[职场话题] 分享一个我在大阪做独立 FDE，接的制造业 AI 落地项目，具体落地的过程

一句话看懂：一位在关西的独立自由开发者（FDE）接手了一家精密零件制造企业的 AI 质检需求，但并未直接部署市面上的视觉检测方案，而是先深入现场后发现：客户真正需要的不是“用 AI 替代老师傅”，而是将老师傅即将退休带走的多维度隐性经验（缺陷根因判断）数字化保全。最终项目以“知识库 + RAG 辅助 + AI 检测”三层架构落地，将新人的质检准确率从 96% 提升至 99.2%，接近老师傅的 99.7%。

事件核心：发生了什么

客户是关西一家 400 人规模的精密零部件制造企业，年营收几十亿日元，工龄超 20 年的两位老师傅（61 岁与 58 岁）负责目视质检，准确率接近 99.7%，但三年内相继退休，新人最高准确率仅 96%。客户最初提出“上 AI 质检替代老师傅眼睛”的需求。FDE 花一天观察老师傅操作后发现，老师傅做的不仅是“合格/不合格”判断，更包含了模具磨损、材料缺陷、热处理偏差等多维度根因诊断——这部分隐性知识从未文档化。因此，FDE 提出了一个以“知识保全系统”为核心的方案：1）录制约 60 小时老师傅一边检查一边口头判断的音频，用 LLM 转写为结构化知识库；2）搭建 RAG 系统，新人拍照上传后可检索相似案例与判断逻辑作为参考；3）在知识库基础上训练缺陷分类模型，输出“疑似 XX 缺陷，置信度 XX%，建议案例 XX”。项目耗时五个月（而非客户预期的三个月），额外经历老师傅因职业自尊不愿配合、工厂光源不统一导致 AI 难以兼容等坑。上线 A/B 测试三个月后，AI 辅助新人准确率提升至 99.2%，知识库还被产线调试工程师用于排查上游工序问题。

为什么重要

这个案例打破了“AI 落地=直接部署成熟算法模型”的路径依赖。在教育、医疗、重工业等依赖隐性经验的传统行业中，单纯训练一个分类模型的商业价值往往只解决了“结果判断”，而非最具价值的“根因诊断与知识传承”。FDE 通过先理解人再理解技术，将 AI 定位为“知识传承工具中的模块”而非全部。这种“先定义问题，再设计 AI 组件”的独立开发方法论，对制造业等其他长尾行业进行 AI 改造具有示范意义，尤其在日本老龄化、技术传承断裂严重的市场，有望催生更多“AI+老专家经验”的定制化方案。

对用户/开发者/创作者的影响

对独立开发者 / AI 顾问： 项目说明，面对企业需求时，先做需求诊断而非直接报价套壳方案，可以创造出比标准“AI 质检”高出数倍的价值。理解隐性知识与数据预处理（如工厂光源标准化）的代价远大于模型训练本身。这套方法论可复制至其他高存量经验行业（如设备维修、医疗诊断、工艺品鉴定），形成差异化竞争力。
对中小制造企业采购方： 可以更清醒预期：AI 项目落地周期可能比供应商宣传长 1-2 倍，且数据质量（光照、标注一致性、现场业务流程）将决定项目成败。前期与老师傅/老员工的沟通成本（“技术传承”的叙事框架比“替代”有效）不可跳过。
对 RAG 与大模型应用开发者： 该案例中 LLM 的角色非常具体——仅用于转写和结构化音频，而非直接做质检推理。说明在工业高精度场景下，大模型更合适的定位是隐性知识的提炼容器和检索接口，而非决策者。

值得关注的后续

客户是否会将该知识库系统拓展到其他工位（如加工、组装环节），并形成可复用的“老专家经验数字化”产品。目前公开信息显示项目仍聚焦于质检台。
该独立开发者是否会基于此案例，推出面向中小制造企业的“现场诊断 + 知识保全 + AI 辅助”轻量服务包，类似日本的“AI 职人传承外包”，价格与交付模式将影响同类开发者是否跟进。
当老师傅退休后，知识库如何持续更新（新缺陷类型/新工况）？FDE 是否预留了增量学习与人工反馈机制，决定了该系统能否长期保值，而非仅是一个“毕业纪念册”。

来源：V2EX (创意工作者社区)