定得很深。第一轮调研只能判断方向不能直接下方案。真要做必须去工厂把具体岗位、具体流程、具体数据、具体设备看完。方向 6经营看板财务负责人讲了一个很现实的问题老板看的不是专业财务报表。老板关心的是收入多少成本多少费用多少利润多少现金压力怎么样应收应付怎么样哪个公司经营好哪个项目有异常财务系统里有数据但老板不一定要看那些会计科目。他要的是经营语言。所以 AI 可以做经营看板把 ERP、财务系统、协同系统、Excel 里的数据加工成老板看得懂的经营结果和异常提醒。这个方向有价值但容易牵扯数据口径和系统对接第一期也不适合做太重并且老板看的频率很低一个月才看一次甚至有些数据一个季度才看一次虽然有深入沟通但也没有作为第一期重点推进方向。四、为什么最后先选报价助手6 个方向都能做但第一期只能选一个。最后我们建议先做报价助手。原因很简单它离钱最近。销售线索很重要但从线索到成交周期长中间还受关系、销售能力、项目节奏影响。质检 AI 视觉听起来很高级但要进工厂、接设备、看检测标准和容错率实施比较重。经营看板老板喜欢但前提是数据口径要理清否则很容易变成数据治理项目。标书生成能提效但它天然依赖报价、产品参数和历史材料放在报价后面更顺。报价助手不一样。它同时满足几个条件。第一它影响赚钱。价格报高了客户可能走。价格报低了公司可能亏。价格报错了后面所有环节都可能被拖下水。第二它依赖经验。很多报价规则不在系统里在老员工脑子里在历史报价单里在销售和技术长期形成的习惯里。第三它容易出错。型号、材质、执行标准、数量、交期、物流、历史价格只要一个地方没看清结果就可能偏。第四它能快速验证。原来报价要多久现在能缩短到多久。原来历史价格要翻多久现在能不能一键查到。原来靠人判断的地方现在能不能先给出建议。这些都能量化。所以报价助手不是最炫的方向但最适合先做。五、报价助手真正值钱的地方报价助手表面上看是为了让报价更快。但聊到后面会发现它真正值钱的地方是把成本、利润、客户、产品这些原来分散的信息串起来。一个报价动作里至少会牵扯这些东西客户是谁历史上给他报过什么价这次要什么产品这个产品成本怎么算材料成本有没有变化加工成本怎么算物流成本是多少交期会不会影响成本这个价格有没有利润这个客户值不值得让利这些信息过去可能都有人知道一点销售知道客户技术知道参数采购知道材料财务知道账老板知道大概方向报价人员知道历史习惯。但这些东西很容易分散在不同系统、不同 Excel、不同文件夹、不同人的脑子里。报价助手要做的就是把这些分散的信息串起来。这样一来老板看到的就不只是“这个单子报价多少”。他能继续往下看这个产品是不是真的赚钱这个客户是不是真的值得维护这个销售带来的是真利润还是只是销售额好看这个项目看起来金额大做完以后到底划不划算哪些报价策略有效哪些报价策略经常导致丢单这里要说清楚一点老板不是不知道这些事。能把企业做到这个规模他肯定有自己的判断。只是过去很多判断靠经验靠感觉靠人和人之间的沟通。报价助手的价值是把这些判断背后的数据沉淀下来让它变得更清楚、更可追溯。到这个时候报价助手就不只是一个工具。它开始变成老板看清公司怎么赚钱的入口。六、最后这次调研让我更确定一件事企业做 AI第一步不要先追最炫的场景。也不要一上来就做大而全系统。第一步应该先问公司里哪个环节最影响赚钱哪个环节最依赖经验哪个环节最容易出错哪个环节做清楚以后老板马上能看到价值在这家制造业集团里答案是报价。所以我们没有先建议他做生产线视觉质检也没有先建议他做泛培训更没有一上来做大系统。我们建议先做报价助手。它不炫但离钱最近。AI 落地的第一刀最好砍在最影响赚钱、最依赖经验、最容易出错的地方。下一步就是 6 月份花几天时间入驻工厂做一线深度调研了。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、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。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】https://mp.weixin.qq.com/s/8IJivSkUlBe_na2uNdzBwQ
本文记录了为传统制造业集团进行AI落地调研的完整过程包括调研前的准备、现场提问与业务拆解、AI适用场景分析、落地场景选择等。调研发现6个AI应用方向最终选择“报价助手”作为优先落地场景。文章强调AI落地应从最影响赚钱、依赖经验、易出错的环节切入通过AI将分散信息串联帮助老板看清公司盈利模式。最近去给一家传统制造业集团做了 5 小时 AI 落地调研。这篇文章想完整记录一下去客户公司前我会做哪些准备调研现场怎么提问题、怎么拆业务传统行业有哪些常见工作可以用 AI 来提效聊完以后如何从多个方向里选择最适合先落地的场景以及最后为什么我们把第一期切口放在“报价助手”上。这不是一篇讲 AI 概念的文章也不是工具教程。我更想记录的是一个传统制造业企业想做 AI 的时候到底应该怎么把业务拆开怎么找到真正值得做的第一刀。一、背景信息这家企业是一家传统制造业集团主要做某类工业设备和工程配套产品。他们的客户以大型工程项目、工业客户、基建类客户为主。业务链路比较长从项目线索、客户询价、技术选型、报价、招投标到生产、质检、交付中间涉及很多部门协同。老板想做 AI。他对自己的业务很熟客户从哪来、工厂怎么转、行业里哪些地方水深他都清楚。但 AI 这件事他确实不太熟。现在同行在聊政府也在推外面每天都有各种 AI 工具、智能体、数字员工、AI 转型案例。他知道这件事不能不看但真放到自己公司就会出现一堆具体问题先从哪个部门开始先做培训还是先做系统做销售、报价、生产、质检还是经营看板怎么判断哪个方向最值钱怎么避免花了钱最后只做出一个没人用的 demo后来他在视频号刷到我的内容看到我有实战落地经验讲的也是企业怎么真正把 AI 用起来。于是加了我微信邀请我去公司做一次 AI 落地调研。一开始本来只有我和董事长聊。聊了一会儿后发现只和老板聊不够。老板对公司大方向很清楚知道公司怎么赚钱知道行业趋势也知道自己焦虑什么。但一个集团老板不可能每天盯着每个报价规则、每个销售获客线索、每个生产检测流程。所以聊到中间我们又把财务负责人拉进来。财务负责人能讲清楚老板怎么看经营数据收入、成本、费用、利润、应收、应付这些数据现在怎么汇总哪些地方靠人工哪些地方老板想看但看不清。后来又把销售负责人拉进来。这一步很关键。在这家公司里销售负责人不是只懂销售他之前在工厂里待了半年。他对客户怎么来、招投标怎么走、报价怎么报、设计怎么配合、生产怎么交付、质检怎么影响验收、采购怎么影响成本都有一个完整但偏粗颗粒度的理解。这个颗粒度不够我们马上设计出完整系统。但足够做第一轮判断哪些方向值得做哪些方向只是听起来热闹哪些方向适合作为第一期。针对后面具体的 AI 落地做智能体开发梳理详细业务流程是肯定还要再去工厂和具体的报价、技术、采购、生产、财务人员一项一项拆。第一轮调研的目标就是把业务拆解清楚哪些地方可以用 AI 提效哪些方向适合最高优先级落地来做。二、调研前不能空着手去很多人做企业 AI 调研到了现场第一句话就是“你们想用 AI 做什么”这个问法基本没用。客户如果已经知道自己要做什么他就不需要你去调研了直接找人开发就行。大多数企业现在的问题是知道 AI 重要也知道自己该动但不知道从哪里动。老板能说出很多痛点但这些痛点哪些适合 AI哪些只是管理问题哪些值得先做哪些投入产出不划算哪些地方 AI 能力还做不到他不一定能分清。所以我去之前一般会做三类准备。先看公司基本面先搞清楚这家公司大概是什么类型。它是制造业、服务业还是贸易型公司总部和工厂怎么分布客户是 To B 还是 To C收入主要来自项目制还是持续复购有没有工厂有没有销售团队有没有招投标现在用什么系统有没有 ERP、OA、CRM、财务系统这一步不用研究到特别细但要先知道它大概是怎么赚钱的。这家公司是典型的 To B 制造业。总部偏管理和经营决策工厂在外地客户主要来自工程、基建、能源、工业采购这些方向。一看到这个业务形态我大概就知道现场重点肯定不会是“员工怎么用 AI 写 PPT怎么处理 Excel”。更可能会聊到销售线索、报价、招投标、生产交付、成本利润这些东西。准备一套通用问题不同行业差异很大但企业调研有一批问题是通用的。这些问题核心逻辑是真实了解清楚业务、流程、可能有哪些痛点然后再针对每一个追问逐一讨论。我一般会从五层去问当然下面只是大致框架现场实操是会在这个框架下具体问法可能完全不一样。公司层公司有几个业务板块总部和工厂分别负责什么组织架构怎么分老板现在最关心什么最近最焦虑的是什么业务层客户从哪来订单怎么成交利润主要来自哪里哪些环节最卡哪些环节最依赖人系统层现在用什么 ERP、OA、CRM、财务系统这些系统之间打通了吗有没有接口哪些工作还在靠 Excel、微信、人工流转数据层历史报价在哪里历史客户在哪里产品资料在哪里成本数据在哪里哪些数据分散在不同人手里人员层谁拍板谁懂业务细节谁掌握关键经验哪个岗位最难替代哪个岗位一离职公司就很麻烦这些问题不是为了把客户问懵而是为了搭一个框架。有了这个框架客户说出来的零散信息才放得进去。提前准备制造业可能的应用场景做制造业客户我会提前列一些可能方向。比如销售线索、招投标、报价、设计选型、生产排程、质检、采购、经营看板、知识库、售后服务。这些不是答案只是假设。现场调研就是带着这些假设去验证哪些是真的痛点哪些只是听起来有价值哪些客户有体感哪些能快速落地。调研最怕的不是假设错了。假设错了没关系客户会纠正你。最怕的是没假设现场聊完一堆信息回来之后什么都抓不住。三、5 小时聊下来扫出了 6 个方向这 5 小时里我们没有花太多时间讲 AI 概念。更多时间是在顺着业务链路拆客户怎么来项目怎么发现询价怎么处理价格怎么报标书怎么做生产怎么接成本怎么算老板怎么看经营最后我们扫出了 6 个可以落地的方向。方向 1报价助手这是后来我们认为最该先做的方向。制造业报价很多时候不是填一个价格表。一个客户发来需求里面可能涉及产品型号、规格参数、材质要求、执行标准、数量、交付地点、交期要求。不同标准、不同客户、不同项目、不同数量、不同交付条件都会影响最后报价。更麻烦的是报价还不是纯技术问题。同一个产品给老客户、新客户、大客户、小客户价格可能不一样。数量不一样价格不一样。交付地点不一样物流成本不一样。历史上给这个客户报过什么价也得查。如果查不到前后价格就容易乱。报价报高了客户可能走。报价报低了公司可能亏。报价报错了后面生产、采购、交付都会跟着出问题。所以报价助手不只是为了让报价更快它很可能是这家公司最应该先做的 AI 切口。例如下图做了模糊化处理我根据沟通的内容梳理结合着他们实际业务梳理的一份 AI 报价助手的运行流程。里面非常多影响因素。方向 2销售线索智能雷达他们的客户是典型的 To B 工程类客户。很多项目信息等到公开平台发布时已经比较晚了。大家都能看到竞争也很激烈。真正有价值的是更早知道哪里有新项目规划哪里有大型工程启动哪里有改造类项目哪里有设计方、施工方、采购方开始介入哪里未来可能会用到他们这类工业产品AI 在这里不是替销售谈关系。它能做的是把政府网站、行业平台、公开项目信息平台、项目公示这些信息抓回来先做一轮筛选、分类、打分再分配给销售跟进。这个方向价值很大但从线索到成交周期比较长中间变量也多所以不适合作为第一期主线。如下图做了模糊化处理我梳理出来他的销售线索助手应该按下面这样流程去运行。方向 3招投标和标书生成他们很多订单和招投标相关。标书里有公司资质、产品参数、技术响应、商务条款、历史业绩、报价信息。AI 当然可以提效。但标书生成有一个问题它依赖很多前置资料。产品参数要准。报价要准。公司资质要完整。历史业绩要沉淀。技术响应要有标准口径。所以标书生成可以做但更适合放在报价助手之后。报价系统跑通后标书生成会更顺。方向 4设计选型制造业里客户很多时候不是直接说“我要某个标准品”。客户给的是一个工况什么使用环境、什么技术要求、什么交付标准、有没有特殊限制。这时候就需要工程师做选型。选型背后有大量历史经验。老工程师可能一看就知道怎么选新人要翻资料、问人、查标准效率差很多。AI 可以把产品库、历史方案、标准文档和典型工况沉淀下来辅助工程师选型。但这个方向要做细需要进工厂和技术人员继续拆不适合作为第一轮马上启动的项目。因为当天调研时没有工厂的技术人员这个场景我们也没有做过深的详细聊。方向 5生产、质检和采购辅助生产、质检、采购都能做 AI。生产里有排产、进度、交期。质检里有检测标准、异常判断、漏检风险。采购里有供应商、价格、交期、质量记录。这些都可以做但它们和现场设备、工艺流程、检测标准、供应商体系绑定得很深。第一轮调研只能判断方向不能直接下方案。真要做必须去工厂把具体岗位、具体流程、具体数据、具体设备看完。方向 6经营看板财务负责人讲了一个很现实的问题老板看的不是专业财务报表。老板关心的是收入多少成本多少费用多少利润多少现金压力怎么样应收应付怎么样哪个公司经营好哪个项目有异常财务系统里有数据但老板不一定要看那些会计科目。他要的是经营语言。所以 AI 可以做经营看板把 ERP、财务系统、协同系统、Excel 里的数据加工成老板看得懂的经营结果和异常提醒。这个方向有价值但容易牵扯数据口径和系统对接第一期也不适合做太重并且老板看的频率很低一个月才看一次甚至有些数据一个季度才看一次虽然有深入沟通但也没有作为第一期重点推进方向。四、为什么最后先选报价助手6 个方向都能做但第一期只能选一个。最后我们建议先做报价助手。原因很简单它离钱最近。销售线索很重要但从线索到成交周期长中间还受关系、销售能力、项目节奏影响。质检 AI 视觉听起来很高级但要进工厂、接设备、看检测标准和容错率实施比较重。经营看板老板喜欢但前提是数据口径要理清否则很容易变成数据治理项目。标书生成能提效但它天然依赖报价、产品参数和历史材料放在报价后面更顺。报价助手不一样。它同时满足几个条件。第一它影响赚钱。价格报高了客户可能走。价格报低了公司可能亏。价格报错了后面所有环节都可能被拖下水。第二它依赖经验。很多报价规则不在系统里在老员工脑子里在历史报价单里在销售和技术长期形成的习惯里。第三它容易出错。型号、材质、执行标准、数量、交期、物流、历史价格只要一个地方没看清结果就可能偏。第四它能快速验证。原来报价要多久现在能缩短到多久。原来历史价格要翻多久现在能不能一键查到。原来靠人判断的地方现在能不能先给出建议。这些都能量化。所以报价助手不是最炫的方向但最适合先做。五、报价助手真正值钱的地方报价助手表面上看是为了让报价更快。但聊到后面会发现它真正值钱的地方是把成本、利润、客户、产品这些原来分散的信息串起来。一个报价动作里至少会牵扯这些东西客户是谁历史上给他报过什么价这次要什么产品这个产品成本怎么算材料成本有没有变化加工成本怎么算物流成本是多少交期会不会影响成本这个价格有没有利润这个客户值不值得让利这些信息过去可能都有人知道一点销售知道客户技术知道参数采购知道材料财务知道账老板知道大概方向报价人员知道历史习惯。但这些东西很容易分散在不同系统、不同 Excel、不同文件夹、不同人的脑子里。报价助手要做的就是把这些分散的信息串起来。这样一来老板看到的就不只是“这个单子报价多少”。他能继续往下看这个产品是不是真的赚钱这个客户是不是真的值得维护这个销售带来的是真利润还是只是销售额好看这个项目看起来金额大做完以后到底划不划算哪些报价策略有效哪些报价策略经常导致丢单这里要说清楚一点老板不是不知道这些事。能把企业做到这个规模他肯定有自己的判断。只是过去很多判断靠经验靠感觉靠人和人之间的沟通。报价助手的价值是把这些判断背后的数据沉淀下来让它变得更清楚、更可追溯。到这个时候报价助手就不只是一个工具。它开始变成老板看清公司怎么赚钱的入口。六、最后这次调研让我更确定一件事企业做 AI第一步不要先追最炫的场景。也不要一上来就做大而全系统。第一步应该先问公司里哪个环节最影响赚钱哪个环节最依赖经验哪个环节最容易出错哪个环节做清楚以后老板马上能看到价值在这家制造业集团里答案是报价。所以我们没有先建议他做生产线视觉质检也没有先建议他做泛培训更没有一上来做大系统。我们建议先做报价助手。它不炫但离钱最近。AI 落地的第一刀最好砍在最影响赚钱、最依赖经验、最容易出错的地方。下一步就是 6 月份花几天时间入驻工厂做一线深度调研了。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、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。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】https://mp.weixin.qq.com/s/8IJivSkUlBe_na2uNdzBwQ
