前情提要工厂里的数字化系统光“能用”远远不够——一线人员面对空白输入框时该问什么数据返回太多被截断怎么办不同系统的知识库格式不统一AI 答非所问如何解决今年 5 月我们从交互引导和数据处理两个方向对精工智能数字化工厂的 Chat BI 助手做了一轮落地优化。这不是一次炫技式的功能升级而是将二十年制造现场经验“翻译”成人机对话里的每一个提示、每一条完整回答。文中记录了研发、实施、测试、售前团队在一线项目中遇到的问题、踩过的坑以及最终沉淀下来的调整思路希望能为同行提供一份从代码到车间的鲜活参考。关键词Chat BI 人机交互 知识库标准化 制造业数字化转型 WMS / MES / APS一、二十年的现场沉淀精工智能数字化工厂的WMS、MES、APS等核心系统已在国内制造现场深耕二十余年。做久了我们越发笃定软件真正的价值不是功能堆得越多越好而是能否嵌进客户每天的业务流让一线人员愿意用、用得顺、离不开。今年 5 月我重点参与了内部Chat BI 助手的功能迭代与交互优化。表面看是一次产品打磨实则是对我们多年现场经验的一次延伸——把“懂业务”的能力注入到人机交互的最前端。二、Chat BI 的“痛点浮出”Chat BI 的初衷很直接让工厂管理者、计划员、产线负责人用自然语言提问系统自动返回数据——比如库存余量、工单进度、排程安排一句话就能查到。然而早期测试中流程虽跑通离“好用”还有距离首次进入页面用户面对空白输入框不知从何问起SQL 返回数据量过大回答被截断关键信息丢失引导语模糊导致用户反复提同一个问题效率低下WMS / MES / APS 各自的数据源和知识库格式不统一AI 理解偏差频出。这些问题在实验室里不易暴露只有放回真实的工厂使用场景才会一一浮现。我们长期泡在现场深知用户什么时间需要什么数据也知道一次小小的卡顿、一句看不懂的提示都可能让一线人员放弃尝试。所以 5 月的优化我们没有只盯着单点修修补补而是回到用户怎么用、在哪用、为什么用这些本源问题重新梳理 Chat BI 的交互逻辑和数据底座。三、引导与数据双管齐下1. 交互引导从“空输入”到“场景化”我们取消了单一输入框改为场景化引导式交互。围绕晨会排程、库存预警、工单进度追踪等常见业务节点在输入区动态推送常用问题模板、分步提示和示例查询。新用户无需自己“猜”怎么问点选几下就能完成一次有效提问。同时根据用户历史操作动态调整推荐内容避免重复推送减少打扰感。2. 数据处理统一知识库稳定输出我们重新梳理了WMS、MES、APS各系统的字段结构通过批量标准化和参数替换规则将跨数据源的知识库格式统一起来。针对Dify 平台返回条数有限的问题优化了分页与摘要策略针对不同工作流返回格式不一致的情况重构了输出解析层让回答更完整、更清晰中断率显著下降。整个过程并不轻松——每一次回答中断、每一段数据截断、每一句易误解的提示我们都回溯到原始业务场景反复推演用户当时的真实意图和操作习惯再逐一调整。四、让工具扎根车间现在Chat BI 助手已比最初版本顺手很多新手能快速上手熟手也能更快拿到结果回答稳定性有了明显提升。但我们清楚这远未到终点。后续我们将继续结合产线实际反馈迭代交互细节与回答精度。我们的目标始终是让 Chat BI 不只是一个“能跑”的工具而是一个真正能在工厂日常管理中派上用场的伙伴。二十年来我们日复一日地做同一件事——从业务现场出发改好每一行代码、每一个界面、每一次交互。因为我们坚信只有把客户真实的使用体验刻进产品基因数字化系统才不会停留在屏幕上而是真正走进车间帮现场解决真问题。本文为“制造业online”系列实战记录之一来自研发、实施、测试、售前团队的一线经历愿为同行提供一份从代码到车间的鲜活档案。