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。
