核心问题：光有技术不够，怎么把它变成一个能落地的系统？

那个"模型做出来了但用不了"的尴尬时刻

你有没有遇到过这种情况：团队花了一个月训练出一个效果不错的模型，兴冲冲拿给客户看，客户问"那我怎么用？"，然后就尴尬了。

工程化——从“我懂原理”到“我能交付”的转变。下面从预测性维护的数据分析开始，一路走到成像系统的智能选型，最后把行业知识封装成可复用的工具。整个过程，与其说是在学技术，不如说是在学怎么把技术变成产品。

预测性维护：用数据讲故事

上午的切入点是 AI4I 2020 预测性维护数据集。这个数据集模拟了工业设备的运行参数：空气温度、工艺温度、转速、扭矩、刀具磨损量，共 10,000 条记录，其中只有 3.39% 是故障样本。

先别急着建模

很多工程师拿到数据第一反应是"赶紧上模型"。但课程的做法是：先做 EDA（探索性数据分析）。

为什么？因为如果你不理解数据，模型给你的结果你也看不懂。就好比你不懂电路图就去修电器，运气好能修好，运气差就炸了。

具体做了什么？几个关键发现：

  • 扭矩和转速的散点图一画出来，故障样本和正常样本的分布区域一目了然。OSF（过冲故障）集中在高扭矩（>50 Nm）+ 高刀具磨损（>180 min）区域
  • 故障率按产品类型递减：L(3.92%) > M(2.77%) > H(2.09%)，这个规律可以直接指导备件策略和质保定价
  • RNF（随机故障）只有 19 条，这种极端不均衡的数据，直接丢进模型训练大概率会出问题

从分析报告到交互看板

最终产出的不只是一个分析报告，而是一个交互式的数据看板（HTML）。可以点选、筛选、动态展示。

这个思路在工业场景里特别实用。你给产线管理者一份 PDF 报告，他可能看都不看；但你给他一个能点来点去的看板，他至少会好奇地点两下。这两下，可能就是他理解数据的开始。

课程还给出了一个很实用的规则引擎建议：不用部署 ML 模型，直接把阈值规则嵌入 SCADA 系统，就能覆盖约 70% 的故障预警场景。有时候，够用就好。

从提示词到智能体：把经验变成工具

下午画风一转，开始讲怎么把行业知识封装成 AI 智能体。

成像系统选型专家

核心案例是"成像系统选型专家"。传统做法是找一个有十年经验的工程师，你告诉他"我要检测手机壳表面划痕"，他会问你一堆问题（精度多少？节拍多快？材质是什么？），然后给出一套方案。

现在要做的事情是：把这个工程师的经验变成一个可复用的智能体。

课程展示了一段很长的 System Prompt，里面系统性地整理了成像系统的选型规则：

  • 相机怎么选：视场 = 产品尺寸 + 各种余量，像素精度要做到公差的 1/5 到 1/10
  • 镜头怎么算：焦距 f = 工作距离 × 芯片尺寸 / 视场，远心镜头适合高精度测量
  • 光源怎么选：轮廓检测用背光，表面划伤用暗场光，反光件用穹顶光
  • 成像方式判断：2D 面阵、线扫、3D 结构光、智能相机……每种都有适用场景

这不是简单的"让 AI 回答问题"，而是把领域专家的决策逻辑结构化地注入到 AI 中。好比你把一个老师傅的经验写成了标准作业指导书，但这个指导书还能根据具体情况灵活调整。

从提示词到 Python 工具

更进一步，课程还做了一个完整的 Python 工具（industrial-vision-selector）：

# 核心流程
parser = PDFParser(reference_dir="/path/to/pdfs")  # 解析参考文档
collector = RequirementCollector()                   # 收集用户需求
analyzer = ReferenceAnalyzer()                       # 分析参考数据
generator = ReportGenerator(output_dir="./reports")  # 生成选型报告

这个工具能解析 5 份权威参考文档（机器视觉基础、相机选型、镜头选型、光源选型、图像处理基础），结合用户输入的需求参数，自动生成专业的选型报告。

这就从"一个能聊天的 AI"变成了"一个能交付结果的工具"。能聊天的 AI 到处都是，能交付结果的工具才有价值。

MCP 协议：AI 的"万能插头"

课程还提到了 MCP（Model Context Protocol）协议。简单理解，MCP 就是 AI 模型和外部工具之间的"万能插头"。

为什么需要它？因为 AI 模型本身是"哑巴"——它能说话，但不能动手。MCP 让 AI 能调用外部工具：读文件、查数据库、调 API、执行代码。就像给一个只会说话的人配了一双手。

在工业视觉场景里，MCP 的价值在于：让 AI 能真正操作系统。不只是告诉你"建议用 500 万像素相机"，而是能直接查库存、比价格、生成采购单。

踩坑与排查

实践中有几个容易踩的坑：

  1. 数据不均衡：3.39% 的故障率意味着如果模型全预测"正常"，准确率就有 96.61%。必须用 SMOTE 或加权损失处理
  2. RNF 只有 19 条：这种极端样本量，任何模型都很难学到有效模式，建议作为离群值单独处理
  3. System Prompt 过长：成像系统选型的提示词很长，需要反复测试哪些规则真正有效，哪些是噪音
  4. PDF 解析质量：工业文档格式复杂，pdfplumber 比 PyPDF2 效果好，但表格解析仍然是痛点

核心收获与下一步

工业视觉不只是图像处理，它是一个系统工程**。

三个核心收获：

  1. 数据先行：EDA 不是可选步骤，是必选项。理解数据比选模型更重要
  2. 知识封装：把专家经验变成可复用的智能体或工具，才是真正的工程化
  3. 工具链思维：从数据采集、分析、建模到部署，每个环节都要有对应的工具支持

下一步建议：

  • 拿 AI4I 数据集跑一遍完整的建模流程（二分类 → 多分类 → 异常检测）
  • 尝试用 Trae 或其他 AI IDE 创建自己的行业智能体
  • 研究 MCP 协议，看看能不能把现有的工业工具接入 AI 生态