DWG-NO MVP-2026-06 REV 0.1 SHEET 01/05 STATUS 草稿
DecisiX · 制造业 AI 平台

MVP — 一个种子工厂,
做到牢固

一次对齐:把范围讲清楚、把真实风险摆明、和团队一起拍板——不是堆 PPT。

F1 知识问答 F4 ok2x 自动化 F2 报告生成 F3 图纸比对
  • 混合 · 本地优先
  • 本地开源 LLM
  • 数据在 Box
  • 一个种子工厂
  • 约 12 周
  • basic RBAC + 审计
团队对齐草稿 · Rev 0.1 · 2026-06
01

产品的形态

MVP = 4 个功能 + 本地部署 + basic RBAC/审计。每张卡片都有可点的原型。徽标标注 AI 风险,以及该功能对本地 LLM 质量的依赖度。

F1

知识问答 Chatbot

上传文件 → 带引用的可信回答。

  1. 上传 PDF / Word / Excel / PPT
  2. 解析 · 切块 · 向量化 · 入库
  3. 提问 → 检索 → 本地 LLM 作答
  4. 引用 + 审计日志 + 反馈闭环
AI 风险:中 依赖本地 LLM:高 MVP 核心
Knowledge Chatbot
询问任何关于规范、图纸、报告的问题
问点什么…
F4

ok2x 自动化(工厂端)

工厂 Excel → AI 摘要 → 阈值检查 → 审批 → 看板。

  1. 上传 Excel 到 Box
  2. 检测 + 入队
  3. AI 摘要 + 风险点
  4. Cpk / Yield 阈值检查
  5. 邮件审阅 · 批准/驳回
  6. 看板状态追踪
AI 风险:低 依赖本地 LLM:低 MVP 核心 · 差异化
Local Supplier Instance
18
已提交
14
已批准
2
已驳回
2
审阅中
文件状态AI 摘要
Supplier_A_WW18.xlsx已批准120 批,8 失效
Supplier_A_WW19.xlsx已驳回缺少 Cpk
Supplier_A_WW20.xlsx审阅中2 条警告
本地 DB + AI 引擎 + Box 连接器 — 数据留在供应商环境内
F2

报告生成

模板填充式 8D + 周报 —— 不做自由生成。

  1. 上传模板 + 源文件
  2. 识别固定模板(1–2 个已知)
  3. Agent 抽取 + 填字段
  4. 人工审核 → 导出(单一格式)
AI 风险:高(字段正确性) 依赖本地 LLM:中 MVP · 已收窄
8D / FACA Report
8D REPORT索赔 #124041
零件 / 严重度1057007 · Medium
D2 问题尺寸超差
D4 Root Cause基座分隔件表面缺陷
D5/D6重铸零件 · 扩孔
固定模板,字段由源文件自动填充 + 人工核对。MVP 不做自由撰写 8D。
F3

图纸比对

矢量 2D 图纸 → 结构化尺寸抽取与比对。

  1. 上传 2D 图纸 PDF
  2. 解析(矢量 — 无需 OCR)
  3. 按 schema 抽取(FAI / MCO)
  4. 比对两张图 → 表格
AI 风险:中 依赖本地 LLM:低 MVP 或 stretch
Drawing A vs Drawing B
尺寸Rev ARev BΔ
#11.23 ±0.051.23 ±0.05=
#23.45 ±0.103.40 ±0.10−0.05
#350.8550.85=
#40.3000.250−0.050
FAI(约 100 位)+ MCO(约 28 关键词),用现成 schema。矢量保真度高。
02

Peer 的 UI 模型能不能做?

你的 peer 用 ChatGPT 做的 UI 模型——都能做。但有一句话值得当面说清:

UI 是容易的 10%。
价值和风险都在后端——本地 LLM 接地的 RAG、结构化抽取、以及确定性的 ok2x 工作流。
Peer chatbot mockup
Peer 模型 — 知识问答(ChatGPT 做)
Peer 8D report mockup
Peer 模型 — 8D / FACA 报告
UI 模型 可做? UI 工作量 背后真正的工作 / 风险
问答(DFMGPT 风格) 本地 LLM 接地的 RAG + 引用 + 抗幻觉 —— 真正的难点。
供应商看板(ok2x) Box 连接器 + 确定性 Cpk/Yield 检查 + 审批流 —— 主要是管道工程,AI 风险低。
8D / FACA 报告 (渲染) 把字段填对是高风险 → MVP 用固定模板填充,不做自由生成。
图纸尺寸比对 矢量抽取 + 跨版本尺寸匹配。已降险:矢量(无 OCR)+ 现成 schema。

建议:在 MVP 站里把它们重建成干净的活组件(如上方原型),而不是贴截图——同样的外观、真实交互,也把『UI 便宜、后端才是工作量』讲实。

03

12 周路线图

按『先打牢信任地基 + 早退风险』排序。地基和两个验证 spike 先行——因为『牢固』需要一套正确的评估集和一个被验证的本地模型。

现实校准:『一个工厂、12 周、非常牢固』≈ F1 + F4 深做 + F2/F3 选一。第 4 个功能是 stretch(Phase 1.5)。
P0第 1–2 周

地基 + 验证 spike

  • Box 连接器(真实数据)· 本地 LLM 上目标硬件 · auth/RBAC 骨架 + 审计日志
  • Spike A — 本地模型 vs Groq 的 RAG 质量
  • Spike B — 与戴工一起重建评估集
  • 清技术债:删 hardcoded exact_search_patterns · 表感知分块
P1第 3–6 周

F1 知识问答 — 加固到『牢固』

  • 其余一切复用的底座:入库 · 检索 · 引用 · 审计 · 反馈
  • 在重建评估集 + 本地模型上达到可信
  • 多格式入库(AMP PPT 走 python-pptx;图像密集的 ICT VLM 推迟)
P2第 6–9 周

F4 ok2x 工厂端

  • 复用 F1 底座 + Box。大部分确定性 + 一个受控摘要。
  • AI 风险最低、价值显眼 —— 工厂每天用的工作流
  • 把 RBAC + 审计跑实
P3第 9–11 周

F2 / F3 选一

  • 选种子工厂更看重的那个 —— 不要两个都做。
  • 两个都属于模板填充 / 结构化抽取(契合『不自由生成』)。
P4第 11–12 周

硬化 + 种子工厂验收

  • RBAC 深度 · 审计完整 · 错误处理
  • 戴工裁判的验收跑 · 本地部署打包
04

要一起拍板的决策

这些是我们三个的开放问题。每张卡有我的建议——现场点状态可标记 已定 / 搁置(存在你浏览器里)。

A

on-prem 时机

混合、本地优先。MVP 期间可以用云 API 吗?

建议:MVP 用云 + 可热切换 LLM 接口;on-prem 留到生产。
B

第 3 个功能:F2 还是 F3

12 周内,报告生成 / 图纸比对只能进一个。

建议:看种子工厂更需要哪个;只做一个。
C

Panelization / GANG 进 MVP 吗?

一个 PCB 组合优化问题 —— 和文档 AI 是两个物种。

建议:不进 MVP。
D

<5s 延迟 vs 本地 LLM

本地生成在 CPU/Apple Silicon 上是几秒到几十秒。

建议:只对检索保 <5s;生成放宽。
E

硬件:绑定 Apple Silicon?

工厂大概率 CPU-only;会拖慢本地模型。

建议:倾向是 —— 推 M4 Max 级硬件。
F

评估集 + 验收标准

现有 9 题集有错;准确率约 49.6%,不是旧文档里的 95%。

建议:重建评估集,戴工当裁判;以它定验收线。
G

脱敏步骤是否需要?

如果全部本地处理,脱敏可能多余。

建议:待定 —— 纯本地 MVP 大概率可省。
05

明确推到 Phase 2

把『现在不做的』点名,是范围能守住的方式。

×F5 ERP / MES / CRM 集成
×ok2x 双向客户审批
×FACA + Presentation 报告
×Panelization / GANG