HOW WE BUILD IT // 实现拆解
这一页把每一条方案的实现逻辑拆开给你看：数据从哪来、经过哪几步、人在哪一步拍板。每章附一张真实样例数据卡和「难点 → 对策」——看懂了流水线，就看懂了我们打算怎么干，以及为什么敢承诺。
能穷举的检查绝不让 AI 碰运气；要读懂语言、需要权衡的判断才请 LLM 出手。
DXF / STEP / PDF 是公开规范，是我们的主场；不在 CAD / CAE 厂商的地盘里造轮子。
每条流水线都有明确的人机分工节点：AI 负责把选项和证据摆上桌，签字的永远是工程师。
除设计门禁（02，它的产出就是放行与否）外，每条线的最后一步都是回流入库——系统越用越聪明，这就是蓝图三层架构的底层逻辑。
把「老工程师的记忆」变成全员可查、越用越厚的库。AI 不替人拍板——它负责把候选、取舍和证据摆上桌，并在开模之前先亮一次灯。
01选材单、datasheet、国标条目、采购档案统一过 OCR + 结构化抽取
02硬指标建字段索引、语义内容做向量化——硬线卡死，意图搜活
03「外壳耐摔 · 可灭菌」→ 缺口冲击强度 · 双85 · ISO 10993
04硬指标先过滤、语义再排序；主力牌号与可替代牌号并列给出
05指标互相打架时不硬凑全能——沿非劣解给三个方向明确的方案
06模具 / 设备 / 测试 / 供应四维前置扫描，开模之前先亮灯
07每条理由挂出处 ID 可点回原文；配方级数据按权限分级
08拍板结果与实测表现回库——下一次推荐比这一次更准
历史选材单、供应商 datasheet、国标/ISO 条目、失效记录、采购报价与交期档案——不管是 PDF、Excel 还是照片，统一走 OCR + LLM 结构化抽取，落成「牌号 · 物性 · 认证 · 成本 · 供应与交期 · 历史用例」的标准字段。
表格类 PDF 走版面解析还原表格结构，照片走 OCR；LLM 按预定义的 JSON Schema 输出字段，缺失项自动标「待补」。抽取结果先进待审区，人工抽检 5–10% 合格后才入正库。
每条记录做向量化编码入向量库；阻燃等级、生物相容认证这类硬指标同时建常规字段索引。搜索时语义找意图（搜「耐摔」能命中「高抗冲」）、字段卡硬线，两层各司其职。
一次查询实际跑两路：结构化表先按硬字段过滤（UL94 等级、认证、成本上限），向量库再对剩余候选做语义 Top-K 排序，两路结果合并——硬指标永远不会被「语义相近」蒙混过去。
工程师照常说人话，LLM 按内置的「转化规则表」翻译成量化指标，拿不准的项主动标出请人确认。这张规则表来自老工程师的经验访谈——把隐性经验显性化，规则表本身就是交付物之一。
规则表是一张「诉求 → 指标 → 阈值 → 依据标准（ISO / GB / UL）」的映射表，首版几十条即可跑。LLM 只负责把口语对到表上并组合，表外的诉求原样抛给人——不允许模型自造阈值。信息不足时不猜：直接反问并给出可点选的常见项（使用环境？灭菌方式？是否接触人体？），几轮点选把需求收敛清楚再进检索。
硬指标（阻燃等级、生物相容认证、成本上限）先过滤掉不合格牌号，剩余候选按语义相似度排序。同一需求下，主力牌号与可替代牌号并列呈现，各自标注交期与断供风险——替代方案不是等到断供那天才临时找。
替代关系不靠模型判断，来自库内维护的「等效牌号组」：同组牌号需在关键物性区间重合、认证等级不低于主牌号，由工程师确认后入组。模型只负责把组调出来，不负责认定谁能替谁。
高刚性与高韧性、耐热与延展、性能与成本，在材料学上本就互相拉扯。识别出互斥组合后不再强推单一「最优解」，而是给三个方向明确的平衡方案——增韧优先 / 增强降本优先 / 综合均衡，每个方案都写明它牺牲了什么。
排序在结构化字段上用数值算：被其他候选全面压制的方案直接剔除，只保留非劣解；模型不参与排序，只负责解释这样取舍的材料学原因。每个方案强制填写 tradeoff 字段，不允许出现「无明显短板」这类表述——选择的代价必须写在脸上。
候选定下来、开模投产之前，自动对照模具库、设备库、历史测试库与供应商库扫一遍：这副模的钢材与浇口撑不撑得住、车间干燥机的露点够不够、这类材料在双 85 与灭菌测试里的历史通过率、这个牌号的交期与断供风险。四个维度各出一张红黄绿。
四维各自独立判定，不做加权总分——总分会掩盖单点致命项（供应链满分救不回干燥设备不达标）。每条预警必须指向具体库内条目：哪副模、哪台设备、哪次测试，点得进去才算数。库里查不到的维度显示「无数据」，而不是默认显示通过。
汇总成推荐卡：候选牌号 + 推荐理由 + 历史同类用例 + 风险点 + 并排对比矩阵。每条理由都挂着库内记录 ID，点击可回看原文——生成时没有出处的句子直接丢弃，宁可少说不可编造。配方配比与内部实验原始数据按账号权限分级。
对比矩阵是把候选牌号的同名物性字段并排铺开、差异项自动高亮，纯数据渲染不经模型。权限在检索层就生效：无权字段在候选进入模型上下文之前已被剥离——模型看不到，也就说不出。
工程师拍板后，选型结果与后续实测表现回写库。第一个月它是检索工具，一年后它是新人的「老师傅」——库越厚，推荐越准。
飞轮的关联键是统一物料号：后续试模、检验环节的反馈（如「酒精擦拭微裂」）都通过物料号自动挂回对应材料记录，成为下次推荐时的风险提示。采购端的实际交期与缺货事件同样回写——供应风险标注跟着现实走，而不是跟着报价单走。
不是只有新项目才选材。降本压力、牌号停产、法规更新（新国标 / 新灭菌要求）、供应断档——都会触发「在用的这个材料要不要换」。这条支线不另起炉灶，与上面八步共用同一条管线，只有三处不同：
边界照旧说清：这条支线做的是「换一个市面上已有的牌号」，不做配方设计——基材加多少玻纤、调什么助剂配比是改性厂与材料供应商的主业，且「配方 → 物性」是物理化学层面的性能预测，与 03 章不做代理模型是同一条边界。
SAMPLE · 材料库的一条记录
牌号 PC-2805 基材 PC 成本 ¥28–32/kg
缺口冲击 65 kJ/m² (23℃) 弯曲模量 2350 MPa
UL94 V-2 @1.5mm 生物相容 ISO 10993-5 ✓
供应 交期 8–10 周 断供风险 中 等效牌号组 G-07
历史用例 监护仪外壳 ×3 失效记录 酒精擦拭微裂 ×1
# 每个字段都带来源文档 ID，推荐理由可一键回看原文
难点 → 对策
最难的不是技术，是第 3 步的转化规则表和第 5 步的指标冲突表——那是把老师傅的经验显性化的访谈整理工作，也是这条线真正的护城河。技术栈全部成熟：OCR、结构化抽取、向量检索、非劣解排序都是被大量验证过的工程。
确定性的交给规则引擎，语义的交给大模型——各干各的强项。我们做的是出图之后的「守门员」。
01Creo 出 DXF / PDF / STEP——公开规范，解析不求任何厂商
02标题栏、漏标、公差成对、3D-2D 一致性——确定性检查，零幻觉
03技术要求与规范库冲突、备注自相矛盾——读得懂中文才查得出
04壁厚突变 / 拔模角 / 筋厚比 / 尖角——提示风险，不做判定
05红黄绿分级、定位到图元；过了门禁才流入下游
图纸从 Creo 导出 DXF/PDF，模型导出 STEP。这些是公开规范的开放格式，解析不依赖 CAD 厂商授权——绕开了 CAD 自动化最大的那堵「地盘墙」。
DXF 是带实体表的文本格式，尺寸、文字、图层可编程逐条读取；STEP 用开源几何内核解析出 B-rep 几何体。两者的解析器都有成熟开源实现，不用从零造。
标注完整性（该标的有没有标）、公差字段是否成对、图层线型规范、3D 与 2D 关键尺寸一致性比对。规则可穷举、结果可复现——这类检查不用 AI，也不该用 AI。
每条规则=检查项 + 判定逻辑 + 严重级，写成配置文件而非硬编码——规范改了改配置就行。第一版从企业制图规范翻译出 30–50 条，即可覆盖高频错误的大头。
技术要求文字与企业规范库冲突、命名不规范、工艺备注前后矛盾——这类「要读懂中文才能发现」的问题，由 LLM 对照企业规范库逐条审查并给出依据。
做法是条款级比对：把图纸技术要求逐条与规范库相关条款配对送入 LLM，输出「冲突 / 疑似 / 通过」三级判定 + 依据条款号。只报告、不改图，改动权在工程师。
STEP 模型过几何规则库：壁厚突变、拔模角缺失、筋厚比失衡、尖角风险。输出是「风险提示清单」供评审讨论——提示而非判定，判定权始终在评审会。
纯几何算法，结果确定：壁厚用射线法在模型内均匀采样，拔模角逐面计算与开模方向的夹角，圆角半径直接从 B-rep 读取——没有一步靠模型「猜」。
红黄绿分级报告、问题定位到具体图元；BOM 与 checklist 自动生成核对。图纸过了门禁才流入模具与生产——设计端 1% 的疏忽，不再被制造端放大成 100% 的事故。
红=阻断项（关键尺寸漏标），黄=评审项（DFM 风险），绿=通过。接入现有流程时先「只报告、不拦截」软着陆，跑一个月收集误报率，规则收紧后再启用真门禁。
▼ 确定性检查 · 规则引擎 + 几何算法，可穷举、可复现、零幻觉——这四项不用 AI，也不该用
▼ 语义检查 · 这是本章唯一非用 AI 不可的一步：要读得懂中文，才发现得了
▼ 出报告
红项清掉才流入模具与生产。接入现有流程时先只报告、不拦截软着陆，跑一个月收误报率，规则收紧后再启用真门禁——设计端 1% 的疏忽，不再被制造端放大成 100% 的事故。
难点 → 对策
「一键 90% 自动标注」这件事我们不承诺。不是不想做——是有四道门进不去，而且其中两道根本不是技术问题：
我们认领的是出图之后的检查：查「有没有、对不对」不需要设计意图，只需要开放格式（DXF / STEP / PDF）。另可帮工程师用好 Creo 自带的标注模板、mapkey 与批处理出图——那些是 Creo 内置功能，不需要二次开发授权，是实打实的提效，但我们不把它包装成 AI。
让每一次仿真站在上一次的肩膀上。AI 砍掉的是「摸索设置」的时间——物理计算，永远由求解器完成。
01每一次算过的仿真都是资产：工况 / 网格 / 材料卡 / 边界条件 / 结论入库
02新任务先问库：「上次类似的件是怎么设置的」
03网格尺寸 · 接触设置 · 材料卡参考——给起点，不给结论
04物理计算仍由求解器完成——该算多久算多久
05云图对照历史失效模式，圈出疑似风险区供复核
06本次设置与结论回写库——下个项目站在这次的肩膀上
把每次仿真的工况描述、几何类型、网格设置、材料卡、边界条件与结果结论结构化归档。过去这些经验散在个人电脑和脑子里，人一走就清零。
归档做成求解完成后的半自动表单：软件能导出的（网格数、求解器版本）自动填，人只补工况描述和结论，5 分钟填完——归档成本压到不惹人烦的程度。
新任务按零件类型 + 工况做语义检索，找出历史上最相似的几个案例——相当于开工前先把「隔壁组算过的」全部调出来看一遍。
工况描述走向量检索、零件类型走标签过滤，返回 Top-5 案例并自动列出与本任务的差异点（材料不同、载荷高 30%）——差异点让工程师知道哪些设置能直接抄、哪些要改。
LLM 汇总相似案例，给出一套推荐起点：网格尺寸与局部加密位置、接触与边界条件设置、材料卡参考。工程师从「摸索着试」变成「校准着改」。
推荐值永远是「区间 + 来源」而非单值命令：「网格基准 2.0mm（5 个相似案例中 3 个采用，案例 #C-041/#C-058）」。案例不足 30 条时只做检索展示、关闭汇总推荐——小样本不硬给建议。
应力、位移、温度由高保真求解器正常求解。AI 缩短的是前处理和设置摸索的时间——据行业经验这占了仿真周期的一半——而不是计算本身。
不动现有求解器与许可证体系，AI 层只在求解前（设置推荐）和求解后（判读辅助）两端工作——对现有仿真流程零侵入、零迁移成本。
结果云图对照历史失效模式库，圈出疑似缩痕、困气、过度翘曲的高风险区域，生成初步问题清单——供工程师复核，帮经验浅的人不漏判。
云图导出为图片后由视觉模型圈注疑似区，每个圈注必须配「相似案例依据」（该位置与案例 #C-041 的困气位置模式相似）——只提示、不下结论，无依据不圈注。
本次的设置、结果与判读结论回写案例库。库越用越厚，起点推荐越来越准——这条线的价值随使用量复利。
样品实测后把「仿真 - 实测偏差」回填进案例卡：偏差小的案例在后续推荐中升权，偏差大的自动降权——库不但会变厚，还会变准。
▼ 自动列差异点 · 告诉你哪些能直接抄、哪些必须改
▼ 汇总成起点 · 案例少于 30 条时这一步直接关掉，只做检索展示，不做汇总推荐
▼ 求解器计算 · AI 不碰这一步，应力位移温度照常由高保真求解器算，该算多久算多久
AI 砍掉的是摸索设置的时间，不是计算本身。本次的设置、结果与实测偏差回写案例库——这条线的价值随使用量复利，第一年是检索工具，第三年是全组的经验总和。
难点 → 对策
「秒级预测应力 / 温度、一口气筛几千组参数」需要的是代理模型（surrogate model）。这条我们不承诺，四个原因：
我们不承诺预测器；我们承诺的是经验复用——起点更准、判读不漏，物理结果永远由求解器背书。
老师傅的手艺在脑子里，人走了经验就走了。这条线做一件事：把手艺变成数据库，让新人站在老师傅肩膀上。
01纸面记录拍照或导入，抽成「模号 · 问题 · 对策 · 结果」标准卡片
02试模单记的是「这次发生了什么」，检索却要用「这是个什么件」——把差的一半补上
03新模具立项时输入产品特征，调出历史同类案例
04水路 / 顶出 / 斜顶 / 排气的历史做法 + 踩坑提醒
05本次试模记录回写；老师傅数十年积累持续数字化
历史试模记录、修模原因，拍照或文件导入 → OCR + LLM 结构化抽取 → 「模号 · 问题 · 对策 · 结果」的标准卡片。潦草手写也能读。
识别走双通道：印刷体、规整表格走 OCR；涂改和潦草手写交给多模态视觉模型直读。两通道结果按字段合并，置信度低的字段标黄请人补——不让一个错字污染整张卡。
试模单记的是「这次发生了什么」，模具的固有属性登记在台账里、不会重抄。但检索恰恰要拿这些属性找案例——补齐之后，才问得出「透明 PC + 深腔 + 潜伏浇口」这种组合问题。
三处来源，八成不用 AI：表单字段直接照搬；腔数、浇口形式拿模号去台账 join，结果确定；只有外形归类这类要看图的，才由 LLM 给一版建议、工程师勾选——一张卡十几秒。
立项时输入产品外形 / 材料 / 型腔数，调出历史同类案例：「这种卡扣结构上次试了 3 轮模，坑在排气」——踩过的坑不再踩第二次。
查询=标签过滤 + 文本向量两路，结果按结构相似度排序并高亮命中的维度——工程师一眼看出「像在哪里」，判断参考价值。
汇总输出水路布局、顶出方案、斜顶布置、排气方案的历史做法与踩坑提醒。给设计评审当参考底稿——决策仍在模具工程师手里。
输出固定四板块（水路 / 顶出 / 斜顶 / 排气），每板块列历史做法 + 踩坑记录 + 来源模号，可一键导出成评审用文档——直接当 DFM 评审的底稿用。
本次试模的记录与结论回写库；老师傅数十年的图纸、工艺参数持续数字化。第一个月它是记录工具，一年后它是新人的老师傅。
与 06 量产线共用同一个拍照采集入口：试模现场拍一张就归档，不给老师傅增加任何填表负担——沉淀能不能持续，取决于录入是不是零成本。
▼ 半年后 · 另一个项目立项
三个条件里只有「材料」原本就在试模单上。不补齐，这张卡对本次查询就永远不存在——新项目照样 T1 烧焦、修模、T2、再修、T3。
而本次试模的记录与结论同样会回写成新的一张卡——这条线的厚度只增不减。
难点 → 对策
这条线技术上是六条里最朴素的——OCR、打标、检索都是成熟工程；难点在冷启动的资料收集。价值随数据量复利，且和第 05 条检验线共享同一个失效数据底座。
数百行 CMM 数据逐行肉眼比对，是最不该由人干的活。先让机器干零幻觉的部分，再让 AI 给归因方向。
01CMM 的数百行 Excel 程序化读取；纸质检测单拍照 OCR
02逐行对公差带标红 + CPK 自动算——纯数据处理，零幻觉
03超差项自动挂上批次、图纸版本、工艺参数
04历年 8D 报告、维修单、试模记录里的自由文本，抽成可匹配的结构化案例
05对照历史失效库给出排查顺序——AI 给方向，结论由人验证
06检测报告一键生成；失效案例回库，归因库越用越准
CMM 的数百行 Excel 直接程序化读取，纸质检测单拍照 OCR——人不再当「数据搬运工」。
CMM 报告是规整的 Excel/CSV，每种机型写一个解析适配器即可（一次性工作）；纸质单拍照复用量产线那套 OCR 管线——两条线共用一个采集组件，成本摊薄。
逐行对公差带判超差、算 CPK。纯数据处理，没有任何 AI 猜测空间——最该先上，上了立刻省人。
判定逻辑一行讲清：|实测 − 名义| 超出公差带即标红；CPK = min((USL−μ)/3σ, (μ−LSL)/3σ)，低于 1.33 预警。全是公式，结果可复算——审计友好。另一处易踩的坑：实测与公差要按尺寸标识配对、不能按行号——CMM 的测量顺序和图纸的标注顺序本来就不一致。
每条超差记录自动挂上批次、图纸版本与当时的工艺参数，数字重新长回实物上。
关联键三件套：物料号 + 图号版本 + 批次号。三键对齐后，一条超差记录能自动挂上 06 量产线台账里当时的注塑参数——跨环节数据在这里第一次「握手」。
过去几年的失效处理散在 8D 报告、维修单、试模记录里，全是自由文本：「这批尺寸都偏小，把保压从 45 调回 52 就好了」。这种一句话记录人看得懂、机器匹配不了。整批过 OCR + 结构化抽取，变成「现象 · 分布形态 · 根因 · 验证方法 · 验证成本」的标准案例卡。
抽取按固定 schema 输出，每条必须由处理过该问题的工程师确认才入库——库的可信度来自人的签字，不是模型的自信。「验证成本」这个字段也在这一步填，它后面直接决定排查顺序。冷启动先灌近三年的记录，首版几十条就够跑。
两条入口：CMM 数据进来的，分布形态由统计直接算（单腔偏离 / 整批偏移 / 批内漂移）；人工报的现象（「零件装不进去」）则由 LLM 归到库里的分类上——这一步要读得懂中文。归好类再去失效库召回同形态案例，输出候选根因与排查顺序。AI 给的是优先级，结论由工程师验证后回写。
数据入口的分类是纯统计：同一尺寸的数据按腔位、按批次、按时间各切一刀，哪一刀切出显著差异就归哪种形态——零 AI；只有人工描述那条入口才用到语义归类。排查表每行 = 候选根因 + 验证方法 + 验证成本 + 失效库编号；验证成本是建库时工程师填的字段，排序就是按它升序，不经模型。按成本排等价于「假设各根因等概率」——这是样本不足时唯一诚实的假设；等案例攒到 50+ 再升级成按「成本 ÷ 命中率」排，那才是每单位把握成本最低的顺序。
检测报告一键生成；验证过的失效案例回写库。这个失效底座与模具线共享——检验环节发现的问题，直接变成下一副模具的避坑提醒。
报告按模板生成 Word/PDF，超差项自动附相似历史案例链接；工程师勾选验证结论的那一下，同时就是归因库的一次训练数据积累。
▼ 逐行比对 · |实测 − 名义| 超出公差带即标红，CPK 按公式算——纯计算，零 AI，结果可复算
▼ 三键关联 · 拿报告头上的 零件号 P-3312 + 图号 D-0221 RevC + 批次 B-2411，去 06 量产台账取当时的工艺现场
▼ 按现象去历史失效库匹配 · AI 给方向，不给结论
这个库是怎么来的 · 以 #F-088 为例
原始2024-03 维修单上的一句话：「这批尺寸都偏小，把保压从 45 调回 52 就好了」自由文本 · 机器匹配不了抽取现象 = 尺寸偏小 · 整批偏移 │ 根因 = 保压不足 │ 验证 = 调保压曲线对比 │ 耗时 = 5 分钟OCR + 结构化抽取入库由当年处理这个问题的工程师确认后写入人签字才算数前面判超差、切分布、三键关联全是公式和查表——这一格才是本章 AI 真正干活的地方：把没人能匹配的自由文本，变成能被匹配的字段。「验证成本 5 分钟」这个决定排查顺序的数，也是在这一步填进去的。
▼ 命中的两条按验证成本重排 · 先查五分钟能查完的
排的是验证成本，不是概率——先排除五分钟能排除的。每条都挂着失效库编号，点得进去看原始案例。工程师验证完回写，下次同类超差直接命中这条。
难点 → 对策
判超差、算 CPK、切分布形态、三键关联、按验证成本排序——全是公式和查表，可复算、可审计、当天见效。AI 在这条线上只干两件事：
所以如果有人问「这不就是个 SPC 系统」——区别在入库那一段：AI 不在推理环节，在让数据能被计算的环节。而推理环节全部交给公式，恰恰是这条线最该被信任的理由。
六条线里唯一已经跑在真实模厂的——也是蓝图里「↺ 偏差数据回流」的起点。采集只是第一层，真正值钱的是攒下来之后能盖的楼。
01手机拍注塑机屏，视觉模型直接读数——不改设备、不接 PLC
02一级卡物理值域，二级卡历史工艺窗口——数据越厚，第二级越准
03自动生成标准台账，绑定批次 / 工单 / 模号，云端留存
04同一产品同一参数跨 N 个批次算分布、趋势与 CPK
05一枚二维码调出完整档案；存的是活数据，能渲染成客户要的任何表
06量产数据回流前五个环节——蓝图 ↺ 偏差回流的起点
技术员用手机对准注塑机屏幕拍一张，多模态视觉模型直接读出料筒温度、模温、注射压力等关键字段。不改造设备、不接 PLC、老旧机台通吃——落地门槛压到零。
关键是「字段级读数」而不是整屏一把梭：模型认得出数字，认不出这个数字是什么。所以首次用某型号机台时人框一次各字段位置（约 30 秒），存成「位置 → 字段名」对照表，之后同型号全自动。好处有三——模型只在小框里认几个数字，读得准；错了知道是哪个字段错，能定位；标定一次终身复用，是一次性成本。
一级校验上线当天就有：每个识别值按物理合理范围自检，料温不会是 9999，超界标黄请技术员确认。二级校验要等数据攒够才出现：拿这副模、这种料的历史批次算出工艺窗口，本次偏离就主动提醒——「上 5 次保压都在 60±3，这次填了 80，确认吗？」
两级的区别在数据来源：一级是静态值域表（按机台型号 + 材料配置维护，如 PC 料筒 260–320℃），装好即生效；二级的「工艺窗口」＝拿这副模、这种料的历史批次算出的均值与波动带（如保压 52±3），来自第 4 步的跨批次统计——必须先有历史才有窗口，这是数据资产开始产生复利的第一个看得见的证据。两级都只标黄不拦截，每次人工确认同时在为该机台积累校正样本。
识别结果自动生成标准化电子台账，与产品批次、工单、模号自动绑定，云端永久留存。手写潦草、个人电脑里的孤儿 Excel，就此退休。
台账字段=20+ 项工艺参数 + 批次 / 工单 / 模号 / 操作员 / 时间戳，落库瞬间生成该批次专属二维码——档案和追溯入口同时诞生。
台账攒到一定量后，同一产品、同一参数跨 N 个批次自动算出分布、趋势图与过程能力指数 CPK。客户评估供应商的过程能力看的就是 CPK ≥ 1.33——这条线让它随时可查、随时能导。
关键不在算得多好：CPK 是一条公式，谁都会算。关键在数据是第 3 步顺手攒下的，额外录入成本为零。传统 SPC 软件最贵的一项恰恰是「要专人抄数进系统」，而抄数这件事，正是本条线第 1 步已经消灭掉的。
扫码即可调取该批次完整生产档案。医疗器械有召回倒查制度，出事要从成品一路查到当批工艺参数，倒查速度就是供应商的信用；ISO 13485 审核抽单据也是常态动作——过去要翻箱倒柜几天的事，现在是几秒。
台账存的是结构化数据、不是导出好的死文件，这一点决定两件事：一是同一份数据可随时渲染成贵司指定的任何报表格式（模板改版，历史记录全量重印，不作废）；二是档案页能把参数曲线、历次对比、关联的检验结果（与 05 线三键互通）一次拉齐——追溯不只是找到当时那张表，是把整条链的上下文摆出来。
量产端的真实工艺数据与偏差回流到选材、设计、仿真、模具、检验五条线的知识库——蓝图三层架构里那条「↺ 偏差数据回流 · 持续迭代」，物理起点就在这里。
回流靠物料号自动完成：某牌号实际成型温度长期高于 datasheet 推荐值 → 选材库该牌号自动追加「工艺备注」，下次推荐自带提醒——闭环不靠人自觉，靠键值关联。
▼ 按标定位置逐格读数 · 多模态视觉模型只负责认这 9 个格子里的数字
▼ 两级校验 · 一级是静态表，二级来自这副模的历史批次
▼ 落库
全程约 10 秒。这条线唯一"聪明"的地方是读数，而读数一定会错——所以真正让它能上生产的不是模型多准，是后面这两级兜底、以及每一次人工确认都在把这台机器的识别变得更准。
▼ 时间快进 · 同一副模累计 300+ 批台账之后
上面第二级校验用的那个历史窗口 52±3，就是从这一格算出来的——所以第一天上线只有一级校验，二级要等台账攒够才出现。「越用越准」不是说辞，是这条线的结构决定的。
难点 → 对策
这条线不是构想，已在深圳模厂交付实测。但「实测」两个字要说准——PPT 这一页讲的是量产，而我们真正跑过的场景要分清楚：
把这条分清楚反而更有说服力：一个已经在真实车间跑起来的东西，配一句「这部分我们还没跑过」——比六条线都说「能做」可信得多。
GLOSSARY // 名词速查 · 十个词看懂本页