开篇：单点AI是半成品

我在前面两篇文章里分别谈过AI采纳率和AI评估标准的问题。

这篇换个角度，聊一个更具体的问题：当你已经有了AI能力，怎么让它们协同工作？这是一个很多企业都在碰到的墙。

举个典型场景。某中型装备企业，PLM里已经接入了文档解析和BOM校验两个AI模块。

单独看都不错——解析准确率达到了92%，校验能拦截到80%以上的异常。但实际使用中工程师反馈：解析出来的数据不能直接用于校验，得手动导一遍；校验发现的问题不能自动触发风险评估，还得单独去查。

两个AI模块就像两个互不认识的人，各干各的。

这个问题的根源不在模型，在数据流。

下面我用智橙PLM的实际方案，讲述一个新零件从图纸入库到被安全使用的全过程，看看六个AI能力如何通过数据流串成一条链。

一、一个零件的六步数据流

步骤①：图纸上传→文档智能解析

工程师张工上传了一张新零件的工程图。智橙PLM的文档解析引擎自动启动，对图纸进行结构化提取。

这不是简单的OCR识别，而是理解工程图的语义结构：哪些是尺寸标注，哪些是形位公差，哪些是材料属性。

提取出来的结构化数据——包括零件名称、图号、材质、尺寸参数、表面处理等信息——会被写入PLM的统一数据模型。

关键点在这里：解析结果不是“文档附件”，而是“PLM对象”。

它直接生成了系统可识别的零件记录，带有结构化字段。这是整条数据链的第一环，也是最关键的一环。

如果解析出来的是一堆非结构化的文本，后面所有的AI能力都无法接收。

步骤②：数据入库→BOM智能校验

结构化数据写入PLM的同时，BOM智能校验引擎已经在等待。

它不是在校验“文档”，而是直接比对解析引擎输出的结构化数据。

具体做了几件事：检查零件尺寸参数是否在合理范围内，检查材质与公司标准物料库是否匹配，检查形位公差是否符合该类零件的工艺能力。

这里有个细节很重要。校验引擎的比对数据来源不是“当前BOM表”，而是解析引擎的输出和PLM已有的知识库。

两套数据用的是同一套标准——同一个物料编码体系、同一套尺寸定义、同一组公差标准。没有解析引擎的结构化输出，校验就得从零开始再解析一遍，这就是很多企业的痛点。

步骤③：校验同时→风险预警扫描

BOM校验的过程中，如果发现了异常，风险预警引擎会自动被触发。

注意这里的“自动”二字——不是工程师发现问题之后再去查风险，而是校验引擎发现异常的那一刻，风险引擎就已经拿到了完整的上下文。

它会立即扫描：这个材料是否在禁用清单里？这个供应商是否在观察名单中？这个尺寸参数是否触发了历史质量事件？

传统做法是分开的。校验归校验，风险归风险，工程师在两个系统之间来回切换。

智橙PLM的做法是让风险引擎订阅校验事件，当校验产生异常结果时，风险引擎自动获取相关数据并执行评估。

三个引擎用的是同一份零件数据，不需要额外的数据传输和格式转换。

步骤④：数据沉淀→知识图谱自动建立关联

当这个新零件的数据完成入库和校验后，知识图谱引擎会自动开工。

它的任务是建立这个零件与PLM中已有对象的关系。什么关系？

例如：这个零件与哪些产品的BOM关联、与哪些工艺路线关联、与哪些历史变更单关联、它的材质和处理工艺将影响哪些质量指标。

这个过程是全自动的。工程师不需要手动建立任何关联。知识图谱引擎根据零件的属性特征，自动在图谱中创建节点和边，把新零件嵌入到现有的知识网络中。

随着零件库中的零件越来越多，这张图谱会越来越密集，反过来又能为后续的校验和预警提供更丰富的背景知识。这是一个正向循环。

步骤⑤：工程师查询→智搜基于图谱做语义检索

一周后，另一位工程师李工需要查找一个类似的零件。

传统做法是在PLM的搜索框里输入编号，然后一条条翻。

智搜则基于知识图谱做语义检索。李工输入“耐高温、不锈钢、法兰盘类型”，智搜会先理解这个语义，然后在知识图谱中找到符合条件的零件，同时告诉他这些零件在哪些产品中被使用过、有没有质量问题记录、是否存在替代方案。

智搜之所以能做到这一步，前提是知识图谱已经把零件、产品、工艺、质量记录之间的关系建立起来了。

没有图谱的智搜，就是一个普通的关键词搜索；有了图谱的智搜，才能提供带上下文的、可决策的检索结果。

步骤⑥：变更触发→智驱自动推进审批流程

最后一环。当某天这个零件需要进行设计变更时，智驱引擎会自动被触发。

它做了什么？第一，自动识别变更的影响范围——通过知识图谱查询这个零件被哪些BOM引用、哪些工艺路线使用。

第二，根据影响范围自动确定审批节点和审批人。

第三，自动执行BOM校验和风险评估，把结果作为审批包的一部分提交给审批人。

这里的关键在于“影响范围分析”这一步。传统的变更管理靠工程师手动梳理影响范围，容易遗漏。

智驱引擎通过知识图谱可以精确地找到所有受影响的对象，并自动执行一系列后续动作。

而这一切的数据基础，都来自前面几个步骤的数据沉淀。没有图谱、没有结构化数据，智驱就只能做流程自动化，做不了智能化的影响分析。

二、数据打通是前提，单点AI只是半成品

回顾一下这六个步骤。

解析引擎输出的结构化数据，直接成为校验引擎的输入；校验产生的异常事件，自动触发风险预警的评估；入库的零件数据，被知识图谱消化为节点和边；图谱中的关系网络，赋能智搜的语义理解；图谱中的引用关系，支撑智驱的影响分析。

每一个AI能力的输出，都是下一个AI能力的输入。

这就是“数据流”和“单点能力”的本质区别。

单点能力解决的是某一个环节的问题，数据流解决的是从入口到出口的全链路问题。

对于CTO来说，评估一个PLM产品的AI能力，不要只看它有多少个AI功能模块，要看这些模块之间是否真正打通了数据。

模块多不难，难的是让它们像一个团队一样协作。

一句话总结：数据打通是前提，单点AI只是半成品。

六个AI能力串成一条链，才是真正的智能PLM。