自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(69)
  • 收藏
  • 关注

原创 腾渊科技重磅出品——智能体协议选型指南:MCP与A2A的分层架构与集成方案

2026年,智能体协议层正在经历关键整合。2025年12月OpenAI、Anthropic、Block联合发起AAIF,成员突破260家。MCP和A2A被确立为核心协议:MCP管纵向(智能体↔工具),A2A管横向(智能体↔智能体)。2026年7月的一项独立探测(基于4000+ MCP服务器)发现:17.2%的MCP远端端点不可达,39.8%无认证。这意味着在协议标准化的同时,基础设施的可靠性需要同步跟上。⚠️ 独立探测发现17.2%的MCP远端端点不可达——选择服务商时需验证可达性和认证机制。

2026-09-30 18:06:27 261

原创 腾渊科技重磅出品——工业软件智能化落地指南:从AI辅助到AI原生的架构演进

信息技术发展司副司长王威伟提出,AI与工业软件融合正沿“AI辅助”和“AI原生”两条路径展开。推动CAD、CAE、EDA与AI深度融合,面向制图、设计、仿真场景实施智能化升级。这意味着不是“加一个AI按钮”,而是要把AI能力嵌入设计、仿真、验证的核心流程。⚠️ 工业知识封装是核心——三层架构缺一不可,尤其要注意“隐性知识显性化”的难点。⚠️ 不要只做“AI辅助”——政策明确指向“AI原生”是打破生态壁垒的路径。⚠️ 不要只关注“功能堆了多少”——核心是“模型有多懂这个行业”

2026-09-28 18:47:27 196

原创 工业智能体一体化部署指南:从算力硬件到大模型集成的完整方案

论坛上,中国工业互联网研究院还发布了《工业智能体研究报告》,系统阐述了工业智能体在“AI+制造”体系中的定位、核心技术与发展前景。这份报告的价值在于为行业提供了一个“坐标系”——工业智能体不是孤立的工具,而是嵌入在“AI+制造”体系中的关键环节。论坛上,中国工业互联网研究院携手多家生态伙伴发起了“具身智能实景实训行动倡议”,将依托真实工业场景开展实训、沉淀高质量数据,为具身智能从技术验证迈向规模应用提供场景与数据支撑。这一层解决的是“智能体怎么建”的问题——降低开发门槛,让非AI专家也能快速构建智能体。

2026-09-23 19:02:16 293

原创 腾渊科技重磅出品——工业智能体规模化落地指南:从垂类大模型到集群部署的完整架构

三个智能体分别对应企业战略、生产运营、能源管理三个层级,构成了从“脑”到“手”的完整决策链。基于底座衍生出工业质检、工业行为SOP、工业测温、工业烟火检测、工业听诊五大垂类矩阵,覆盖可见光、X光、红外、声纹等多维感知。以工业行为SOP大模型为例,它能实时分析产线工人操作视频,自动判断动作是否符合标准作业程序——不是替代工人,而是把“老师傅检查”变成了7×24小时不间断的AI质检员。智能排程的价值在于:它能同时考虑订单、产能、交期、设备状态、物料库存等多维约束,生成“人脑算不过来”的最优方案。

2026-09-22 11:39:15 114

原创 腾渊科技重磅出品——智能编程工具链落地指南:从政策解读到组织实践

方案将“优化智能编程工具链条”列为首要任务,要求“发展智能体驱动的智能编程工具,提升项目级、全流程的自主开发能力”,并“推动智能编程工具与代码托管平台、云服务、开源社区等深度适配集成”。2026年9月11日,工信部印发《“人工智能+软件”专项行动实施方案》,明确到2028年推广应用覆盖2万家规模以上软件企业,累计组织实施100项软件企业智能化技改项目。不要只关注“代码生成工具”,要关注工具与代码托管、CI/CD、云服务的集成度。AI编程不是“给现有流程加一个工具”,而是需要重新设计从需求到交付的流程。

2026-09-18 18:03:42 133

原创 腾渊科技重磅出品——AI编程组织化落地指南:从代码溯源到治理架构的完整方案

2026年9月,工信部印发《“人工智能+软件”专项行动实施方案》,明确到2028年覆盖2万家规模以上软件企业、打造100个智能体软件标杆应用。方案将“推进软件生产变革”置于首位,强调“支持企业将工业经验、工艺参数等知识封装为可复用的模型库和工业组件”。⚠️ 审查环节需要自动化工具辅助——4.6倍等待时间足以抵消编码收益。⚠️ 建立AI代码标记机制——43%团队无法区分AI与人工代码。⚠️ 不要只关注“编码速度”——完整交付周期才是关键指标。⚠️ 注意技术债务累积——代码重复率上升、可维护性下降。

2026-09-16 19:06:13 151

原创 腾渊科技重磅出品——智能体交易信任架构实战:从KYA到可追溯审计的完整方案

蚂蚁集团CEO韩歆毅指出,目前智能体供需两端尚未形成正循环——“用户想用,但商家没有很好的智能体服务;当交易双方都是智能体时,需要验证对方智能体的身份和能力。韩歆毅强调:“到底是谁做错了,是用户授权错了,还是自己的智能体没有理解清楚,还是信息传递错了,或者商家执行有问题。万事达卡首席产品官Jorn Lambert也提到,支付网络需要支持智能体在用户授权下完成交易,并通过“验证意图”等机制确保智能体准确理解用户目的。⚠️ 不要只关注“智能体能力”,信任机制是商业化的前提。智能体之间的信任传递机制。

2026-09-14 19:00:57 136

原创 腾渊科技重磅出品——工业Agent落地实战:拆单场景从3小时到2分钟的完整方案

2026年9月8日,全球工业互联网大会在沈阳启幕,中国工程院院士周济指出,设备要从“程序执行者”蝶变为“自主智能体”。:同一张图纸在不同工厂对应不同方案,工业AI必须先理解工厂此刻的真实状态。:拆单是最容易见效的切入场景,再逐步扩展到报价、排产、质检等环节。:连接订单、物料、设备、工艺和实际报工,让AI有“上下文”可依。⚠️ 关注数据沉淀——用得越多,Agent越懂这家工厂。⚠️ 不要从“写代码”开始——先理解工厂的业务逻辑。⚠️ 从单点场景开始——拆单是最容易见效的切入场景。

2026-09-11 19:05:58 261

原创 腾渊科技重磅出品——AI编程规模化落地指南:从编码提速到治理管控的完整方案

即使是很小的代码健康问题,也会在AI的高速度下迅速复合——第一轮生成有轻微复杂度问题,第二轮AI在此基础上修改,复杂度会进一步攀升,最终从“轻微超标”发展为“不可维护”。,你们的团队如何管理AI代码质量?:类型检查、Lint、安全扫描、复杂度分析、覆盖率检测。:规格先行、架构约束文档化、AI代码标记。——43%团队无法区分AI与人工代码。:检测→反馈→修复→验证的自动闭环。——要关注“可维护代码的交付速度”——代码重复率上升、可维护性下降。AI生成PR审查等待:人工的。(Opsera报告)

2026-09-09 19:03:01 142

原创 腾渊科技重磅出品——工业智能体落地实战:从单点AI到智能体集群的架构演进

首发工业世界模型,推出3大智能体产品+9大智能体矩阵,设备维修效率提升75%、换产周期缩短50%各智能体各司其职,具身终端(人形机器人、机械臂、巡检机器人)作为物理执行末端。:14个智能体覆盖38个核心场景,首检15分钟→30秒,提效80%:中国首发,工程效率提升50%,方案质量提升80%,全球19国部署。——智能体集群不只存在于软件层面,还要考虑与物理终端的协同闭环。——工业场景容错率极低,AI的结论必须可追溯、可审计、可追责。统一协调各智能体分工协作,拆解任务、预判隐患、管控质量。

2026-09-07 18:49:29 320

原创 腾渊科技重磅出品——工业智能体落地实战:三位一体开发范式与规模化部署指南

2026年8月27日,创新奇智发布工业智能体平台升级,提出“Ontology(工业本体)+ Harness Engineering(驾驭工程)+ AI Coding(智能编码)”三位一体开发范式,将智能体搭建周期从数天压缩至数分钟。加西贝拉入选浙江省未来工厂试点,构建覆盖研发、生产、管理、运维全流程的工业智能体集群,项目总投资超7亿元,预计人均生产效率提升19%,产品不良率降低33%。——受大模型幻觉问题影响,极易生成错误业务逻辑,必须通过Harness Engineering的校验和修复机制兜底。

2026-09-04 19:16:12 251

原创 腾渊科技重磅出品——企业级AI研发落地指南:从编码提效到审查治理的完整方案

梳理当前研发全流程,定位瓶颈环节——编码慢还是审查慢?厦门地铁科技的模式可供参考:把研发过程归纳为“规格—构建—门禁—交付”四个环节,将各环节中反复出现的做法封装为标准Skills。亚信科技的经验是建立企业级AI研发底座,覆盖安全合规、适配现有研发体系、接入入口灵活、效能可评估、资源可管理五个维度。Opsera报告建议关注PR吞吐量、审查等待时间、变更失败率、AI贡献率和实现的ROI。治理体系搭建到什么程度了?——否则编码提速会被审查拖垮。——代码重复率上升、可维护性下降、43%无法区分AI与人工代码。

2026-09-02 19:03:40 227

原创 腾渊科技重磅出品——AI辅助开发实战:企业级AI编码工具链落地指南

DX报告显示AI编码工具行业采用率93%,工程经理代码产出量增加4倍。⚠️ 缺少培训,不会用——工具买回来没人教,高级功能用不上。⚠️ 零散使用,不成体系——各用各的工具,没有统一规范。:避免各自为政,一套工具用透比十套工具各用10%更有效。⚠️ 一步到位,急于求成——团队不适应,反而打乱节奏。⚠️ 配套培训方案,不同层级员工需要不同培训内容。:梳理研发全流程,统计重复工作量,定位低效环节。⚠️ 不要一步到位,分阶段推进,让团队逐步适应。⚠️ 建立效能度量体系,用数据说话而非主观感受。

2026-08-31 19:24:12 204

原创 腾渊科技重磅出品——AI Agent人机协同实战:人工确认流程设计与代码实现

格灵深瞳指出:“只要进入To B交付、做企业级应用,可控能力就是必须具备的。每一次模型迭代,都要保证它是正向的。旷视科技同样强调:通用大模型在物理场景中误报率居高不下,AI缺乏对业务逻辑的理解。,你也在做Agent落地?⚠️ 风险等级定义要清晰,建议与业务方共同制定规则。⚠️ 审批超时需设置自动升级机制,避免流程卡死。⚠️ 所有审批日志需持久化,便于审计追溯。

2026-08-26 19:33:08 159

原创 腾渊科技重磅出品——多Agent集群实战:从目标对齐到决策中枢的完整代码方案

行业共识:当Agent越来越多,局部效率不断提高,企业整体的协同成本反而可能越来越高。美的南沙工厂通过统一的“工厂大脑”指挥生产调度、物流配送、工艺优化、质量检测等智能体协同工作,实现了全流程自主协同。,你也在做多Agent协同?⚠️ Kafka消费者组要分开:不同Agent用不同组,避免互相影响。⚠️ 目标不一致时需建立明确的业务优先级,不能仅靠算法解决。⚠️ 关键状态需持久化:防止Kafka宕机导致状态丢失。

2026-08-24 19:05:42 198

原创 腾渊科技重磅出品——多Agent集群实战:从通信层到调度中枢的完整架构方案

本文介绍了多Agent协同系统的集群化架构设计与实现。随着AI从Copilot向Autopilot演进,多Agent协同面临信息同步、决策冲突等挑战。文章提出分层架构:LLM-based Master Agent负责战略编排,rule-based/SLM-based Agent执行具体任务。架构包含任务输入层、调度中枢层、Agent集群层、协同层(Kafka通信+冲突仲裁)和执行层。核心代码展示了任务编排、Kafka通信、冲突仲裁和心跳检测等关键实现,并给出任务依赖处理、消费者组隔离等注意事项。

2026-08-21 19:06:56 207

原创 腾渊科技重磅出品——机器视觉光源选型避坑指南:从环形光到结构光完整对比

文章通过3C工厂金属划痕检测案例,详细复盘5种光源方案效果(环形光75%→同轴光82%→低角度环形光88%→漫射板+高功率94%→结构光98%)。总结不同光源(同轴/低角度/背光等)的适用场景与原理,给出颜色选型建议(蓝光抑反光/红光穿透强)。特别强调避坑要点:光源选型优先级>相机镜头、均匀度需>90%、金属反光需偏振处理,并提供光源同步控制的代码示例。文末附光源类型对比清单,建议开发者收藏作为选型参考。

2026-08-19 19:03:43 255

原创 腾渊科技重磅出品——多Agent协同通信层实战:基于Kafka的设计与代码实现

【摘要】本文针对多Agent协同场景下的通信问题,提出基于Kafka的解决方案。文中以3C产线的调度Agent和质检Agent为例,指出因缺乏协同层导致工单分配错误、不良品流转等典型问题。通过Kafka实现状态广播(工位状态变更)、冲突仲裁(质量优先策略)和事件溯源三大核心功能,并提供关键代码示例(状态发布/订阅、优先级仲裁、心跳检测)。文章特别强调消费者组隔离、消息时间戳、状态持久化等实践要点,最终实现冲突归零、200ms内信息同步的优化效果。该方案适用于需高可靠性、可追溯性的工业级多Agent系统。

2026-08-17 19:05:17 376

原创 Kafka在工业数据采集中的作用是什么?腾渊科技分享一份实战经验

本文介绍了Kafka在工业数据采集系统中的应用价值与配置建议。作者腾渊码农指出,Kafka能有效解决直接写入数据库导致的高频数据压力、系统耦合及数据丢失问题,通过缓冲机制实现系统解耦和流量削峰。关键建议包括:合理设置4-8个Topic分区,不同下游系统使用独立消费者组,配置7天数据持久化。文中还分享了3C工厂项目的实际配置案例(3节点集群处理300条/秒消息),并提醒注意消费者组隔离、消息大小限制和监控告警设置。适合工业数据采集开发者参考架构设计。

2026-08-13 19:24:41 585

原创 PostgreSQL查询从15秒崩到200ms?腾渊科技分享一套时序数据库迁移实战方案

今天想跟大家分享一个我们最近做完的时序数据库迁移项目,从PostgreSQL到TDengine,查询性能从15秒优化到200ms。客户是某3C代工厂,产线上多台视觉检测设备,每台每秒产生30-50条检测结果。随着产能爬坡,数据量越来越大,原有系统扛不住了。,如果你也在做时序数据库选型或迁移,欢迎评论区聊聊你用的是哪家、遇到过什么坑。⚠️ 函数差异:TDengine的时间函数与PostgreSQL不同,迁移时逐一适配。客户说“良率看板打不开了,一查就超时”,管理层意见很大。客户说:“看板终于能实时刷新了。

2026-08-11 19:21:47 357

原创 工业AI Agent多Agent协同架构:基于Kafka通信层的设计与实现

调度Agent订阅“工位状态变更”主题,收到“某工位报修”后不再往该工位分配新工单。两个Agent各自独立决策,缺少一个“协同层”来同步状态信息和仲裁决策冲突。质检Agent的判定优先级高于调度Agent的调度指令——质量安全优先于效率。哪个Agent在什么时间做出了什么决策,全部可追溯,便于事后排查。某3C产线同时部署了调度Agent和质检Agent。所有Agent不直接通信,全部通过Kafka主题交换信息,解耦同时保证数据一致性。质检Agent判定的不良品,调度Agent不知道 → 不良品继续往下流。

2026-08-08 18:52:45 313 1

原创 Spring Boot集成TDengine实战:工业时序数据存储选型与迁移方案

业务需求:查询任意7天良率趋势(响应1秒以内)、查询某批次产品检测记录(响应500ms以内)、数据保留1年。检测数据是典型时间序列数据——按时间写入、按时间查询、极少更新。⚠️ TDengine SQL语法与PostgreSQL有差异(如时间函数、分页语法),迁移时需逐一适配。TDengine核心优势:列式存储+时序索引,内置降采样和聚合函数,高压缩比。查询层做路由:7天内走TDengine,7天以上走PostgreSQL。尝试索引优化、分区表、SQL优化,效果有限。新数据(7天内)写入TDengine。

2026-08-07 18:45:00 270

原创 线上Full GC风暴,我花一晚揪出ThreadLocal内存泄漏(MAT排查全流程复盘)

可这次没人加货(流量平稳),6 小时却堆满 2.5G 的货,保洁员刚清完一轮(Full GC)又满了,大扫除从一小时一次变成十分钟一次。运维说"Full GC 太频繁,重启就好",DBA 说"GC 异常,先留现场",开发说"压测时明明没问题"——三方各说各话,没人说得清内存里住着什么。老员工不换人,柜子只进不出,仓库填满了——MAT 结论:占内存最大的是一批用户上下文大对象,单个请求快照几百 MB,全挂在长期不换人的"老员工"线程上。观察 72 小时:Old 曲线由"爬升"变"走平",大扫除回一小时一次。

2026-08-06 18:36:23 172

原创 工业机器视觉深度学习落地:标注、训练与产线部署全流程避坑思路

若拆分标注、模型训练、产线部署三方服务商,数据集标准不统一、模型推理速度不兼容工控硬件、模型更新迭代缺少标准化流程,多方对接权责模糊,产线停机调试周期拉长,出现缺陷漏判后各方相互推诿,运维迭代成本居高不下。针对反光、曲面、多批次工件色差、油污干扰做图像增强预处理适配,区分严重缺陷与轻微伪缺陷,动态调整损失函数,平衡缺陷检出率与误报率,适配高速流水线毫秒级检测需求,支持缺陷分类、像素级分割、尺寸联动检测多任务并行。针对划痕、脏点、变形、缺料、色差等不同缺陷制定统一标注轮廓、像素精度标准;

2026-08-05 18:30:57 375

原创 数据库频繁抖动查不出原因?定制开发项目里,这个“隐形杀手“最致命

早上八九点业务高峰,几十号人同时登录、下单,应用层的连接池被打满,后面的请求全在排队等"数据库连接"。这时候你去看数据库:CPU 不高,SQL 也不慢——问题出在应用和数据源之间的"隐形堵车",隔着一层,你根本看不见。你花几十万做的 ERP / 内部管理系统,白天一切正常,一到业务高峰期就开始"抖"——订单提交转圈十几秒,客服查个单要等半天,财务对账对到一半直接超时。我们沉淀出一套系统的打法,不是头疼医头,而是从"发现"到"根治"走三步:。这些看起来是"技术问题",本质上,是"开发方式和管理方式的问题"。

2026-08-04 19:09:27 361

原创 机器视觉搞了这么久,我们来聊聊它到底能配合什么、能做出什么

有个做自动化设备的客户找过来,说他们给一家五金厂做了一台自动分拣设备,机械部分跑得挺好,但产品放上去之后,机器分不清哪个是良品哪个是次品,还得靠人在旁边盯着。我们做机器视觉这块做了几年,从算法到硬件到现场调试全链路都趟过,今天不聊虚的,就聊聊视觉这东西到底能配合什么设备、能做出什么效果,给正在考虑上视觉的朋友们一个参考。对于比较规则的缺陷类型,比如尺寸偏差、固定位置的划痕、明显的脏污,传统算法效果很好,速度快、稳定性高。所以我们在做视觉方案的时候,花在硬件选型和现场打光调试上的时间,往往比写算法还多。

2026-08-03 18:35:06 195

原创 工业机器视觉落地:算法开发与产线集成一体化解决思路

工业视觉在智能制造中应用广泛,但面临通用算法误检漏检、软硬件不兼容、系统对接断层等痛点。稳定落地方案需定制化算法开发与整机系统集成相结合:算法层针对不同场景优化,系统层匹配硬件并打通数据链路。一体化方案可减少兼容性问题,缩短调试周期,适用于产线改造与新建项目。欢迎交流落地经验与解决方案。

2026-07-31 19:11:21 222

原创 Demo跑通容易,上生产真没那么简单——聊聊工业级AI Agent该怎么搞

先说个真实场景——你在Notebook里跑通了一个Agent,能查数据库、调API、写代码,测试几条Case看着挺聪明。千万别什么都往Prompt里塞,省Token是小事,关键是断了能恢复。搞了这么久,最大的感受其实就一句——工业级Agent最难的从来不是模型能力不够,而是怎么给一个"不太靠谱"的智能体加上一层层靠谱的工程护栏。从Demo到生产,搭架构、做容错、建监控、跑评估,每一步都是在给Agent补齐不确定性。看着简单,但这层不能省。Demo关注的是"能不能跑",生产关注的是"挂了能不能自己爬起来"。

2026-07-30 19:06:00 289

原创 工业时序数据存储选型实战:从PostgreSQL到TDengine,查询从15秒到200ms

本文分享了某3C代工厂工业时序数据存储的选型与迁移实战经验。最初使用PostgreSQL存储视觉检测设备产生的时序数据(每秒30-50条),但随着数据量增长至500万条时,出现查询性能下降(7天趋势查询从200ms退化到15秒)、写入速度降低等问题。经过分析发现PostgreSQL不适合高频时序场景,转而选用专为时序优化的TDengine,通过列式存储+时序索引实现显著提升:7天查询从15秒降至200ms,存储空间减少60%,写入速度从2000条/秒提升至30000条/秒。

2026-07-29 18:59:56 391

原创 工业时序数据处理实战:百万级检测数据如何做到毫秒级查询

工业时序数据处理技术选型与优化经验 某3C代工厂产线视觉检测数据(每秒30-50条,含产品ID、缺陷类型等字段)面临查询性能瓶颈:PostgreSQL存储500万条数据后,7天趋势查询延迟达15秒,写入性能下降60%。分析发现时序数据高频写入、按时间范围查询的特性与关系型数据库不匹配。 解决方案:选用时序数据库TDengine,通过列式存储、时序索引和内置聚合函数实现优化: 性能提升:7天查询从15秒降至200ms,写入速度从2000条/秒提升至30000+条/秒; 存储优化:空间占用减少60%(100GB

2026-07-28 19:29:32 240

原创 Spring Boot对接MES实战:视觉检测数据自动同步方案

某3C代工厂为解决视觉检测数据手动录入痛点,采用SpringBoot+TDengine+PostgreSQL技术栈搭建自动化同步系统。通过ModbusTCP实时采集设备数据,利用TDengine高效处理每秒30-50条的高频时序数据(查询速度较PG提升75倍),结合双数据库架构实现原始数据存储与业务统计分离。系统采用批量同步+异常重试机制,将数据延迟从小时级压缩至秒级,彻底消除人工录入,实现管理看板实时更新。项目验证了时序数据库在工业场景处理海量设备数据的优势。

2026-07-27 17:54:38 169

原创 Spring Boot + TDengine:工业视觉检测数据实时同步方案实战

通过Modbus TCP协议从视觉设备读取检测结果,使用Java的Modbus库(jamod)实现通信。TDengine的时序存储引擎对这类高频率、带时间戳的数据做了专门优化,查询同样是7天数据,PostgreSQL需要15秒,TDengine只需要200ms。之前的方式是:设备输出日志文件,质检员每小时人工导入一次Excel,再手工录入MES系统。MES接口偶发超时(约5%的请求),配置了重试机制(最多3次,指数退避)和熔断降级(超时5秒后降级为异步队列)。// 数据同步核心逻辑(伪代码示意)

2026-07-23 16:52:48 292

原创 Spring Boot对接MES实战:视觉检测数据自动同步方案

某3C代工厂视觉检测系统与MES集成项目实战:通过SpringBoot+Vue3技术栈构建数据通道,实现检测结果自动同步。采用ModbusTCP采集数据,PostgreSQL+TDengine分层存储,解决字段映射、海量时序数据处理等难点。上线后实现质检数据实时同步,人力成本归零,异常响应时效从小时级提升至分钟级,管理层可实时查看可视化看板(良率趋势/缺陷分布等)。关键经验包括建立字段映射表、时序数据库选型和接口稳定性优化。

2026-07-21 17:06:43 229

原创 工业数字化通病:通用系统适配难,定制化软件才是落地关键

制造企业数字化改造普遍存在两大误区:标准化系统功能冗余且难适配非标产线,多系统数据孤岛导致实际仍依赖人工。工业定制化软件通过四大优势破解痛点:1)完全匹配非标生产流程;2)打通全环节数据闭环;3)轻量化易操作;4)支持灵活迭代。相比通用系统,定制方案更契合中小制造企业需求,真正实现降本增效与数据追溯。腾渊科技专注非标场景工业软件定制,提供从开发到部署的一站式服务。

2026-07-17 15:41:44 178

原创 工业数据运维痛点根治方案:基于AI Agent的产线自动化台账系统落地

制造企业机器视觉改造后仍面临"前端智能、后端人工"困境,检测数据需人工处理导致效率低下。本文提出工业AIAgent解决方案,通过实时数据采集、自动分析预警、智能报表生成等功能,实现生产运维全流程自动化。方案可消除数据孤岛,减少80%人工统计工作,支持异常实时预警与数据追溯,显著提升数字化管理水平。该方案支持私有化定制开发,为制造企业智能化升级提供完整技术支撑。

2026-07-15 14:38:11 259

原创 AI Agent 在工业场景的落地姿势:我们的三层架构复盘

【工业大模型落地避坑指南】针对工业场景应用大模型的三大痛点:推理速度慢(>3秒)、输出不稳定、存在幻觉风险,提出"认知-执行分层"解决方案:离线层用大模型+RAG知识库生成标准化执行方案(换型时触发),在线层由轻量级智能体毫秒级执行(<200ms)。该架构实现四大突破:速度提升15倍、输出100%稳定、人工审核阻断幻觉、调用成本降低90%,已在汽车/3C/锂电等行业头部客户验证。支持本地化部署及全栈定制服务。

2026-07-13 15:44:09 229

原创 别再让工程师熬夜调参了|工业AI质检的“免调”方案来了

传统机器视觉方案在"多品种、小批量"制造趋势下暴露出调参效率低、适应性差的问题。针对这一痛点,某企业推出基于大模型的智能解决方案,通过自动特征理解和参数优化,将换型时间从通宵缩短至2小时,支持0.01mm级检测精度和复杂工业场景。该方案已在汽车、3C、新能源等领域落地,实现检测流程的智能化升级。

2026-07-09 16:58:59 191

原创 从单点视觉算法到多模态智能体平台|工业产线 AI 一体化完整落地方案

本文介绍了工业视觉检测领域的行业痛点与技术解决方案。针对传统机器视觉泛化性差、大模型训练成本高等问题,提出三层技术架构:1)自研机器视觉感知层实现多场景检测;2)垂直领域大模型层支持智能推理;3)定制化业务软件层实现数据闭环。该方案已成功应用于PCB、五金、水务等领域,提供从算法开发到系统集成的全流程服务,助力制造业智能化升级。企业可获取白皮书了解详细案例。

2026-07-08 09:52:15 214

原创 传统开发效率太低?一套可落地的研发团队 AI 新范式推进方案

政企软件定制开发面临传统手工模式效率低下的问题。文章提出AI赋能研发的解决方案:首先分析重复编码、工具零散等痛点;其次设计五步落地路径,包括调研、选型、培训、分阶段实施和复盘;以某人事系统项目为例,AI工具使开发周期缩短30%,减少模块冲突;强调AI需结合标准化流程和分步实施,建议配套培训体系。作者团队专注政企数字化,持续分享AI研发实践经验。

2026-07-03 15:03:08 186

原创 机器学习在机器视觉中的应用

机器学习基础机器学习是什么? 想象一下,如果你能通过观察和实践来学习新技能,机器学习就是给机器这样的能力。机器通过分析数据来学习规律和模式。 监督学习与非监督学习监督学习是什么? 就像老师教学生一样,监督学习中,我们给机器提供一些已经标记好的数据,告诉它们每个数据是什么,然后机器学习如何识别它们。 非监督学习呢? 非监督学习就像是让机器自己探索和发现数据中的模式,没有老师告诉它们每个数据是什么,它们需要自己找出规律。 神经网络与深度学习神经网络是什么? 神经网络就

2024-08-15 14:13:27 486

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除