feat: init ai-platform - 源码 + 配置
This commit is contained in:
@@ -0,0 +1,227 @@
|
||||
import { useEffect, useRef } from 'react';
|
||||
import type { Theme } from '@/shared/context/ThemeContext';
|
||||
|
||||
interface Orb {
|
||||
x: number;
|
||||
y: number;
|
||||
r: number;
|
||||
vx: number;
|
||||
vy: number;
|
||||
color: string;
|
||||
glowAlpha: number;
|
||||
pulsePhase: number;
|
||||
pulseSpeed: number;
|
||||
}
|
||||
|
||||
export default function StarBackground({ theme = 'dark' }: { theme?: Theme }) {
|
||||
const canvasRef = useRef<HTMLCanvasElement>(null);
|
||||
|
||||
useEffect(() => {
|
||||
const canvas = canvasRef.current;
|
||||
if (!canvas) return;
|
||||
const ctx = canvas.getContext('2d');
|
||||
if (!ctx) return;
|
||||
|
||||
const resize = () => {
|
||||
canvas.width = window.innerWidth;
|
||||
canvas.height = window.innerHeight;
|
||||
};
|
||||
resize();
|
||||
window.addEventListener('resize', resize);
|
||||
|
||||
// 生成星星
|
||||
const stars = Array.from({ length: 220 }, () => ({
|
||||
x: Math.random() * canvas.width,
|
||||
y: Math.random() * canvas.height,
|
||||
r: Math.random() * 1.2 + 0.2,
|
||||
opacity: Math.random() * 0.6 + 0.2,
|
||||
speed: Math.random() * 0.015 + 0.005,
|
||||
phase: Math.random() * Math.PI * 2,
|
||||
}));
|
||||
|
||||
// 深空云雾粒子
|
||||
const nebula = Array.from({ length: 6 }, (_, i) => ({
|
||||
x: (i / 6) * canvas.width + Math.random() * 200 - 100,
|
||||
y: Math.random() * canvas.height,
|
||||
r: Math.random() * 180 + 120,
|
||||
color: ['rgba(0,80,160,', 'rgba(40,0,120,', 'rgba(0,60,100,', 'rgba(20,0,80,', 'rgba(0,100,120,', 'rgba(60,0,100,'][i],
|
||||
}));
|
||||
|
||||
// 大小球体 — 飞来飞去的光球
|
||||
const darkOrbColors = [
|
||||
'rgba(220,240,255,',
|
||||
'rgba(200,230,255,',
|
||||
'rgba(255,255,255,',
|
||||
'rgba(230,240,255,',
|
||||
'rgba(0,180,255,',
|
||||
'rgba(120,100,255,',
|
||||
'rgba(0,229,153,',
|
||||
'rgba(0,212,255,',
|
||||
];
|
||||
const lightOrbColors = [
|
||||
'rgba(160,185,230,',
|
||||
'rgba(180,200,240,',
|
||||
'rgba(200,215,245,',
|
||||
'rgba(140,170,220,',
|
||||
'rgba(100,140,210,',
|
||||
'rgba(170,190,235,',
|
||||
'rgba(120,160,220,',
|
||||
'rgba(190,210,245,',
|
||||
];
|
||||
const orbColors = theme === 'dark' ? darkOrbColors : lightOrbColors;
|
||||
const orbGlowBase = theme === 'dark' ? 0.025 : 0.07;
|
||||
const orbs: Orb[] = Array.from({ length: 64 }, (_, i) => ({
|
||||
x: Math.random() * canvas.width,
|
||||
y: Math.random() * canvas.height,
|
||||
r: i < 24 ? (Math.random() * 30 + 35) : (Math.random() * 12 + 10),
|
||||
vx: (Math.random() - 0.5) * 2.2,
|
||||
vy: (Math.random() - 0.5) * 1.6,
|
||||
color: orbColors[i % orbColors.length],
|
||||
glowAlpha: Math.random() * orbGlowBase + orbGlowBase * 0.4,
|
||||
pulsePhase: Math.random() * Math.PI * 2,
|
||||
pulseSpeed: Math.random() * 0.012 + 0.006,
|
||||
}));
|
||||
|
||||
let frame = 0;
|
||||
let animId: number;
|
||||
|
||||
const draw = () => {
|
||||
frame++;
|
||||
const W = canvas.width;
|
||||
const H = canvas.height;
|
||||
ctx.clearRect(0, 0, W, H);
|
||||
|
||||
// 背景渐变
|
||||
const grad = ctx.createRadialGradient(W * 0.5, H * 0.5, 0, W * 0.5, H * 0.5, W * 0.7);
|
||||
if (theme === 'dark') {
|
||||
grad.addColorStop(0, 'rgba(0,15,40,1)');
|
||||
grad.addColorStop(0.5, 'rgba(0,8,25,1)');
|
||||
grad.addColorStop(1, 'rgba(0,4,15,1)');
|
||||
} else {
|
||||
grad.addColorStop(0, 'rgba(248,250,255,1)');
|
||||
grad.addColorStop(0.5, 'rgba(243,246,255,1)');
|
||||
grad.addColorStop(1, 'rgba(236,241,255,1)');
|
||||
}
|
||||
ctx.fillStyle = grad;
|
||||
ctx.fillRect(0, 0, W, H);
|
||||
|
||||
// 星云雾
|
||||
nebula.forEach(n => {
|
||||
const g = ctx.createRadialGradient(n.x, n.y, 0, n.x, n.y, n.r);
|
||||
const nebulaAlpha = theme === 'dark' ? '0.06' : '0.04';
|
||||
g.addColorStop(0, n.color + nebulaAlpha + ')');
|
||||
g.addColorStop(1, n.color + '0)');
|
||||
ctx.fillStyle = g;
|
||||
ctx.beginPath();
|
||||
ctx.arc(n.x, n.y, n.r, 0, Math.PI * 2);
|
||||
ctx.fill();
|
||||
});
|
||||
|
||||
// ★ 飞行球体
|
||||
orbs.forEach(orb => {
|
||||
orb.x += orb.vx;
|
||||
orb.y += orb.vy;
|
||||
|
||||
if (orb.x < -orb.r) orb.x = W + orb.r;
|
||||
if (orb.x > W + orb.r) orb.x = -orb.r;
|
||||
if (orb.y < -orb.r) orb.y = H + orb.r;
|
||||
if (orb.y > H + orb.r) orb.y = -orb.r;
|
||||
|
||||
const pulse = 0.7 + 0.3 * Math.sin(frame * orb.pulseSpeed + orb.pulsePhase);
|
||||
const alpha = orb.glowAlpha * pulse;
|
||||
|
||||
const outerR = orb.r * 1.5;
|
||||
const outerGrad = ctx.createRadialGradient(orb.x, orb.y, 0, orb.x, orb.y, outerR);
|
||||
outerGrad.addColorStop(0, orb.color + (alpha * 0.9).toFixed(3) + ')');
|
||||
outerGrad.addColorStop(0.5, orb.color + (alpha * 0.3).toFixed(3) + ')');
|
||||
outerGrad.addColorStop(1, orb.color + '0)');
|
||||
ctx.fillStyle = outerGrad;
|
||||
ctx.beginPath();
|
||||
ctx.arc(orb.x, orb.y, outerR, 0, Math.PI * 2);
|
||||
ctx.fill();
|
||||
|
||||
const innerGrad = ctx.createRadialGradient(
|
||||
orb.x - orb.r * 0.2, orb.y - orb.r * 0.2, 0,
|
||||
orb.x, orb.y, orb.r
|
||||
);
|
||||
innerGrad.addColorStop(0, orb.color + (alpha * 2.0).toFixed(3) + ')');
|
||||
innerGrad.addColorStop(0.6, orb.color + (alpha * 0.8).toFixed(3) + ')');
|
||||
innerGrad.addColorStop(1, orb.color + '0)');
|
||||
ctx.fillStyle = innerGrad;
|
||||
ctx.beginPath();
|
||||
ctx.arc(orb.x, orb.y, orb.r, 0, Math.PI * 2);
|
||||
ctx.fill();
|
||||
|
||||
const hlR = orb.r * 0.25;
|
||||
const hlGrad = ctx.createRadialGradient(
|
||||
orb.x - orb.r * 0.25, orb.y - orb.r * 0.25, 0,
|
||||
orb.x - orb.r * 0.25, orb.y - orb.r * 0.25, hlR
|
||||
);
|
||||
hlGrad.addColorStop(0, 'rgba(255,255,255,' + (alpha * 4).toFixed(3) + ')');
|
||||
hlGrad.addColorStop(1, 'rgba(255,255,255,0)');
|
||||
ctx.fillStyle = hlGrad;
|
||||
ctx.beginPath();
|
||||
ctx.arc(orb.x - orb.r * 0.25, orb.y - orb.r * 0.25, hlR, 0, Math.PI * 2);
|
||||
ctx.fill();
|
||||
});
|
||||
|
||||
// 星星
|
||||
stars.forEach(s => {
|
||||
const twinkle = 0.3 + 0.7 * (0.5 + 0.5 * Math.sin(frame * s.speed + s.phase));
|
||||
ctx.beginPath();
|
||||
ctx.arc(s.x, s.y, s.r, 0, Math.PI * 2);
|
||||
ctx.fillStyle = theme === 'dark'
|
||||
? `rgba(180,220,255,${s.opacity * twinkle})`
|
||||
: `rgba(100,140,200,${s.opacity * twinkle * 0.5})`;
|
||||
ctx.fill();
|
||||
if (s.r > 1.0) {
|
||||
const halo = ctx.createRadialGradient(s.x, s.y, 0, s.x, s.y, s.r * 4);
|
||||
halo.addColorStop(0, theme === 'dark'
|
||||
? `rgba(100,200,255,${0.2 * twinkle})`
|
||||
: `rgba(80,130,220,${0.08 * twinkle})`);
|
||||
halo.addColorStop(1, 'rgba(0,0,0,0)');
|
||||
ctx.fillStyle = halo;
|
||||
ctx.beginPath();
|
||||
ctx.arc(s.x, s.y, s.r * 4, 0, Math.PI * 2);
|
||||
ctx.fill();
|
||||
}
|
||||
});
|
||||
|
||||
// 水平光线
|
||||
if (frame % 300 === 0) {
|
||||
const y = Math.random() * H;
|
||||
const lineGrad = ctx.createLinearGradient(0, y, W, y);
|
||||
lineGrad.addColorStop(0, 'rgba(0,212,255,0)');
|
||||
lineGrad.addColorStop(0.5, 'rgba(0,212,255,0.06)');
|
||||
lineGrad.addColorStop(1, 'rgba(0,212,255,0)');
|
||||
ctx.strokeStyle = lineGrad;
|
||||
ctx.lineWidth = 1;
|
||||
ctx.beginPath();
|
||||
ctx.moveTo(0, y);
|
||||
ctx.lineTo(W, y);
|
||||
ctx.stroke();
|
||||
}
|
||||
|
||||
animId = requestAnimationFrame(draw);
|
||||
};
|
||||
|
||||
draw();
|
||||
return () => {
|
||||
cancelAnimationFrame(animId);
|
||||
window.removeEventListener('resize', resize);
|
||||
};
|
||||
}, [theme]);
|
||||
|
||||
return (
|
||||
<canvas
|
||||
ref={canvasRef}
|
||||
style={{
|
||||
position: 'fixed',
|
||||
top: 0, left: 0,
|
||||
width: '100%', height: '100%',
|
||||
zIndex: 0,
|
||||
pointerEvents: 'none',
|
||||
}}
|
||||
/>
|
||||
);
|
||||
}
|
||||
@@ -0,0 +1,91 @@
|
||||
import type { CSSProperties, ReactNode } from 'react';
|
||||
|
||||
export type TechIconName =
|
||||
| 'chat'
|
||||
| 'maturity'
|
||||
| 'translator'
|
||||
| 'roadmap'
|
||||
| 'coupon'
|
||||
| 'compute'
|
||||
| 'data'
|
||||
| 'tool'
|
||||
| 'app'
|
||||
| 'edge'
|
||||
| 'policy'
|
||||
| 'analytics'
|
||||
| 'target'
|
||||
| 'lab'
|
||||
| 'deploy'
|
||||
| 'location'
|
||||
| 'factory'
|
||||
| 'enterprise'
|
||||
| 'pin'
|
||||
| 'bot'
|
||||
| 'user'
|
||||
| 'check'
|
||||
| 'close'
|
||||
| 'star'
|
||||
| 'calendar'
|
||||
| 'alert'
|
||||
| 'idea'
|
||||
| 'scenario'
|
||||
| 'empty'
|
||||
| 'expand'
|
||||
| 'collapse';
|
||||
|
||||
interface TechIconProps {
|
||||
name: TechIconName;
|
||||
color?: string;
|
||||
size?: number;
|
||||
style?: CSSProperties;
|
||||
}
|
||||
|
||||
export default function TechIcon({ name, color = '#00d4ff', size = 18, style }: TechIconProps) {
|
||||
const common = {
|
||||
fill: 'none',
|
||||
stroke: color,
|
||||
strokeWidth: 1.8,
|
||||
strokeLinecap: 'round' as const,
|
||||
strokeLinejoin: 'round' as const,
|
||||
};
|
||||
|
||||
const glyphs: Record<TechIconName, ReactNode> = {
|
||||
chat: <><path d="M5 6.5h14v8.5H9l-4 3v-11.5z" /><path d="M8 10h8M8 13h5" /></>,
|
||||
maturity: <><path d="M12 3l7 4v6c0 4.5-3 7.4-7 8-4-.6-7-3.5-7-8V7l7-4z" /><path d="M8.5 12h2l1.2-3 2 6 1.2-3h1.6" /></>,
|
||||
translator: <><circle cx="12" cy="8" r="3.2" /><path d="M5.5 20c.8-3.8 3-5.8 6.5-5.8s5.7 2 6.5 5.8" /><path d="M18.5 7.5h2.2M19.6 6.4v2.2" /></>,
|
||||
roadmap: <><path d="M4 18V6l5-2 6 2 5-2v12l-5 2-6-2-5 2z" /><path d="M9 4v12M15 6v12" /><circle cx="12" cy="11" r="1.8" /></>,
|
||||
coupon: <><path d="M4 8a2 2 0 0 1 2-2h12a2 2 0 0 1 2 2v2.2a2.2 2.2 0 0 0 0 3.6V16a2 2 0 0 1-2 2H6a2 2 0 0 1-2-2v-2.2a2.2 2.2 0 0 0 0-3.6V8z" /><path d="M9 9h6M9 15h6M12 6v12" /></>,
|
||||
compute: <><rect x="5" y="5" width="14" height="14" rx="2" /><path d="M9 2v3M15 2v3M9 19v3M15 19v3M2 9h3M2 15h3M19 9h3M19 15h3" /><path d="M10 14l2-4 2 4" /></>,
|
||||
data: <><ellipse cx="12" cy="6" rx="6" ry="2.5" /><path d="M6 6v6c0 1.4 2.7 2.5 6 2.5s6-1.1 6-2.5V6" /><path d="M6 12v6c0 1.4 2.7 2.5 6 2.5s6-1.1 6-2.5v-6" /></>,
|
||||
tool: <><path d="M14.5 5.5a4 4 0 0 0 4 4L9 19l-4-4 9.5-9.5z" /><path d="M6 16l2 2" /></>,
|
||||
app: <><path d="M12 3l3 6 6 1-4.5 4.2 1 6-5.5-3-5.5 3 1-6L3 10l6-1 3-6z" /></>,
|
||||
edge: <><rect x="5" y="5" width="14" height="14" rx="2" /><circle cx="12" cy="12" r="3" /><path d="M12 2v3M12 19v3M2 12h3M19 12h3" /></>,
|
||||
policy: <><path d="M7 3h8l4 4v14H7z" /><path d="M15 3v5h4M10 12h6M10 16h6" /></>,
|
||||
analytics: <><path d="M4 19h16" /><path d="M7 16v-5M12 16V7M17 16v-8" /><path d="M6 8l4-3 4 2 4-4" /></>,
|
||||
target: <><circle cx="12" cy="12" r="8" /><circle cx="12" cy="12" r="4" /><path d="M12 2v4M12 18v4M2 12h4M18 12h4" /></>,
|
||||
lab: <><path d="M9 3h6M10 3v5l-5 9a3 3 0 0 0 2.6 4.5h8.8A3 3 0 0 0 19 17l-5-9V3" /><path d="M8 16h8" /></>,
|
||||
deploy: <><path d="M12 3v12" /><path d="M7 8l5-5 5 5" /><path d="M5 15v4h14v-4" /></>,
|
||||
location: <><path d="M12 21s6-5.1 6-11a6 6 0 0 0-12 0c0 5.9 6 11 6 11z" /><circle cx="12" cy="10" r="2" /></>,
|
||||
factory: <><path d="M4 20V9l5 3V9l5 3V6h6v14z" /><path d="M8 16h2M13 16h2M17 16h2" /></>,
|
||||
enterprise: <><rect x="5" y="4" width="14" height="17" rx="1.5" /><path d="M9 8h1M14 8h1M9 12h1M14 12h1M9 16h1M14 16h1" /></>,
|
||||
pin: <><path d="M12 3l5 5-3 1.5V14l-2 2-2-2V9.5L7 8l5-5z" /><path d="M12 16v5" /></>,
|
||||
bot: <><rect x="5" y="8" width="14" height="10" rx="3" /><path d="M12 5v3M9 13h.01M15 13h.01M9 17h6" /><circle cx="12" cy="4" r="1" /></>,
|
||||
user: <><circle cx="12" cy="8" r="3.2" /><path d="M5.5 20c.8-3.7 3-5.5 6.5-5.5s5.7 1.8 6.5 5.5" /></>,
|
||||
check: <><path d="M5 12l4 4 10-10" /></>,
|
||||
close: <><path d="M6 6l12 12M18 6L6 18" /></>,
|
||||
star: <><path d="M12 3l2.8 5.7 6.2.9-4.5 4.4 1.1 6.2L12 17.2l-5.6 3 1.1-6.2L3 9.6l6.2-.9L12 3z" /></>,
|
||||
calendar: <><rect x="5" y="5" width="14" height="15" rx="2" /><path d="M8 3v4M16 3v4M5 10h14" /></>,
|
||||
alert: <><path d="M12 4l9 16H3l9-16z" /><path d="M12 9v5M12 17h.01" /></>,
|
||||
idea: <><path d="M9 18h6M10 21h4" /><path d="M8 12a4 4 0 1 1 8 0c0 2-1.2 3-2.2 4h-3.6C9.2 15 8 14 8 12z" /></>,
|
||||
scenario: <><circle cx="12" cy="12" r="3" /><path d="M12 2v3M12 19v3M4.9 4.9L7 7M17 17l2.1 2.1M2 12h3M19 12h3M4.9 19.1L7 17M17 7l2.1-2.1" /></>,
|
||||
empty: <><circle cx="12" cy="12" r="7" /><path d="M12 5v14M5 12h14" /><path d="M7.5 7.5l9 9M16.5 7.5l-9 9" opacity="0.55" /></>,
|
||||
expand: <><path d="M8 5h-3v3M16 5h3v3M5 16v3h3M19 16v3h-3" /><path d="M5 5l5 5M19 5l-5 5M5 19l5-5M19 19l-5-5" /></>,
|
||||
collapse: <><path d="M10 5v5H5M14 5v5h5M10 19v-5H5M14 19v-5h5" /></>,
|
||||
};
|
||||
|
||||
return (
|
||||
<svg width={size} height={size} viewBox="0 0 24 24" style={{ display: 'inline-block', verticalAlign: 'middle', ...style }} {...common}>
|
||||
{glyphs[name]}
|
||||
</svg>
|
||||
);
|
||||
}
|
||||
@@ -0,0 +1,52 @@
|
||||
import { Sun, Moon } from 'lucide-react';
|
||||
import { useTheme } from '@/shared/context/ThemeContext';
|
||||
|
||||
export default function ThemeToggle({ style }: { style?: React.CSSProperties }) {
|
||||
const { theme, toggleTheme } = useTheme();
|
||||
|
||||
const isDark = theme === 'dark';
|
||||
|
||||
const baseStyle: React.CSSProperties = {
|
||||
display: 'flex',
|
||||
alignItems: 'center',
|
||||
justifyContent: 'center',
|
||||
width: 36,
|
||||
height: 36,
|
||||
borderRadius: 10,
|
||||
cursor: 'pointer',
|
||||
border: isDark ? '1px solid rgba(0,212,255,0.25)' : '1px solid rgba(30,58,110,0.14)',
|
||||
backgroundColor: isDark ? 'rgba(0,212,255,0.06)' : 'rgba(26,86,219,0.06)',
|
||||
color: isDark ? '#00d4ff' : '#1a56db',
|
||||
transition: 'all 0.22s ease',
|
||||
boxShadow: isDark ? '0 0 12px rgba(0,212,255,0.15)' : '0 1px 4px rgba(26,86,219,0.08)',
|
||||
...style,
|
||||
};
|
||||
|
||||
return (
|
||||
<button
|
||||
onClick={toggleTheme}
|
||||
style={baseStyle}
|
||||
title={isDark ? '切换到浅色主题' : '切换到深色主题'}
|
||||
onMouseEnter={(e) => {
|
||||
if (isDark) {
|
||||
e.currentTarget.style.boxShadow = '0 0 20px rgba(0,212,255,0.4)';
|
||||
e.currentTarget.style.backgroundColor = 'rgba(0,212,255,0.12)';
|
||||
} else {
|
||||
e.currentTarget.style.boxShadow = '0 2px 8px rgba(26,86,219,0.15)';
|
||||
e.currentTarget.style.backgroundColor = 'rgba(26,86,219,0.12)';
|
||||
}
|
||||
}}
|
||||
onMouseLeave={(e) => {
|
||||
if (isDark) {
|
||||
e.currentTarget.style.boxShadow = '0 0 12px rgba(0,212,255,0.15)';
|
||||
e.currentTarget.style.backgroundColor = 'rgba(0,212,255,0.06)';
|
||||
} else {
|
||||
e.currentTarget.style.boxShadow = '0 1px 4px rgba(26,86,219,0.08)';
|
||||
e.currentTarget.style.backgroundColor = 'rgba(26,86,219,0.06)';
|
||||
}
|
||||
}}
|
||||
>
|
||||
{isDark ? <Sun size={18} /> : <Moon size={18} />}
|
||||
</button>
|
||||
);
|
||||
}
|
||||
@@ -0,0 +1,234 @@
|
||||
import { createContext, useContext, useState, useEffect } from 'react';
|
||||
|
||||
export type Theme = 'dark' | 'light';
|
||||
|
||||
// ── Token 定义 ─────────────────────────────────────────────────────────────
|
||||
export interface ThemeTokens {
|
||||
// 背景
|
||||
bodyBg: string;
|
||||
panelBg: string;
|
||||
panelBgAlt: string;
|
||||
centerBg: string;
|
||||
// 边框
|
||||
border: string;
|
||||
borderSub: string;
|
||||
borderAccent: string;
|
||||
// 文字
|
||||
text: string;
|
||||
textSub: string;
|
||||
textMuted: string;
|
||||
textInverse: string;
|
||||
// 强调色
|
||||
accent: string;
|
||||
accentGlow: string;
|
||||
accentBg: string;
|
||||
// 功能色
|
||||
success: string;
|
||||
successBg: string;
|
||||
warning: string;
|
||||
warningBg: string;
|
||||
danger: string;
|
||||
dangerBg: string;
|
||||
// 特殊组件
|
||||
headerScanLine: string;
|
||||
kpiCardBg: string;
|
||||
kpiCardBorder: string;
|
||||
tableHeaderBg: string;
|
||||
tableRowHover: string;
|
||||
tableRowAlt: string;
|
||||
scrollThumb: string;
|
||||
// SVG面板渐变色
|
||||
svgPanelFrom: string;
|
||||
svgPanelTo: string;
|
||||
svgStroke: string;
|
||||
svgDot: string;
|
||||
// 底部弧形
|
||||
bottomArcFill: string;
|
||||
bottomBg: string;
|
||||
// 标题装饰
|
||||
titleBarColor: string;
|
||||
titleGlow: string;
|
||||
}
|
||||
|
||||
export const darkTokens: ThemeTokens = {
|
||||
bodyBg: '#000a1e',
|
||||
panelBg: 'rgba(0,20,50,0.35)',
|
||||
panelBgAlt: 'rgba(0,20,60,0.2)',
|
||||
centerBg: 'rgba(0,15,45,0.55)',
|
||||
border: 'rgba(0,212,255,0.12)',
|
||||
borderSub: 'rgba(0,212,255,0.08)',
|
||||
borderAccent: 'rgba(0,212,255,0.28)',
|
||||
text: '#e8f4ff',
|
||||
textSub: '#a8d8ff',
|
||||
textMuted: 'rgba(255,255,255,0.5)',
|
||||
textInverse: '#e8f4ff',
|
||||
accent: '#00d4ff',
|
||||
accentGlow: 'rgba(0,212,255,0.7)',
|
||||
accentBg: 'rgba(0,212,255,0.06)',
|
||||
success: '#00e599',
|
||||
successBg: 'rgba(0,229,153,0.08)',
|
||||
warning: '#ffb340',
|
||||
warningBg: 'rgba(255,179,64,0.12)',
|
||||
danger: '#ff6b6b',
|
||||
dangerBg: 'rgba(255,107,107,0.08)',
|
||||
headerScanLine: 'linear-gradient(90deg, transparent 0%, rgba(0,212,255,0.3) 20%, rgba(0,212,255,0.9) 50%, rgba(0,212,255,0.3) 80%, transparent 100%)',
|
||||
kpiCardBg: 'rgba(0,212,255,0.05)',
|
||||
kpiCardBorder: 'rgba(0,212,255,0.1)',
|
||||
tableHeaderBg: 'rgba(0,40,100,0.7)',
|
||||
tableRowHover: 'rgba(0,50,100,0.2)',
|
||||
tableRowAlt: 'rgba(0,20,60,0.2)',
|
||||
scrollThumb: 'rgba(0,212,255,0.25)',
|
||||
svgPanelFrom: 'rgba(4,28,75,0.42)',
|
||||
svgPanelTo: 'rgba(2,14,48,0.32)',
|
||||
svgStroke: 'rgba(0,212,255,0.45)',
|
||||
svgDot: 'rgba(0,212,255,0.9)',
|
||||
bottomArcFill: 'rgba(0,15,50,0.42)',
|
||||
bottomBg: 'linear-gradient(to bottom, rgba(0,15,50,0.42), rgba(0,8,28,0.52))',
|
||||
titleBarColor: '#a8d8ff',
|
||||
titleGlow: '0 0 24px rgba(0,212,255,0.7), 0 0 48px rgba(0,212,255,0.3)',
|
||||
};
|
||||
|
||||
export const lightTokens: ThemeTokens = {
|
||||
bodyBg: '#eef1f7',
|
||||
panelBg: 'rgba(255,255,255,0.97)',
|
||||
panelBgAlt: 'rgba(248,250,255,0.98)',
|
||||
centerBg: 'linear-gradient(160deg, rgba(255,255,255,0.78) 0%, rgba(240,246,255,0.72) 50%, rgba(232,241,255,0.75) 100%)',
|
||||
border: 'rgba(30,58,110,0.14)',
|
||||
borderSub: 'rgba(30,58,110,0.08)',
|
||||
borderAccent: 'rgba(26,86,219,0.28)',
|
||||
text: '#111827',
|
||||
textSub: '#1e3a6e',
|
||||
textMuted: '#6b7280',
|
||||
textInverse: '#ffffff',
|
||||
accent: '#1a56db',
|
||||
accentGlow: 'rgba(26,86,219,0.35)',
|
||||
accentBg: 'rgba(26,86,219,0.06)',
|
||||
success: '#047857',
|
||||
successBg: 'rgba(4,120,87,0.07)',
|
||||
warning: '#b45309',
|
||||
warningBg: 'rgba(180,83,9,0.07)',
|
||||
danger: '#b91c1c',
|
||||
dangerBg: 'rgba(185,28,28,0.06)',
|
||||
headerScanLine: 'linear-gradient(90deg, transparent 0%, rgba(26,86,219,0.15) 20%, rgba(26,86,219,0.5) 50%, rgba(26,86,219,0.15) 80%, transparent 100%)',
|
||||
kpiCardBg: 'rgba(26,86,219,0.04)',
|
||||
kpiCardBorder: 'rgba(26,86,219,0.12)',
|
||||
tableHeaderBg: 'rgba(226,232,248,0.9)',
|
||||
tableRowHover: 'rgba(210,222,255,0.4)',
|
||||
tableRowAlt: 'rgba(241,245,255,0.75)',
|
||||
scrollThumb: 'rgba(26,86,219,0.2)',
|
||||
svgPanelFrom: 'rgba(238,243,255,0.97)',
|
||||
svgPanelTo: 'rgba(225,235,255,0.95)',
|
||||
svgStroke: 'rgba(26,86,219,0.35)',
|
||||
svgDot: 'rgba(26,86,219,0.75)',
|
||||
bottomArcFill: 'rgba(238,243,255,0.97)',
|
||||
bottomBg: 'linear-gradient(to bottom, rgba(238,243,255,0.97), rgba(225,235,252,0.99))',
|
||||
titleBarColor: '#111827',
|
||||
titleGlow: 'none',
|
||||
};
|
||||
|
||||
// ── Light theme CSS variables (shadcn/ui HSL) ──────────────────────────────
|
||||
const lightCssVars: Record<string, string> = {
|
||||
'--background': '240 6% 97%',
|
||||
'--foreground': '240 10% 10%',
|
||||
'--card': '0 0% 100%',
|
||||
'--card-foreground': '240 10% 10%',
|
||||
'--popover': '0 0% 100%',
|
||||
'--popover-foreground': '240 10% 10%',
|
||||
'--primary': '211 100% 50%',
|
||||
'--primary-foreground': '0 0% 100%',
|
||||
'--secondary': '240 5% 93%',
|
||||
'--secondary-foreground': '240 10% 25%',
|
||||
'--muted': '240 5% 95%',
|
||||
'--muted-foreground': '240 5% 52%',
|
||||
'--accent': '211 100% 50%',
|
||||
'--accent-foreground': '0 0% 100%',
|
||||
'--border': '240 5% 88%',
|
||||
'--input': '240 5% 93%',
|
||||
'--ring': '211 100% 50%',
|
||||
};
|
||||
|
||||
// ── Dark theme CSS variables (shadcn/ui HSL) ──────────────────────────────
|
||||
const darkCssVars: Record<string, string> = {
|
||||
'--background': '222 47% 5%',
|
||||
'--foreground': '210 40% 98%',
|
||||
'--card': '222 47% 8%',
|
||||
'--card-foreground': '210 40% 98%',
|
||||
'--popover': '222 47% 8%',
|
||||
'--popover-foreground': '210 40% 98%',
|
||||
'--primary': '210 40% 98%',
|
||||
'--primary-foreground': '222 47% 5%',
|
||||
'--secondary': '217 33% 17%',
|
||||
'--secondary-foreground': '210 40% 98%',
|
||||
'--muted': '217 33% 17%',
|
||||
'--muted-foreground': '215 20% 65%',
|
||||
'--accent': '217 33% 17%',
|
||||
'--accent-foreground': '210 40% 98%',
|
||||
'--border': '217 33% 17%',
|
||||
'--input': '217 33% 17%',
|
||||
'--ring': '212 68% 58%',
|
||||
};
|
||||
|
||||
// ── Context ────────────────────────────────────────────────────────────────
|
||||
interface ThemeContextValue {
|
||||
theme: Theme;
|
||||
tokens: ThemeTokens;
|
||||
toggleTheme: () => void;
|
||||
setTheme: (theme: Theme) => void;
|
||||
}
|
||||
|
||||
const ThemeContext = createContext<ThemeContextValue>({
|
||||
theme: 'dark',
|
||||
tokens: darkTokens,
|
||||
toggleTheme: () => {},
|
||||
setTheme: () => {},
|
||||
});
|
||||
|
||||
const STORAGE_KEY = 'eios-theme';
|
||||
|
||||
export function ThemeProvider({ children }: { children: React.ReactNode }) {
|
||||
const [theme, setThemeState] = useState<Theme>(() => {
|
||||
try {
|
||||
const stored = localStorage.getItem(STORAGE_KEY);
|
||||
if (stored === 'light' || stored === 'dark') return stored;
|
||||
} catch {}
|
||||
return 'dark';
|
||||
});
|
||||
|
||||
const tokens = theme === 'dark' ? darkTokens : lightTokens;
|
||||
|
||||
const setTheme = (t: Theme) => {
|
||||
setThemeState(t);
|
||||
try { localStorage.setItem(STORAGE_KEY, t); } catch {}
|
||||
};
|
||||
|
||||
const toggleTheme = () => setTheme(theme === 'dark' ? 'light' : 'dark');
|
||||
|
||||
// Sync body background and CSS variables
|
||||
useEffect(() => {
|
||||
document.body.style.backgroundColor = tokens.bodyBg;
|
||||
document.body.style.color = theme === 'dark' ? '#a8d8ff' : '#1e3a6e';
|
||||
|
||||
const cssVars = theme === 'dark' ? darkCssVars : lightCssVars;
|
||||
const root = document.documentElement;
|
||||
Object.entries(cssVars).forEach(([key, value]) => {
|
||||
root.style.setProperty(key, value);
|
||||
});
|
||||
|
||||
// Toggle dark class for Tailwind darkMode
|
||||
if (theme === 'dark') {
|
||||
root.classList.add('dark');
|
||||
} else {
|
||||
root.classList.remove('dark');
|
||||
}
|
||||
}, [theme, tokens]);
|
||||
|
||||
return (
|
||||
<ThemeContext.Provider value={{ theme, tokens, toggleTheme, setTheme }}>
|
||||
{children}
|
||||
</ThemeContext.Provider>
|
||||
);
|
||||
}
|
||||
|
||||
export function useTheme() {
|
||||
return useContext(ThemeContext);
|
||||
}
|
||||
@@ -0,0 +1,114 @@
|
||||
// 优惠券数据
|
||||
export type CouponType = 'compute' | 'data' | 'consulting' | 'tool' | 'app';
|
||||
|
||||
export interface Coupon {
|
||||
id: string;
|
||||
type: CouponType;
|
||||
title: string;
|
||||
provider: string;
|
||||
value: string;
|
||||
condition: string;
|
||||
expiry: string;
|
||||
remaining: number;
|
||||
color: string;
|
||||
icon: string;
|
||||
desc: string;
|
||||
tags: string[];
|
||||
claimed?: boolean;
|
||||
}
|
||||
|
||||
export const COUPONS: Coupon[] = [
|
||||
{
|
||||
id: 'C001',
|
||||
type: 'compute',
|
||||
title: '算力代金券',
|
||||
provider: '温州市人工智能局 · 算力生态伙伴',
|
||||
value: '¥5000',
|
||||
condition: '温州AI成熟度L1-L3制造企业专享',
|
||||
expiry: '2026-12-31',
|
||||
remaining: 87,
|
||||
color: '#00d4ff',
|
||||
icon: 'compute',
|
||||
desc: '用于AI模型训练和推理的云计算资源，适用于工业视觉、预测维护等AI应用开发',
|
||||
tags: ['模型训练', '推理部署', '弹性算力'],
|
||||
},
|
||||
{
|
||||
id: 'C002',
|
||||
type: 'data',
|
||||
title: '语料数据券',
|
||||
provider: '温州市人工智能局 · 数据服务伙伴',
|
||||
value: '¥3000',
|
||||
condition: '制造业数据标注服务',
|
||||
expiry: '2026-09-30',
|
||||
remaining: 45,
|
||||
color: '#7b61ff',
|
||||
icon: 'data',
|
||||
desc: '用于工业图像标注、设备数据清洗整理、工艺参数结构化等数据服务',
|
||||
tags: ['图像标注', '数据清洗', '特征工程'],
|
||||
},
|
||||
{
|
||||
id: 'C003',
|
||||
type: 'consulting',
|
||||
title: 'AI翻译官咨询券',
|
||||
provider: '温州市人工智能局',
|
||||
value: '8课时',
|
||||
condition: '首次对接免费诊断',
|
||||
expiry: '2026-12-31',
|
||||
remaining: 120,
|
||||
color: '#ff8c42',
|
||||
icon: 'translator',
|
||||
desc: '由认证AI翻译官提供1对1需求解析服务，包含温州企业AI成熟度评估报告和初步方案建议',
|
||||
tags: ['需求解析', '成熟度评估', '方案建议'],
|
||||
claimed: false,
|
||||
},
|
||||
{
|
||||
id: 'C004',
|
||||
type: 'tool',
|
||||
title: 'AI工具试用券',
|
||||
provider: '温州市人工智能局 · 大模型工具伙伴',
|
||||
value: '3个月',
|
||||
condition: '大模型API免费调用',
|
||||
expiry: '2026-08-31',
|
||||
remaining: 200,
|
||||
color: '#00e599',
|
||||
icon: 'tool',
|
||||
desc: '免费试用工业大模型API，适用于工艺知识问答、设备故障诊断、生产报告生成等场景',
|
||||
tags: ['大模型API', '工业知识库', '智能问答'],
|
||||
},
|
||||
{
|
||||
id: 'C005',
|
||||
type: 'app',
|
||||
title: 'AI应用部署券',
|
||||
provider: '温州市AI+制造专项',
|
||||
value: '¥10000',
|
||||
condition: '完成AI落地规划认定',
|
||||
expiry: '2026-12-31',
|
||||
remaining: 30,
|
||||
color: '#ff6b9d',
|
||||
icon: 'app',
|
||||
desc: '专项支持温州市制造企业AI应用系统部署实施费用，需通过AI落地规划评审，适用于重点AI+制造场景',
|
||||
tags: ['落地补贴', '专项资金', '实施补贴'],
|
||||
},
|
||||
{
|
||||
id: 'C006',
|
||||
type: 'compute',
|
||||
title: '边缘计算资源券',
|
||||
provider: '温州市人工智能局 · 边缘计算伙伴',
|
||||
value: '¥8000',
|
||||
condition: '工厂边缘AI部署项目',
|
||||
expiry: '2026-10-31',
|
||||
remaining: 52,
|
||||
color: '#4fc3f7',
|
||||
icon: 'edge',
|
||||
desc: '用于工厂现场边缘计算节点部署，支持工业视觉、实时质检等需要低延迟的AI应用',
|
||||
tags: ['边缘计算', '实时推理', '低延迟'],
|
||||
},
|
||||
];
|
||||
|
||||
export const couponTypeConfig: Record<CouponType, { label: string; color: string; bg: string }> = {
|
||||
compute: { label: '算力券', color: '#00d4ff', bg: 'rgba(0,212,255,0.1)' },
|
||||
data: { label: '语料券', color: '#7b61ff', bg: 'rgba(123,97,255,0.1)' },
|
||||
consulting: { label: '咨询券', color: '#ff8c42', bg: 'rgba(255,140,66,0.1)' },
|
||||
tool: { label: '工具券', color: '#00e599', bg: 'rgba(0,229,153,0.1)' },
|
||||
app: { label: '应用券', color: '#ff6b9d', bg: 'rgba(255,107,157,0.1)' },
|
||||
};
|
||||
@@ -0,0 +1,309 @@
|
||||
// 温州市人工智能赋能新型工业化需求数据
|
||||
export type MaturityLevel = 'L1' | 'L2' | 'L3' | 'L4' | 'L5';
|
||||
export type DemandStatus = 'new' | 'matching' | 'matched' | 'pilot' | 'deployed';
|
||||
export type Industry =
|
||||
| '智能电气'
|
||||
| '鞋业服装'
|
||||
| '汽车零部件'
|
||||
| '工业泵阀'
|
||||
| '智能装备'
|
||||
| '新能源'
|
||||
| '新材料'
|
||||
| '智能物联'
|
||||
| '眼镜'
|
||||
| '食品农产品'
|
||||
| '低空经济';
|
||||
|
||||
export interface AIDemand {
|
||||
id: string;
|
||||
company: string;
|
||||
industry: Industry;
|
||||
region: string;
|
||||
size: '小微' | '中型' | '大型' | '超大';
|
||||
maturityLevel: MaturityLevel;
|
||||
maturityScore: number;
|
||||
status: DemandStatus;
|
||||
painPoint: string;
|
||||
scenario: string;
|
||||
department: string;
|
||||
dataReadiness: number;
|
||||
budget: string;
|
||||
timeline: string;
|
||||
tags: string[];
|
||||
urgency: 'high' | 'medium' | 'low';
|
||||
submittedAt: string;
|
||||
businessDesc?: string;
|
||||
technicalDesc?: string;
|
||||
suggestedSolution?: string;
|
||||
}
|
||||
|
||||
export const DEMANDS: AIDemand[] = [
|
||||
{
|
||||
id: 'WZ001', company: '瑞浦兰钧能源股份有限公司', industry: '新能源', region: '温州市·龙湾区', size: '超大', maturityLevel: 'L4', maturityScore: 72, status: 'matching',
|
||||
painPoint: '现场设备维护与售后问题诊断依赖人工经验，组织运营分析能力需要AI增强',
|
||||
scenario: '人工智能分析诊断', department: '设备运维 / 运营管理', dataReadiness: 78, budget: '300-800万', timeline: '6-12个月',
|
||||
tags: ['智能穿戴', '故障诊断', '运营分析', '新能源电池'], urgency: 'high', submittedAt: '2026-06-12',
|
||||
businessDesc: '企业是温州新能源电池龙头，储能锂离子电池国内外市场份额较高。现场设备维护、售后服务和运营诊断场景复杂，人员需要在现场快速判断故障原因、处置优先级与组织协同路径。',
|
||||
technicalDesc: '需求来自现场智能穿戴设备、数字化基座和运营数据的融合应用。重点是把设备状态、人员作业、售后记录、运营指标打通，让AI可以识别故障类型、生成诊断建议，并提供核心运营分析。',
|
||||
suggestedSolution: '按照温州新能源参考指引，建议建设“智能穿戴采集 + 设备故障AI诊断 + 经营分析智能体”。先做高频故障知识库和现场诊断助手，再扩展到全域组织运营分析看板。',
|
||||
},
|
||||
{
|
||||
id: 'WZ002', company: '浙江长江汽车电子有限公司', industry: '汽车零部件', region: '温州市·龙湾区', size: '超大', maturityLevel: 'L4', maturityScore: 76, status: 'pilot',
|
||||
painPoint: '作业指导书、预测维护和智能排产三类场景并行，需统一AI能力底座',
|
||||
scenario: 'AI作业指导书与智能排产', department: '工艺部 / 设备部 / 计划部', dataReadiness: 82, budget: '500-1000万', timeline: '9-18个月',
|
||||
tags: ['作业指导书', '预测维护', '智能排产', 'MES对接'], urgency: 'high', submittedAt: '2026-06-12',
|
||||
businessDesc: '企业每年作业指导书新版与变更量超过15000份，复杂工艺逻辑、多步骤联动和特殊环境操作要求多；同时设备预测维护、智能排产也需要与汽车电子工艺体系联动。',
|
||||
technicalDesc: '现有SAP、MES、设备台账、历史运维数据、BOM和工艺路线库可作为基础。关键挑战是多系统数据标准不一，AI生成内容必须可落地、无歧义，并支撑排产交期达成率和资源利用率提升。',
|
||||
suggestedSolution: '建议搭建“汽车电子工艺知识库 + 作业指导书生成智能体 + APS智能排产引擎 + 设备维护模型”。优先上线作业指导书智能生成与审核，再接入MES形成执行闭环。',
|
||||
},
|
||||
{
|
||||
id: 'WZ003', company: '金帝集团股份有限公司', industry: '鞋业服装', region: '温州市·龙湾区', size: '大型', maturityLevel: 'L3', maturityScore: 61, status: 'matching',
|
||||
painPoint: '鞋服裁片型体和缺陷识别对准确率、速度和MES回写要求极高',
|
||||
scenario: 'AI生产优化与视觉质检', department: '生产部 / 质量部', dataReadiness: 66, budget: '200-500万', timeline: '6-12个月',
|
||||
tags: ['鞋业裁片识别', 'AI质检', 'MES上传', '小单快反'], urgency: 'high', submittedAt: '2026-06-11',
|
||||
businessDesc: '企业作为温州鞋业龙头，需要实时识别常见裁片型体和部位，缺陷分类准确率目标超过99.9%，并自动生成工序汇报单上传MES，支撑鞋服小单快反生产。',
|
||||
technicalDesc: '场景符合温州鞋业服装参考指引中的AI质量检测与生产进度智能管控。需要建设高质量裁片图像样本库、缺陷标准库，并通过WebAPI打通MES。',
|
||||
suggestedSolution: '建议采用“边缘视觉检测工位 + 裁片/缺陷多任务模型 + MES接口服务”。先从Top 1000高频裁片和典型缺陷开始训练，逐步扩展到万级型体库。',
|
||||
},
|
||||
{
|
||||
id: 'WZ004', company: '浙江晨泰科技股份有限公司', industry: '智能电气', region: '温州市·龙湾区', size: '大型', maturityLevel: 'L3', maturityScore: 58, status: 'new',
|
||||
painPoint: '智能电表与充电桩生产排产约束复杂，异常后需要快速重排',
|
||||
scenario: 'AI计划排产', department: '计划部 / 生产部', dataReadiness: 63, budget: '200-500万', timeline: '6-9个月',
|
||||
tags: ['智能排产', 'what-if仿真', '多目标优化', '智能电气'], urgency: 'high', submittedAt: '2026-06-11',
|
||||
businessDesc: '企业要求系统支持交期、产能均衡、换线最小化等多目标优化，并处理设备能力、物料齐套、人员技能、模具限制等五类以上约束，异常发生后10分钟内生成新排产方案。',
|
||||
technicalDesc: '该需求高度契合温州智能电气共性场景“AI计划排产”。核心在于整合订单、BOM、设备、人员、模具与库存数据，建立可解释的约束规划和仿真能力。',
|
||||
suggestedSolution: '建议建设“智能电气APS + what-if仿真台 + 异常扰动重排引擎”。先做关键产线的约束建模，再扩展到多工厂协同排产。',
|
||||
},
|
||||
{
|
||||
id: 'WZ005', company: '温州瑞立科密汽车电子有限公司', industry: '汽车零部件', region: '温州市·龙湾区', size: '大型', maturityLevel: 'L3', maturityScore: 64, status: 'matching',
|
||||
painPoint: '铝合金压铸件与主动安全系统部件缺陷需要亚秒级视觉检测',
|
||||
scenario: 'AI质量控制', department: '质量部 / 制造工程部', dataReadiness: 70, budget: '200-500万', timeline: '3-6个月',
|
||||
tags: ['毛刺识别', '裂纹检测', '压铸缺陷', '边缘AI'], urgency: 'high', submittedAt: '2026-06-10',
|
||||
businessDesc: '企业需要准确识别毛刺、形变、裂纹、划痕等缺陷，综合检测准确率目标超过99.8%，图像采集、分析与出结果总时长小于1秒/件。',
|
||||
technicalDesc: '该需求对应汽车零部件AI智能检测场景。核心难点是微小缺陷样本不足、节拍约束强、现场光照与工件姿态波动大。',
|
||||
suggestedSolution: '建议采用“高帧率工业相机 + 边缘推理盒 + 小样本缺陷增强训练”。先建立缺陷样本闭环机制，再与MES/质量系统联动形成质量追溯。',
|
||||
},
|
||||
{
|
||||
id: 'WZ006', company: '维都利阀门有限公司', industry: '工业泵阀', region: '温州市·龙湾区', size: '中型', maturityLevel: 'L2', maturityScore: 49, status: 'new',
|
||||
painPoint: '特材阀门核心产品缺陷识别需要匹配产线节拍并保持高准确率',
|
||||
scenario: '泵阀AI质量检测', department: '质量部 / 生产部', dataReadiness: 52, budget: '100-300万', timeline: '6-9个月',
|
||||
tags: ['特材阀门', '视觉检测', '密封面缺陷', '质量追溯'], urgency: 'medium', submittedAt: '2026-06-10',
|
||||
businessDesc: '企业是温州特材合金阀门制造标杆，需求是实时识别至少5种核心产品缺陷，缺陷分类准确率超过99.5%，并满足产线节拍。',
|
||||
technicalDesc: '泵阀产品存在材质反光、结构复杂、缺陷形态多样等特点，适合参考工业泵阀指引中的AI质量检测和质量精准追溯。',
|
||||
suggestedSolution: '建议建设“泵阀缺陷视觉模型 + 多角度成像工位 + 质量追溯数据库”。优先覆盖密封面、外观裂纹、砂眼、装配完整性等关键检测项。',
|
||||
},
|
||||
{
|
||||
id: 'WZ007', company: '浙江乔顿服饰股份有限公司', industry: '鞋业服装', region: '温州市·龙湾区', size: '大型', maturityLevel: 'L3', maturityScore: 60, status: 'matched',
|
||||
painPoint: '服装设计企划、虚拟样衣和工艺资料生成效率不足，跨部门共识难',
|
||||
scenario: '产品研发全流程AI赋能', department: '设计部 / 工艺部 / 企划部', dataReadiness: 62, budget: '300-800万', timeline: '9-18个月',
|
||||
tags: ['AIGC设计', '虚拟样衣', '工艺资料生成', '服装研发'], urgency: 'medium', submittedAt: '2026-06-09',
|
||||
businessDesc: '项目聚焦服装产品研发全流程AI赋能，解决设计企划共识难、样衣评审打样成本高且周期长、工艺技术资料生成低效易错等问题。',
|
||||
technicalDesc: '需求对应鞋业服装指引中的产品AI设计、产品虚拟验证和质量智能分析。需要把趋势内容、版型、面料、工艺模板和历史款式数据结构化。',
|
||||
suggestedSolution: '建议建设“AIGC企划智能体 + 高保真虚拟样衣 + 工艺资料自动生成系统”。先从职业装和高端商务男装核心款式做模板沉淀。',
|
||||
},
|
||||
{
|
||||
id: 'WZ008', company: '温州市安通阀门有限公司', industry: '工业泵阀', region: '温州市·龙湾区', size: '中型', maturityLevel: 'L2', maturityScore: 46, status: 'new',
|
||||
painPoint: '阀门企业多系统数据割裂，管理者缺少自然语言数据问答能力',
|
||||
scenario: '企业级AI数据问答助手', department: '经营管理 / 信息化部', dataReadiness: 48, budget: '80-200万', timeline: '3-6个月',
|
||||
tags: ['ChatBI', '数据中台', 'Text2SQL', '经营决策'], urgency: 'medium', submittedAt: '2026-06-09',
|
||||
businessDesc: '企业希望建设数据中台和AI数据问答助手，深度融合ChatBI、Headless BI、Text2SQL、Agent记忆管理和自然语言API，为决策者实时提供关键数据清单和图表。',
|
||||
technicalDesc: '该场景对应泵阀行业“数智精益管理”和“智能经营决策”。关键工作是梳理ERP、MES、CRM、仓储等系统指标口径，建立语义层。',
|
||||
suggestedSolution: '建议先做“经营指标语义层 + 自然语言查询 + 图表生成”。围绕订单、库存、交付、质量、成本五类核心指标构建第一期。',
|
||||
},
|
||||
{
|
||||
id: 'WZ009', company: '浙江瑞强汽车部件有限公司', industry: '汽车零部件', region: '温州市·龙湾区', size: '中型', maturityLevel: 'L3', maturityScore: 55, status: 'matching',
|
||||
painPoint: '紧固件生产质量检测环节多，外侧裂、头宽、牙外径等异常需要AI识别',
|
||||
scenario: '视觉检测软件', department: '质量部 / 车间管理', dataReadiness: 58, budget: '100-300万', timeline: '6-9个月',
|
||||
tags: ['紧固件', '涡流硬度测试', '外观检测', '质量数据'], urgency: 'medium', submittedAt: '2026-06-08',
|
||||
businessDesc: '企业拥有完整紧固件生产工艺链，需要通过AI算法视觉检测控制产品质量，覆盖IBG涡流硬度测试、外侧裂、头宽、表面检查、牙外径等异常检测。',
|
||||
technicalDesc: '该场景属于汽车零部件AI智能检测和质量精准追溯。需要把视觉、涡流、尺寸测量和生产批次数据关联起来。',
|
||||
suggestedSolution: '建议建设“紧固件多模态检测平台”，包含教导、取相、上线检测、测试与侦错模块，并对接质量追溯数据库。',
|
||||
},
|
||||
{
|
||||
id: 'WZ010', company: '浙江戈美其鞋业有限公司', industry: '鞋业服装', region: '温州市·鹿城区', size: '大型', maturityLevel: 'L2', maturityScore: 44, status: 'new',
|
||||
painPoint: '全渠道客服、库存调拨和销售预测依赖人工，门店规模大导致协同压力高',
|
||||
scenario: '鞋业全渠道AI智能体', department: '客服中心 / 商品运营 / 供应链', dataReadiness: 50, budget: '150-400万', timeline: '6-12个月',
|
||||
tags: ['AI客服', '库存调拨', '销售预测', '门店运营'], urgency: 'medium', submittedAt: '2026-06-08',
|
||||
businessDesc: '企业拥有1000余家终端门店，希望构建全渠道智能客服、全局库存视图、最优调拨建议和销售预测模型，提升库存周转和客户服务能力。',
|
||||
technicalDesc: '场景对应鞋业服装指引中的智能经营决策、采购计划优化协同和产品精准营销。需要融合门店销售、库存、季节、活动、社交趋势和天气数据。',
|
||||
suggestedSolution: '建议分三步建设：先上线AI客服知识库，再做库存调拨推荐，最后训练销售预测与爆款趋势模型。',
|
||||
},
|
||||
{
|
||||
id: 'WZ011', company: '浙江炜冈科技股份有限公司', industry: '智能装备', region: '温州市·平阳县', size: '大型', maturityLevel: 'L3', maturityScore: 57, status: 'matched',
|
||||
painPoint: '售后、内部知识和零件图片资料分散，客户与员工查询效率低',
|
||||
scenario: 'AI企业知识库智能体', department: '售后服务 / 技术部 / 采购部', dataReadiness: 60, budget: '150-400万', timeline: '6-12个月',
|
||||
tags: ['售后知识库', '内部知识库', '图片识别', '标签印刷设备'], urgency: 'medium', submittedAt: '2026-06-07',
|
||||
businessDesc: '企业需要建设面向客户的售后知识库、面向内部员工的知识库，以及“产品零件图片-图号/料号”AI图像识别知识库，实现拍照自动识别零件编码。',
|
||||
technicalDesc: '该需求符合智能装备指引中的远程智能运维服务和产品AI设计知识沉淀。核心是文档结构化、零件图像库建设、RAG检索和多模态识别。',
|
||||
suggestedSolution: '建议建设“RAG知识库 + 零件图片识别模型 + 售后服务智能体”。先导入售后FAQ和技术文档，再扩展到拍照识别与工单推荐。',
|
||||
},
|
||||
{
|
||||
id: 'WZ012', company: '温州益坤电气股份有限公司', industry: '智能电气', region: '温州市·平阳县', size: '大型', maturityLevel: 'L3', maturityScore: 59, status: 'new',
|
||||
painPoint: '企业希望打造覆盖档案、员工服务、技术标准、质量预警和不良分析的数字员工体系',
|
||||
scenario: '企业数字员工智能体体系', department: '综合管理 / 技术部 / 质量部', dataReadiness: 61, budget: '200-500万', timeline: '9-18个月',
|
||||
tags: ['数字员工', '知识管理', '质量预警', '智能体搭建'], urgency: 'medium', submittedAt: '2026-06-07',
|
||||
businessDesc: '项目旨在通过知识管理、流程自动化、数据洞察与智能决策，搭建档案管理、员工自助问答、技术标准档案、质量数据预警、产品不良分析等智能体模块。',
|
||||
technicalDesc: '该场景对应智能电气指引中的智能经营决策、AI质量检测和知识管理能力。重点是把企业知识资产统一管理、结构沉淀，并培养内部智能体搭建人才。',
|
||||
suggestedSolution: '建议建立“企业智能体工作台”，以知识库和流程编排为底座，先落地员工问答和质量预警两个高频场景，再扩展多部门智能体。',
|
||||
},
|
||||
{
|
||||
id: 'WZ013', company: '超达阀门集团股份有限公司', industry: '工业泵阀', region: '温州市·永嘉县', size: '大型', maturityLevel: 'L3', maturityScore: 62, status: 'matching',
|
||||
painPoint: '标书解析、资质匹配、业绩提取和标书检查耗时长且易出错',
|
||||
scenario: '标书智能体', department: '销售部 / 商务部 / 法务部', dataReadiness: 65, budget: '150-350万', timeline: '3-6个月',
|
||||
tags: ['标书解析', '资质证书', '业绩匹配', '合同条款'], urgency: 'high', submittedAt: '2026-06-06',
|
||||
businessDesc: '企业需要AI智能体解析客户标书，归纳评分标准、资质证书、业绩和合同条款，自动给出初始评分、提取资质文件并打包，制作后进行系统性检查。',
|
||||
technicalDesc: '该场景结合泵阀产品精准营销和企业知识库能力。需要建设标书文档解析、企业资质知识库、历史业绩数据库和风险校验规则。',
|
||||
suggestedSolution: '建议建设“标书解析Agent + 企业资质/业绩RAG库 + 合规检查器”。先覆盖招标文件摘要、评分要点提取、资质匹配和易错项检查。',
|
||||
},
|
||||
{
|
||||
id: 'WZ014', company: '温州市金田塑业有限公司', industry: '新材料', region: '温州市·龙港市', size: '超大', maturityLevel: 'L3', maturityScore: 56, status: 'new',
|
||||
painPoint: 'BOPP薄膜生产数据实时分析、设备故障预测和调度优化能力不足',
|
||||
scenario: 'AI生产优化', department: '生产部 / 设备部 / 研发部', dataReadiness: 58, budget: '300-800万', timeline: '9-18个月',
|
||||
tags: ['生产数据采集', '故障预测', '调度优化', '薄膜材料'], urgency: 'medium', submittedAt: '2026-06-06',
|
||||
businessDesc: '企业希望实现生产数据实时采集、分析和预测，预测设备故障、自动优化调度，并探索未来模型在研发环节的应用。',
|
||||
technicalDesc: '该需求对应新材料指引中的工艺动态优化、设备故障AI诊断与预测、质量智能分析。BOPP产线连续化程度高，适合做时序数据建模。',
|
||||
suggestedSolution: '建议建设“薄膜产线数据湖 + 设备健康模型 + 工艺参数优化模型”。先围绕关键进口产线做数据采集和故障预警试点。',
|
||||
},
|
||||
{
|
||||
id: 'WZ015', company: '温州市康尔微晶器皿有限公司', industry: '新材料', region: '温州市·龙港市', size: '中型', maturityLevel: 'L2', maturityScore: 43, status: 'new',
|
||||
painPoint: '微晶玻璃订单与库存联动不足，生产计划主要依赖人工安排',
|
||||
scenario: '智排AI产销协同系统', department: '销售部 / 计划部 / 仓储部', dataReadiness: 45, budget: '80-200万', timeline: '6-9个月',
|
||||
tags: ['产销协同', '库存优化', 'AI计划排产', '微晶玻璃'], urgency: 'medium', submittedAt: '2026-06-05',
|
||||
businessDesc: '企业需要依据客户订单以及现有库存安排生产计划，降低缺货和积压，并提升生产组织响应速度。',
|
||||
technicalDesc: '该需求适配新材料和智能装备参考指引中的AI计划排产、仓储智能管理和智能经营决策。关键是建立订单、库存、产能、交期四类数据联动。',
|
||||
suggestedSolution: '建议先建设“订单-库存-产能”一体化看板，再上线智能排产和库存补货建议模型。',
|
||||
},
|
||||
{
|
||||
id: 'WZ016', company: '天信仪表集团有限公司', industry: '智能物联', region: '温州市·苍南县', size: '大型', maturityLevel: 'L3', maturityScore: 63, status: 'matched',
|
||||
painPoint: '仪表装配工序中贴膜、密封圈装配等质量问题需要实时校验与原因分析',
|
||||
scenario: 'AI视觉装配工序智能质检', department: '质量部 / 装配车间', dataReadiness: 68, budget: '200-500万', timeline: '6-12个月',
|
||||
tags: ['装配质检', '机器视觉', '不良原因分析', '智能仪表'], urgency: 'high', submittedAt: '2026-06-05',
|
||||
businessDesc: '企业希望结合机器视觉数据，为贴膜、密封圈装配提供实时校验指引，并分析历史良品率数据，定位不良原因，输出优化建议。',
|
||||
technicalDesc: '对应智能物联指引中的AI智能检测、质量精准追溯和工艺动态优化。关键是把视觉判定结果与装配工序、人员、设备、批次数据关联。',
|
||||
suggestedSolution: '建议建设“装配视觉校验 + 缺陷因果分析 + MES反馈闭环”。先从贴膜和密封圈两个工位做实时提醒，再扩展到全流程质检。',
|
||||
},
|
||||
{
|
||||
id: 'WZ017', company: '泰顺县维富玩具有限公司', industry: '智能装备', region: '温州市·泰顺县', size: '中型', maturityLevel: 'L2', maturityScore: 38, status: 'new',
|
||||
painPoint: '木质玩具海外市场拓展、客户背景调查和质量缺陷模拟缺少AI工具支持',
|
||||
scenario: '海外市场精准拓展与风险防控AI', department: '外贸部 / 研发部 / 质量部', dataReadiness: 36, budget: '50-150万', timeline: '6-12个月',
|
||||
tags: ['海外市场分析', '客户风控', '产品质量模拟', '木质玩具'], urgency: 'medium', submittedAt: '2026-06-04',
|
||||
businessDesc: '企业AI需求包括新产品质量控制与缺陷检测模拟、海外客户资质信用背景调查、国外木质玩具市场分析和前景分析模型。',
|
||||
technicalDesc: '场景融合产品AI设计、产品虚拟验证和产品精准营销。数据来源包括产品结构、历史质检、外贸客户、海外市场报告和电商平台信息。',
|
||||
suggestedSolution: '建议建设“外贸风控Agent + 海外市场洞察模型 + 产品缺陷模拟库”。先从客户背景调查和市场报告自动生成两个轻量场景切入。',
|
||||
},
|
||||
{
|
||||
id: 'WZ018', company: '浙江卢峰茶业有限公司', industry: '食品农产品', region: '温州市·泰顺县', size: '中型', maturityLevel: 'L2', maturityScore: 41, status: 'new',
|
||||
painPoint: '茶叶种植、加工、库存、营销和客服全链路缺少智能管控',
|
||||
scenario: '茶叶全产业链AI智能管控系统', department: '种植基地 / 生产部 / 电商部', dataReadiness: 40, budget: '100-300万', timeline: '9-18个月',
|
||||
tags: ['茶园监测', '智能分拣', '加工调控', '精准营销'], urgency: 'medium', submittedAt: '2026-06-04',
|
||||
businessDesc: '企业需要茶园智能监测预警、种植决策支持、鲜叶与干茶智能分拣分级、加工过程调控、库存预警、精准营销和AI客服。',
|
||||
technicalDesc: '该需求虽属于农业加工，但与温州制造AI质量检测、工艺动态优化、智能经营决策场景相通。需要融合物联传感、视觉识别、销售预测和客服知识库。',
|
||||
suggestedSolution: '建议采用“茶园IoT + 分拣视觉模型 + 加工参数优化 + 电商营销智能体”的分阶段建设路径。',
|
||||
},
|
||||
{
|
||||
id: 'WZ019', company: '浙江之翼通航有限公司', industry: '低空经济', region: '温州市·文成县', size: '中型', maturityLevel: 'L3', maturityScore: 54, status: 'new',
|
||||
painPoint: '低空飞行运营涉及飞行器、空域、气象、客流和场馆机器人物业多源数据融合',
|
||||
scenario: '低空安全运营AI数智管控系统', department: '运营中心 / 安全管理 / 文旅服务', dataReadiness: 55, budget: '300-800万', timeline: '9-18个月',
|
||||
tags: ['低空安全', 'AI导览', '机器人协同', '飞行数据融合'], urgency: 'high', submittedAt: '2026-06-03',
|
||||
businessDesc: '企业希望建设低空安全飞行数智服务中心，实时接入飞行器状态、空域环境、气象、客源、起降点、充电桩、交通接驳等数据，并探索AI导览、AI旅拍和机器人协同服务。',
|
||||
technicalDesc: '对应低空航天器指引中的远程智能运维服务、产品虚拟验证和供应链风险预警。核心挑战是多源实时数据融合和安全运营闭环。',
|
||||
suggestedSolution: '建议先建设“飞行运营数据中台 + 安全风险预警 + AI导览/旅拍轻应用”，再扩展到场馆机器人调度和低空运营智能中枢。',
|
||||
},
|
||||
{
|
||||
id: 'WZ020', company: '浙江德卡控制阀仪表有限公司', industry: '工业泵阀', region: '温州市·文成县', size: '中型', maturityLevel: 'L2', maturityScore: 47, status: 'new',
|
||||
painPoint: '控制阀选型、报价和产品推荐依赖销售工程师经验，响应速度慢',
|
||||
scenario: 'AI选型大模型', department: '销售部 / 技术支持 / ERP管理', dataReadiness: 49, budget: '100-300万', timeline: '6-12个月',
|
||||
tags: ['AI选型', 'ERP集成', '智能报价', '产品推荐'], urgency: 'medium', submittedAt: '2026-06-03',
|
||||
businessDesc: '企业希望在AI选型基础上集成ERP，自动产生价格给客户，并推荐符合要求的多种产品，拓宽销售市场。',
|
||||
technicalDesc: '该需求对应泵阀产品AI设计和产品精准营销。需要构建控制阀参数、工况、材料、历史报价、库存与成本规则知识库。',
|
||||
suggestedSolution: '建议建设“控制阀选型知识图谱 + 报价规则引擎 + 销售助手”。先覆盖高频工况选型，再接入ERP报价与客户管理。',
|
||||
},
|
||||
{
|
||||
id: 'WZ021', company: '正泰集团股份有限公司', industry: '智能电气', region: '温州市·乐清市', size: '超大', maturityLevel: 'L5', maturityScore: 88, status: 'pilot',
|
||||
painPoint: '客户服务、销售、供应链、研发设计、生产优化和具身智能多场景需要集团级AI体系',
|
||||
scenario: '工业全链路AI赋能与具身智能应用', department: '集团数字化 / 研发 / 供应链 / 客服', dataReadiness: 90, budget: '1000万以上', timeline: '12-24个月',
|
||||
tags: ['集团大模型', '多模态设计', '供应链助手', '具身智能'], urgency: 'high', submittedAt: '2026-06-02',
|
||||
businessDesc: '企业围绕客户服务、销售赋能、供应链管理、研发设计、生产优化、技术创新六大领域，构建全链路AI智能应用体系，并联合高校探索工业具身智能落地。',
|
||||
technicalDesc: '正泰已有集团大模型和深度学习技术基础，适配智能电气指引中的产品AI设计、AI质量检测、智能经营决策、能源智能管控等多类场景。',
|
||||
suggestedSolution: '建议采用“集团AI平台 + 场景智能体矩阵 + 数据治理与模型评测体系”。重点建设统一知识库、RAG能力、研发设计多模态模型和供应链/采购助手。',
|
||||
},
|
||||
{
|
||||
id: 'WZ022', company: '浙江人民电器公司', industry: '智能电气', region: '温州市·乐清市', size: '大型', maturityLevel: 'L3', maturityScore: 63, status: 'matching',
|
||||
painPoint: '视觉质检、营销选型智能体和客服数字人需要统一平台化落地',
|
||||
scenario: 'AI视觉质检+营销服务双智能体平台', department: '质量部 / 营销中心 / 客服中心', dataReadiness: 64, budget: '300-800万', timeline: '9-18个月',
|
||||
tags: ['视觉质检', '营销选型', '客服数字人', '低压电器'], urgency: 'high', submittedAt: '2026-06-02',
|
||||
businessDesc: '企业希望通过高清相机与AI视觉算法进行毫秒级外观缺陷检测，同时建设营销AI智能体和客服数字人，为一线人员提供产品知识和7x24小时咨询服务。',
|
||||
technicalDesc: '该需求覆盖智能电气指引中的AI质量检测、产品精准营销和远程智能服务。需要打通知识库、质检数据和客服系统。',
|
||||
suggestedSolution: '建议先建设“低压电器知识库 + 营销问答智能体”，并行开展关键工位视觉检测试点，最后将客服数字人与工单系统联动。',
|
||||
},
|
||||
{
|
||||
id: 'WZ023', company: '德力西电气有限公司', industry: '智能电气', region: '温州市·乐清市', size: '超大', maturityLevel: 'L4', maturityScore: 74, status: 'matched',
|
||||
painPoint: '附件错漏装和制程质量波动需要AI视觉与MES形成预警闭环',
|
||||
scenario: 'AI视觉赋能附件装配质检', department: '装配车间 / 质量部 / MES团队', dataReadiness: 78, budget: '300-800万', timeline: '6-12个月',
|
||||
tags: ['附件错漏装', 'MES联动', '制程质量', '低压电气'], urgency: 'high', submittedAt: '2026-06-01',
|
||||
businessDesc: '企业需要通过AI+视觉技术自动识别不同类型产品附件错漏装，并结合MES和AI视觉系统连通，形成预警闭环，确保制程质量稳定。',
|
||||
technicalDesc: '该需求是智能电气AI质量检测的典型场景。关键在于产品型号多、附件组合多，需要视觉模型和BOM/MES工单做一致性校验。',
|
||||
suggestedSolution: '建议建设“视觉检测工站 + BOM校验服务 + MES异常预警闭环”。先做高频产品附件识别，再扩展到装配行为合规检测。',
|
||||
},
|
||||
{
|
||||
id: 'WZ024', company: '合兴汽车电子股份有限公司', industry: '汽车零部件', region: '温州市·乐清市', size: '大型', maturityLevel: 'L4', maturityScore: 70, status: 'pilot',
|
||||
painPoint: '供应商交付延迟和物料质量异常风险需要AI提前识别并推荐备选方案',
|
||||
scenario: '供应链管控智能体', department: '供应链 / 采购 / 质量部', dataReadiness: 72, budget: '300-800万', timeline: '6-12个月',
|
||||
tags: ['供应链预警', '供应商评估', '备选方案', '汽车电子'], urgency: 'high', submittedAt: '2026-06-01',
|
||||
businessDesc: '企业需要实时联动供应商交付数据，由AI识别交付延迟、物料质量异常等风险，自动推送预警并匹配备选方案。',
|
||||
technicalDesc: '该需求对应汽车零部件采购计划优化协同和供应链风险预警。需要汇聚供应商交付、质检、库存、订单和物流数据。',
|
||||
suggestedSolution: '建议建设“供应商风险评分模型 + 交付预测模型 + 备选供应推荐Agent”。先覆盖关键物料和核心供应商。',
|
||||
},
|
||||
{
|
||||
id: 'WZ025', company: '红光电气集团有限公司', industry: '智能电气', region: '温州市·乐清市', size: '大型', maturityLevel: 'L3', maturityScore: 58, status: 'new',
|
||||
painPoint: '变压器设计、报价、排产和供应链协同仍依赖规则与人工经验',
|
||||
scenario: 'AI+变压器智能快速设计系统', department: '研发设计 / 报价 / 计划部', dataReadiness: 60, budget: '500-1000万', timeline: '12-24个月',
|
||||
tags: ['变压器大模型', '自动出图', '智能报价', '柔性制造'], urgency: 'medium', submittedAt: '2026-05-31',
|
||||
businessDesc: '企业拟基于机械设计本源规则开发变压器电气大模型引擎，研发智能快速设计系统，实现自动化出图、智能报价、成本核算、系统集成与数据共享。',
|
||||
technicalDesc: '该需求对应智能电气产品AI设计和AI计划排产。需要沉淀变压器行业大数据知识库、大模型演变库和设计规则库。',
|
||||
suggestedSolution: '建议先构建“变压器设计知识图谱 + 参数化设计引擎”，再逐步接入报价、计划排产、供应链和制造系统。',
|
||||
},
|
||||
{
|
||||
id: 'WZ026', company: '浙江红润光学有限公司', industry: '眼镜', region: '温州市·瓯海区', size: '中型', maturityLevel: 'L2', maturityScore: 45, status: 'new',
|
||||
painPoint: '镜片外观缺陷和尺寸检测依赖人工，工艺参数优化缺少数据模型',
|
||||
scenario: '镜片外观尺寸智能检测与工艺优化', department: '质量部 / 工艺部', dataReadiness: 50, budget: '100-300万', timeline: '6-12个月',
|
||||
tags: ['镜片检测', '尺寸测量', '工艺优化', '眼镜产业'], urgency: 'medium', submittedAt: '2026-05-31',
|
||||
businessDesc: '企业需要进行镜片外观缺陷识别与尺寸测量，并希望未来基于参数数据做工艺优化模型。',
|
||||
technicalDesc: '该需求对应眼镜产业指引中的AI质量检测和质量智能分析与改进。需要采集镜片图像、尺寸测量结果、工艺参数和批次数据。',
|
||||
suggestedSolution: '建议建设“镜片视觉检测 + 尺寸测量数据平台 + 工艺参数关联分析模型”。先从外观划痕、气泡、镀膜缺陷和尺寸偏差检测开始。',
|
||||
},
|
||||
{
|
||||
id: 'WZ027', company: '浙江一鸣食品股份有限公司', industry: '食品农产品', region: '温州市·平阳县', size: '超大', maturityLevel: 'L4', maturityScore: 73, status: 'matched',
|
||||
painPoint: '连锁门店营销、排班、配补货和供应链库存需要AI驱动的全链路运营',
|
||||
scenario: '零售全链路智能运营平台', department: '门店运营 / 供应链 / 会员营销', dataReadiness: 76, budget: '500-1000万', timeline: '9-18个月',
|
||||
tags: ['会员营销', '门店排班', '预测配补货', '库存优化'], urgency: 'high', submittedAt: '2026-05-30',
|
||||
businessDesc: '企业希望基于会员消费记录、行为数据和商品特性生成个性化营销方案；面向门店运营提供智能排班、商品组合优化、陈列建议和客流预测；并自动预测各门店需求。',
|
||||
technicalDesc: '该场景对应智能经营决策、供应链库存优化和产品精准营销。数据基础包括门店POS、会员、天气、节假日、促销活动和库存物流数据。',
|
||||
suggestedSolution: '建议建设“会员推荐模型 + 门店经营助手 + 预测补货引擎”。先从高频门店的需求预测和补货建议做试点。',
|
||||
},
|
||||
{
|
||||
id: 'WZ028', company: '浙江三星机电股份有限公司', industry: '智能装备', region: '温州市·平阳县', size: '大型', maturityLevel: 'L4', maturityScore: 71, status: 'pilot',
|
||||
painPoint: 'AI视觉检测需从单点扩展到全流程质检，并与MES/ERP形成数据闭环',
|
||||
scenario: 'AI视觉质检全流程智能闭环平台', department: '质量部 / 生产部 / 信息化部', dataReadiness: 75, budget: '500-1000万', timeline: '9-18个月',
|
||||
tags: ['多模态融合', '云边协同', '联邦学习', '数字孪生'], urgency: 'high', submittedAt: '2026-05-30',
|
||||
businessDesc: '企业希望强化小样本学习与多模态融合能力，升级传感与算力设备，将AI视觉检测从单点延伸到全流程质检，并打通MES、ERP形成检测-分析-优化闭环。',
|
||||
technicalDesc: '场景对应智能装备AI质量检测、质量智能分析与改进、设备故障AI诊断。云边协同和联邦学习可用于跨厂区模型迭代。',
|
||||
suggestedSolution: '建议建设“云边协同视觉平台 + 缺陷数据闭环 + 跨厂区模型训练”。先标准化缺陷数据，再推进72小时模型迭代机制。',
|
||||
},
|
||||
];
|
||||
|
||||
export const maturityConfig: Record<MaturityLevel, { label: string; color: string; desc: string; bg: string }> = {
|
||||
L1: { label: 'L1 初识', color: '#ff6b6b', bg: 'rgba(255,107,107,0.1)', desc: 'AI概念认知阶段，尚无数据积累' },
|
||||
L2: { label: 'L2 探索', color: '#ffb340', bg: 'rgba(255,179,64,0.1)', desc: '有初步数字化基础，正在评估AI可行性' },
|
||||
L3: { label: 'L3 试点', color: '#00d4ff', bg: 'rgba(0,212,255,0.1)', desc: '已有局部AI应用，寻求规模化落地' },
|
||||
L4: { label: 'L4 扩展', color: '#7b61ff', bg: 'rgba(123,97,255,0.1)', desc: '多场景AI部署，构建AI应用体系' },
|
||||
L5: { label: 'L5 领先', color: '#00e599', bg: 'rgba(0,229,153,0.1)', desc: '全面AI驱动，形成竞争差异化优势' },
|
||||
};
|
||||
|
||||
export const statusConfig: Record<DemandStatus, { label: string; color: string }> = {
|
||||
new: { label: '待对接', color: '#ffb340' },
|
||||
matching: { label: '对接中', color: '#00d4ff' },
|
||||
matched: { label: '已匹配', color: '#7b61ff' },
|
||||
pilot: { label: '试点中', color: '#00e599' },
|
||||
deployed: { label: '已落地', color: '#4fc3f7' },
|
||||
};
|
||||
@@ -0,0 +1,672 @@
|
||||
// Design Doing 方法论知识库
|
||||
// 由温州市"AI+制造"智创空间 · 鼎捷数智 提出
|
||||
// 延续 Design Thinking（设计思维）的理念，聚焦制造业 AI 落地的实践行动
|
||||
|
||||
export interface DesignDoingStep {
|
||||
id: number;
|
||||
key: string;
|
||||
title: string;
|
||||
category: string;
|
||||
categoryIndex: number; // 1-5
|
||||
designThinkingPhase: string; // 对应 Design Thinking 哪个阶段
|
||||
coreQuestion: string; // 核心问题
|
||||
whyItMatters: string; // 为什么重要
|
||||
howToAssess: string; // 如何评估
|
||||
commonPitfalls: string; // 常见误区
|
||||
wenzhouContext: string; // 温州制造业特有背景
|
||||
keywords: string[]; // 检索关键词
|
||||
outputTemplate: string; // 输出模板
|
||||
}
|
||||
|
||||
export interface DesignDoingCategory {
|
||||
index: number;
|
||||
name: string;
|
||||
designThinkingMapping: string;
|
||||
philosophy: string;
|
||||
steps: number[];
|
||||
}
|
||||
|
||||
// ─── 方法论总览 ──────────────────────────────────────────────────────────────
|
||||
|
||||
export const DESIGN_DOING_OVERVIEW = {
|
||||
name: 'Design Doing 方法论',
|
||||
subtitle: '制造业 AI 落地行动框架',
|
||||
origin: '温州市"AI+制造"智创空间 · 鼎捷数智未来企业事业群',
|
||||
version: 'v1.0（2026）',
|
||||
designThinkingRelation: `Design Doing 是 Design Thinking（设计思维）的延续与落地化版本。
|
||||
Design Thinking 强调"以人为中心"的创新思维——共情（Empathize）、定义（Define）、构思（Ideate）、原型（Prototype）、测试（Test）。
|
||||
Design Doing 在此基础上，将"思维框架"转化为"行动框架"：
|
||||
从"我们应该做什么"（What to do）走向"我们怎么真正做到"（How to actually do it）。
|
||||
尤其针对制造业 AI 落地场景，Design Doing 提供了更具操作性的10步评估与行动路径，
|
||||
让"AI赋能制造"从概念走向可量化、可验收、可复制的实践。`,
|
||||
corePhilosophy: `Design Doing 的核心理念：
|
||||
1. 行动先于完美：不等待完美的数据和系统，在现有基础上找到切入点
|
||||
2. 量化优于感觉：每一步都要有可量化的评估指标和验收KPI
|
||||
3. 场景驱动技术：从真实业务痛点出发，而非从技术功能出发
|
||||
4. 协作创造价值：制造企业 + AI翻译官 + 技术服务商 三位一体
|
||||
5. 试点复制推广：小步快跑，用成功的试点经验驱动规模化落地`,
|
||||
fiveCategories: ['自动化和数字化基础', '数据与知识积累', '团队与人才基础', 'AI应用现状', 'AI提升意愿'],
|
||||
tenSteps: [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
|
||||
};
|
||||
|
||||
// ─── 五大维度 ─────────────────────────────────────────────────────────────────
|
||||
|
||||
export const DESIGN_DOING_CATEGORIES: DesignDoingCategory[] = [
|
||||
{
|
||||
index: 1,
|
||||
name: '自动化和数字化基础',
|
||||
designThinkingMapping: '对应 Design Thinking 的"共情（Empathize）"阶段',
|
||||
philosophy: `在开展任何 AI 项目之前，必须深入理解企业当前的数字化现状——就像 Design Thinking 要求设计师深入共情用户一样。
|
||||
AI 的本质是数据驱动，没有数字化基础，AI 就是无源之水。
|
||||
这一维度要求我们诚实面对企业的真实起点：设备是否联网？数据是否可自动采集？核心业务系统是否已上线？
|
||||
只有真正理解现状，才能制定可行的 AI 行动路径。`,
|
||||
steps: [1, 3],
|
||||
},
|
||||
{
|
||||
index: 2,
|
||||
name: '数据与知识积累',
|
||||
designThinkingMapping: '对应 Design Thinking 的"定义（Define）"阶段',
|
||||
philosophy: `Design Thinking 的"定义"阶段要求明确真正的问题是什么。
|
||||
在制造业 AI 落地中，真正的问题往往不是"技术不够先进"，而是"数据不够干净、知识无法复用"。
|
||||
这一维度聚焦两类核心资产：一是结构化的生产/经营数据（可以训练模型），二是工艺知识（可以构建知识库）。
|
||||
数据与知识是 AI 能力的真正底层——没有它们，再好的算法也无处施展。`,
|
||||
steps: [2, 5],
|
||||
},
|
||||
{
|
||||
index: 3,
|
||||
name: '团队与人才基础',
|
||||
designThinkingMapping: '对应 Design Thinking 的"构思（Ideate）"阶段',
|
||||
philosophy: `Design Thinking 的"构思"阶段鼓励跨职能协作，汇聚不同视角产生创新方案。
|
||||
在制造业 AI 落地中，团队构成决定了能否将好的想法转化为现实。
|
||||
专职 IT/数字化团队是 AI 项目的执行保障；员工 AI 通识水平决定了接受程度和协作效率。
|
||||
Design Doing 特别强调：AI 项目不能只靠外部服务商，企业内部团队必须具备"接得住、管得好"的能力。`,
|
||||
steps: [4],
|
||||
},
|
||||
{
|
||||
index: 4,
|
||||
name: 'AI应用现状',
|
||||
designThinkingMapping: '对应 Design Thinking 的"原型（Prototype）"阶段',
|
||||
philosophy: `Design Thinking 的"原型"阶段强调快速构建可测试的解决方案。
|
||||
在制造业 AI 落地中，"已有的 AI 应用现状"就是企业已经构建的"原型"——无论成功还是失败，都是宝贵的学习素材。
|
||||
这一维度评估企业已引入哪些 AI 工具、已识别哪些场景、具备怎样的算力基础。
|
||||
它既是现状的快照，也是下一步行动的起点：在已有基础上迭代优化，而非推倒重来。`,
|
||||
steps: [6, 8, 10],
|
||||
},
|
||||
{
|
||||
index: 5,
|
||||
name: 'AI提升意愿',
|
||||
designThinkingMapping: '对应 Design Thinking 的"测试（Test）"阶段',
|
||||
philosophy: `Design Thinking 的"测试"阶段不仅是验证方案，更是验证用户真实意愿与接受度。
|
||||
在制造业 AI 落地中，"提升意愿"决定了 AI 项目能否真正落地——管理层有没有决心投入、员工有没有意愿改变、企业文化是否支持试错。
|
||||
Design Doing 认为：技术问题往往比组织问题更容易解决。
|
||||
一把手重视、预算保障、顾虑疏导，这三者共同决定了 AI 项目是否能持续推进到规模化落地。`,
|
||||
steps: [7, 9],
|
||||
},
|
||||
];
|
||||
|
||||
// ─── 十个步骤详解 ─────────────────────────────────────────────────────────────
|
||||
|
||||
export const DESIGN_DOING_STEPS: DesignDoingStep[] = [
|
||||
{
|
||||
id: 1,
|
||||
key: 'data_system',
|
||||
title: '数据采集系统评估',
|
||||
category: '自动化和数字化基础',
|
||||
categoryIndex: 1,
|
||||
designThinkingPhase: '共情（Empathize）— 了解企业真实的数字化现状',
|
||||
coreQuestion: '企业是否已部署MES/SCADA/IoT等数据采集系统？设备数字化率和联网率如何？',
|
||||
whyItMatters: `AI 的核心竞争力来自数据。没有自动化数据采集，AI 就只能依靠人工录入的低质量数据，
|
||||
这是制造业 AI 项目失败的首要原因之一。
|
||||
评估数据采集系统，是 Design Doing 第一步的核心——就像 Design Thinking 要求我们先"走进用户的世界"一样，
|
||||
我们必须先走进工厂车间，真实了解数据是如何产生和流动的。
|
||||
|
||||
关键指标：
|
||||
• 设备数字化率：多少台设备具备数据采集接口（PLC/传感器/网关）
|
||||
• 设备联网率：多少台设备已接入局域网或工业互联网平台
|
||||
• 数据采集方式：PLC自动采集 / 传感器实时采集 / 手工录入（质量最低）
|
||||
• 数据采集频率：是否满足 AI 建模所需的时序密度`,
|
||||
howToAssess: `评估框架（三档）：
|
||||
✅ 良好（≥70分）：核心设备联网率>70%，有自动采集系统，数据可实时查看
|
||||
⚠️ 待提升（40-70分）：部分设备联网，数据采集存在断点，依赖人工辅助
|
||||
❌ 需补基础（<40分）：设备基本未联网，数据主要靠纸质记录或Excel
|
||||
|
||||
对于温州制造企业，不同产业分化明显：
|
||||
• 智能电气（乐清）：大型企业数字化率较高，中小型配套企业偏低
|
||||
• 鞋业服装（瓯海/温州）：生产线自动化程度差异大，品牌企业好于代工企业
|
||||
• 工业泵阀（瓯北/永嘉）：传统行业，老设备居多，联网改造需求强烈`,
|
||||
commonPitfalls: `常见误区：
|
||||
1. "我们有ERP，数据问题不大" — ERP记录的是交易数据，不是生产过程数据
|
||||
2. "先上AI，数据问题以后再说" — 没有数据，AI模型根本无法训练
|
||||
3. "买一套采集系统就解决了" — 采集系统只是第一步，数据清洗和标注同样重要
|
||||
4. 高估了"手工录入"的数据质量 — 手工数据误差通常在10%-30%，无法支撑高精度AI模型`,
|
||||
wenzhouContext: `温州市特有背景：
|
||||
温州市人工智能局已推出"设备上云"专项补贴，支持制造企业开展设备联网和数据采集体系改造。
|
||||
建议企业先申请设备联网改造补贴，再在此基础上推进 AI 场景落地，可显著降低 AI 项目的数据基础投入。`,
|
||||
keywords: ['数据采集', 'MES', 'SCADA', 'IoT', '设备联网', '数字化率', 'PLC', '传感器', '数据采集系统'],
|
||||
outputTemplate: `步骤一评估结论：数据采集系统
|
||||
当前状态：{status}
|
||||
设备数字化率：{rate}%
|
||||
主要采集方式：{method}
|
||||
建议行动：{action}
|
||||
与 Design Thinking 的连接：真正理解企业数字化现状，是后续所有 AI 行动的起点。`,
|
||||
},
|
||||
{
|
||||
id: 2,
|
||||
key: 'data_quality',
|
||||
title: '核心数据积累评估',
|
||||
category: '数据与知识积累',
|
||||
categoryIndex: 2,
|
||||
designThinkingPhase: '定义（Define）— 明确数据资产的真实价值与缺口',
|
||||
coreQuestion: '核心生产/经营数据积累情况如何？是否有结构化存储？数据质量（完整性/一致性）如何？',
|
||||
whyItMatters: `数据是 AI 的"燃料"。但不是所有数据都可以直接"燃烧"——
|
||||
就像 Design Thinking 的"定义"阶段要求我们从海量信息中提炼出真正有价值的洞察，
|
||||
Data Doing 第二步要求我们评估：企业已有的数据，有多少可以真正用于 AI 训练？
|
||||
|
||||
AI 建模需要的数据质量要求：
|
||||
• 完整性：关键字段的缺失率 < 5%
|
||||
• 一致性：同一指标在不同系统中口径统一
|
||||
• 时序性：生产过程数据要有精确的时间戳
|
||||
• 标注性：质量检测结果等需要有明确的标签
|
||||
|
||||
核心生产数据类型：
|
||||
• 设备运行数据（温度、压力、振动、电流等）
|
||||
• 质量检测数据（合格/不合格、缺陷类型、检测时间）
|
||||
• 工艺参数数据（加工参数、配方参数、工序参数）
|
||||
• 订单与物料数据（需求预测、库存周转、供应链协同）`,
|
||||
howToAssess: `评估框架：
|
||||
✅ 良好：已建立数据一体化平台，历史数据积累>2年，数据完整性>90%
|
||||
⚠️ 待提升：有部分结构化数据，但各系统之间存在数据孤岛
|
||||
❌ 需提升：数据以纸质/Excel为主，无法直接用于AI建模
|
||||
|
||||
数据就绪度快速自评：
|
||||
1. 能否找到过去1年的生产合格率历史数据？（质量AI基础）
|
||||
2. 能否关联特定产品的工艺参数与质量结果？（工艺优化AI基础）
|
||||
3. 历史订单数据是否有SKU维度的时序积累？（需求预测AI基础）`,
|
||||
commonPitfalls: `常见误区：
|
||||
1. "数据很多，肯定够用" — 量多不等于质高，数据清洗往往占 AI 项目60%的工作量
|
||||
2. "ERP里的数据都有" — ERP数据颗粒度不够，无法支撑生产过程级别的AI分析
|
||||
3. 忽视数据标注的重要性 — 尤其是视觉质检类场景，缺陷标注是核心壁垒
|
||||
4. "以后补数据" — 历史数据缺失无法回溯，建议立即开始数据积累`,
|
||||
wenzhouContext: `温州本地数据资源：
|
||||
温州数据交易场所已推动部分行业级数据合规交易，制造企业可在数据合规框架下购买同行业脱敏数据集，
|
||||
用于冷启动 AI 模型（尤其适合中小企业数据量不足的场景）。
|
||||
鼎捷数智已为多家温州制造企业提供数据治理与数据资产化服务，可提供标准化数据清洗方案。`,
|
||||
keywords: ['数据积累', '数据质量', '数据资产', '数据治理', '结构化数据', '历史数据', '数据标注', '数据清洗'],
|
||||
outputTemplate: `步骤二评估结论：核心数据积累
|
||||
数据就绪度：{readiness}%
|
||||
主要数据类型：{types}
|
||||
关键缺口：{gaps}
|
||||
建议行动：{action}`,
|
||||
},
|
||||
{
|
||||
id: 3,
|
||||
key: 'it_system',
|
||||
title: '核心业务系统评估',
|
||||
category: '自动化和数字化基础',
|
||||
categoryIndex: 1,
|
||||
designThinkingPhase: '共情（Empathize）— 理解企业信息化架构的完整图景',
|
||||
coreQuestion: '是否已部署ERP/MES/WMS/PLM等核心业务系统？系统间是否实现数据互通？',
|
||||
whyItMatters: `核心业务系统是企业数字化的"骨架"。AI 不是孤立运行的，它必须与 ERP、MES、WMS 等系统集成，
|
||||
才能获取业务上下文数据，并将 AI 的输出结果落地到业务流程中。
|
||||
没有系统集成的 AI，就像一个聪明的顾问，给出建议却没有执行权限。
|
||||
|
||||
ERP/MES/WMS 对 AI 的价值：
|
||||
• ERP：提供订单、BOM、财务等经营数据，是需求预测和成本优化 AI 的数据来源
|
||||
• MES：提供生产过程数据，是质量检测、设备维护、工艺优化 AI 的核心数据源
|
||||
• WMS：提供仓储物流数据，是库存优化、物流调度 AI 的基础
|
||||
• PLM/CAX：提供设计数据，是AI辅助设计、工艺文件生成的起点
|
||||
|
||||
系统集成是 AI 落地的关键瓶颈：
|
||||
统计显示，超过60%的制造业 AI 项目因系统集成问题而延期或失败。`,
|
||||
howToAssess: `评估框架：
|
||||
✅ 良好：ERP+MES+WMS 均已部署，系统间实现数据互通，有统一数据平台
|
||||
⚠️ 待提升：核心系统已部署，但数据孤岛问题严重，集成接口不完整
|
||||
❌ 需补基础：核心系统缺失或仅部分部署，AI 集成难度极高
|
||||
|
||||
集成评估维度：
|
||||
• ERP↔MES：生产订单是否自动下发？完工数据是否自动回传？
|
||||
• MES↔设备：设备实时状态是否可见？工艺参数是否自动记录？
|
||||
• WMS↔ERP：库存数据是否实时同步？`,
|
||||
commonPitfalls: `常见误区：
|
||||
1. "系统都上了，但还是用Excel" — 系统上线≠系统用好，应用深度更重要
|
||||
2. 忽视系统版本问题 — 老版本 ERP/MES 可能缺少 API 接口，AI 集成成本极高
|
||||
3. 不同系统不同供应商，集成是噩梦 — 建议在 AI 项目启动前先评估集成可行性
|
||||
4. "系统有数据，AI肯定能用" — 系统数据的质量和结构仍需专项评估`,
|
||||
wenzhouContext: `温州制造业系统部署现状：
|
||||
根据温州市数字化水平评测，约45%的规模以上制造企业已部署ERP，
|
||||
约28%部署了MES，仅约15%实现了 ERP+MES 的有效集成。
|
||||
鼎捷数智为温州200+家制造企业提供 ERP/MES/WMS 系统服务，具备丰富的系统集成和 AI 嵌入经验。`,
|
||||
keywords: ['ERP', 'MES', 'WMS', 'PLM', '核心业务系统', '系统集成', '数据互通', '信息化'],
|
||||
outputTemplate: `步骤三评估结论：核心业务系统
|
||||
已部署系统：{systems}
|
||||
系统集成度：{integration}
|
||||
数据互通状态：{dataflow}
|
||||
AI集成可行性：{feasibility}
|
||||
建议行动：{action}`,
|
||||
},
|
||||
{
|
||||
id: 4,
|
||||
key: 'it_team',
|
||||
title: 'IT与数字化团队评估',
|
||||
category: '团队与人才基础',
|
||||
categoryIndex: 3,
|
||||
designThinkingPhase: '构思（Ideate）— 汇聚多元视角，构建 AI 落地的人才基础',
|
||||
coreQuestion: '是否有专职IT/数字化团队？团队规模和AI基础通识水平如何？是否有外部数字化服务团队支持？',
|
||||
whyItMatters: `Design Thinking 的"构思"阶段强调多元视角的碰撞——只有聚合不同背景的人，才能产生真正创新的方案。
|
||||
在制造业 AI 落地中，团队构成直接决定了 AI 项目的成败。
|
||||
|
||||
一个理想的 AI 落地团队需要三类人：
|
||||
• 业务专家：最了解痛点，懂得"哪里不对"，但可能不懂 AI
|
||||
• IT/数字化人员：了解系统架构，能做集成，但可能不懂业务深处
|
||||
• AI/数据工程师（或外部服务商）：懂算法和模型，但可能不懂制造业特殊性
|
||||
|
||||
三类人缺一不可，且必须有效协作。
|
||||
AI翻译官的核心价值，正是在这三类人之间搭建"语言桥梁"。
|
||||
|
||||
团队评估维度：
|
||||
• 规模：全职数字化人员数量
|
||||
• 层级：是否有明确的数字化主管或首席数字官
|
||||
• AI通识：团队对机器学习、大模型、工业视觉等基础概念的了解程度
|
||||
• 外部协作：是否有稳定的外部数字化/AI服务团队`,
|
||||
howToAssess: `评估框架：
|
||||
✅ 良好：≥5人专职数字化团队，有明确负责人，AI通识水平良好，有稳定外部合作
|
||||
⚠️ 待提升：1-3人兼职或专职，AI通识不足，主要依赖外部服务商
|
||||
❌ 需补基础：无专职团队，完全依赖外部，技术接收能力弱
|
||||
|
||||
快速自评：
|
||||
• 团队能否独立维护现有 ERP/MES 系统？（基础数字化能力）
|
||||
• 团队是否了解"什么是机器学习""什么是大模型"？（AI通识）
|
||||
• 团队能否基于 AI 工具进行企业内部场景的二次开发？（高阶AI能力）`,
|
||||
commonPitfalls: `常见误区：
|
||||
1. "有IT部门就够了" — IT部门运维系统，AI项目需要更高的数据/算法素养
|
||||
2. "完全外包给服务商" — 外包项目结束后无人维护，AI项目难以持续迭代
|
||||
3. 忽视员工AI培训 — 一线员工的使用意愿和技能是AI系统长期价值的关键
|
||||
4. "先做项目，团队以后再建" — 团队能力建设周期长，应与 AI 项目并行推进`,
|
||||
wenzhouContext: `温州市人才支持：
|
||||
温州市人工智能局联合温州大学定期举办"AI+制造"专项培训，面向制造企业管理层和IT团队，
|
||||
提供从AI基础认知到具体场景落地的系统化培训。
|
||||
温州市AI翻译官体系（本平台AI翻译官）正是为了弥补企业内部 AI 能力不足而建立的外部专家支持机制。`,
|
||||
keywords: ['IT团队', '数字化团队', 'AI人才', '培训', '数字化主管', '人才基础', '专职团队'],
|
||||
outputTemplate: `步骤四评估结论：IT与数字化团队
|
||||
团队规模：{size}人
|
||||
AI通识水平：{aiLevel}
|
||||
外部协作资源：{external}
|
||||
建议行动：{action}`,
|
||||
},
|
||||
{
|
||||
id: 5,
|
||||
key: 'knowledge',
|
||||
title: '工艺知识沉淀评估',
|
||||
category: '数据与知识积累',
|
||||
categoryIndex: 2,
|
||||
designThinkingPhase: '定义（Define）— 明确"隐性知识"是制造业 AI 的核心壁垒',
|
||||
coreQuestion: '核心工艺知识是否有系统化沉淀？SOP/故障案例库/工艺参数优化经验，是纸质文档还是系统内置？是否建有企业知识库？',
|
||||
whyItMatters: `制造业的核心竞争力，往往沉淀在老工人的脑子里和纸质文档中——这是最难被 AI 复用的知识形态。
|
||||
工艺知识的系统化沉淀，是制造业 AI 区别于其他行业 AI 的最大特殊性。
|
||||
|
||||
工艺知识的三种形态（从难到易被AI利用）：
|
||||
• 纸质/口述经验：存在老员工离职风险，完全无法被 AI 利用
|
||||
• 电子文档（Word/Excel）：可被 RAG 知识库检索，但结构化程度低
|
||||
• 系统内置/结构化数据库：可直接被 AI 建模，价值最高
|
||||
|
||||
工艺知识的核心类型：
|
||||
• SOP（标准作业程序）：生产流程的文字/视频化标准
|
||||
• 故障案例库：设备故障现象、原因、处置方案的历史记录
|
||||
• 工艺参数优化经验：不同产品/工装/批次下的最优参数组合
|
||||
• 质量控制关键点：各工序的质量检验规程和缺陷分类标准
|
||||
• 设备维护保养知识：维护手册、维修记录、预防性维护规程`,
|
||||
howToAssess: `评估框架：
|
||||
✅ 良好：核心 SOP 电子化，有系统化故障案例库，工艺参数有结构化记录，建有企业知识库
|
||||
⚠️ 待提升：部分电子化，主要依赖有经验员工，知识传承存在风险
|
||||
❌ 需提升：主要为纸质文档或口头经验，知识孤岛严重，传承断层风险高
|
||||
|
||||
RAG 知识库就绪度评估：
|
||||
• 是否有可搜索的企业内部文档？
|
||||
• 文档是否定期更新维护？
|
||||
• 关键知识是否对新员工透明可查？`,
|
||||
commonPitfalls: `常见误区：
|
||||
1. "老工人都在，经验不会丢" — 一旦老工人退休或离职，数十年经验无处传承
|
||||
2. "SOP都写了，问题不大" — SOP文档化≠知识可用，还需结构化和数字化
|
||||
3. 知识库只建不用 — 知识库必须与 AI 问答系统打通，才能实现价值
|
||||
4. "知识是商业机密" — 知识库的内部使用不会泄露商业机密，反而强化竞争壁垒`,
|
||||
wenzhouContext: `温州制造业知识沉淀现状：
|
||||
温州许多传统制造业（电气、泵阀、鞋业）的核心工艺知识仍以"师徒传授"为主，
|
||||
数字化程度远低于新能源、汽车零部件等行业。
|
||||
鼎捷数智已在多家温州电气企业开展工艺知识库建设项目，将纸质规程转化为 RAG 可检索知识图谱。`,
|
||||
keywords: ['工艺知识', 'SOP', '故障案例库', '知识库', 'RAG', '工艺参数', '知识沉淀', '经验传承'],
|
||||
outputTemplate: `步骤五评估结论：工艺知识沉淀
|
||||
知识化形态：{form}
|
||||
已结构化比例：{ratio}%
|
||||
知识库建设状态：{kbStatus}
|
||||
建议行动：{action}`,
|
||||
},
|
||||
{
|
||||
id: 6,
|
||||
key: 'ai_exp',
|
||||
title: 'AI应用经验评估',
|
||||
category: 'AI应用现状',
|
||||
categoryIndex: 4,
|
||||
designThinkingPhase: '原型（Prototype）— 盘点已有的 AI "原型"，从中学习',
|
||||
coreQuestion: '是否已尝试过AI或机器学习项目？引入了哪些工具？应用场景、使用频率及效果如何？未引入的原因是什么？',
|
||||
whyItMatters: `Design Thinking 的"原型"阶段强调：不完美的原型比完美的构想更有价值，因为它能告诉我们真实的反馈。
|
||||
每个企业已有的 AI 应用经验（无论成功还是失败），都是宝贵的"原型测试"结果。
|
||||
|
||||
已有 AI 应用经验的评估维度：
|
||||
• 引入了哪些工具？（工业视觉软件、智能问答、预测性维护系统、AI大模型等）
|
||||
• 应用场景的价值密度如何？（高频低价值 vs 低频高价值）
|
||||
• 实际使用效果与预期的差距？（过度期待 vs 实际价值）
|
||||
• 未引入的真实原因？（不了解/成本过高/无适配场景/技术门槛）
|
||||
|
||||
常见的制造业 AI 工具类型：
|
||||
• 工业视觉检测（表面缺陷识别、尺寸测量、装配验证）
|
||||
• 智能问数/问答（大模型驱动的数据分析助手）
|
||||
• 预测性维护（设备故障预测、寿命预测）
|
||||
• AI排产（智能计划排程APS）
|
||||
• 知识库与智能体（企业内部知识问答、流程自动化）`,
|
||||
howToAssess: `评估框架：
|
||||
✅ 良好：已有2个以上运行中的 AI 项目，效果可量化，团队使用习惯已建立
|
||||
⚠️ 在探索：尝试过1-2个 AI 工具，但尚未形成稳定的使用习惯或量化价值
|
||||
❌ 未启动：未引入任何 AI 工具（需了解真实原因，针对性解决）
|
||||
|
||||
未引入 AI 的原因分析：
|
||||
• "不了解"→ 需要 AI 科普与场景演示
|
||||
• "成本过高"→ 建议申领温州 AI 优惠券，降低试用门槛
|
||||
• "无适配场景"→ 需要 AI 翻译官进行场景识别与价值评估
|
||||
• "技术门槛高"→ 建议从低代码/零代码 AI 工具切入`,
|
||||
commonPitfalls: `常见误区：
|
||||
1. "试过，效果不好" — 效果不好通常因为数据质量差或场景选择错误，不代表 AI 没价值
|
||||
2. "我们在观望" — 等待最佳时机往往意味着错过窗口期，竞争对手已在行动
|
||||
3. 过度依赖单一工具 — AI 工具生态多样，不同场景需要匹配不同工具
|
||||
4. 忽视 AI 工具的持续迭代 — AI 工具需要随业务数据增长持续优化，不是一次性项目`,
|
||||
wenzhouContext: `温州 AI 工具应用现状：
|
||||
根据温州市 2026 年第一批需求清单，温州制造企业对"工业视觉质检"和"AI计划排产"兴趣最强，
|
||||
但实际落地率仍不足20%，主要障碍是数据基础薄弱和场景定义不清。
|
||||
温州 AI 翻译官体系专门针对这一问题，帮助企业完成从"感兴趣"到"能落地"的跨越。`,
|
||||
keywords: ['AI应用经验', 'AI工具', '工业视觉', '预测维护', '智能问答', 'AI项目', '使用效果'],
|
||||
outputTemplate: `步骤六评估结论：AI应用经验
|
||||
已引入工具：{tools}
|
||||
运行中项目：{projects}
|
||||
主要未引入原因：{reason}
|
||||
建议行动：{action}`,
|
||||
},
|
||||
{
|
||||
id: 7,
|
||||
key: 'leadership',
|
||||
title: '管理层AI意愿评估',
|
||||
category: 'AI提升意愿',
|
||||
categoryIndex: 5,
|
||||
designThinkingPhase: '测试（Test）— 验证组织对 AI 变革的真实接受度',
|
||||
coreQuestion: '管理层是否有明确的AI转型目标和预算？一把手是否亲自参与？是否制定1-2年短期或3-5年中长期AI规划？',
|
||||
whyItMatters: `在 AI 项目实践中，最常见的失败原因不是技术问题，而是"管理层不够重视"。
|
||||
Design Thinking 的"测试"阶段要求我们验证方案能否真正被用户接受——
|
||||
在 Design Doing 中，这意味着验证管理层是否真的愿意为 AI 转型投入资源和注意力。
|
||||
|
||||
管理层支持的三个层次：
|
||||
• 表态支持（最低层次）：口头认可 AI 的重要性，但没有实质行动
|
||||
• 预算保障（中间层次）：有明确的 AI 项目预算，但可能参与度不足
|
||||
• 一把手亲自推动（最高层次）：管理层直接参与场景定义、进度追踪和组织保障
|
||||
|
||||
为什么一把手重视如此关键：
|
||||
• AI 项目往往需要跨部门协作，需要一把手协调资源
|
||||
• AI 带来的流程变革可能遭遇员工抵触，需要管理层承担变革压力
|
||||
• AI 预算优先级在多项目竞争中，需要一把手的决策保障
|
||||
• AI 的效果周期通常6-18个月，需要管理层的耐心和信心`,
|
||||
howToAssess: `评估框架：
|
||||
✅ 良好：一把手亲自主导 AI 战略，有专项预算，制定了1-2年明确规划
|
||||
⚠️ 待提升：中层积极推动，但一把手参与度不足，预算模糊
|
||||
❌ 需提升：AI 仅作为IT部门的自发探索，缺乏管理层背书和预算支持
|
||||
|
||||
快速判断：
|
||||
• 最近一次公司战略会议是否讨论过AI？（意识层面）
|
||||
• 是否有专门用于 AI 的预算科目？（资源层面）
|
||||
• 是否有人对 AI 项目的 ROI 负责？（责任层面）`,
|
||||
commonPitfalls: `常见误区：
|
||||
1. "管理层在看，等效果出来再说" — 等待期间，竞争对手已完成试点
|
||||
2. "预算先小试" — 过小的预算导致项目质量不足，无法验证真实价值
|
||||
3. 把 AI 项目定位为"IT升级" — AI 是业务变革项目，而非技术升级项目
|
||||
4. 没有明确的 AI 项目责任人 — AI 项目失败很多是因为"人人负责等于没人负责"`,
|
||||
wenzhouContext: `温州企业管理层 AI 认知现状：
|
||||
根据调研，温州制造企业中约60%的老板"听说过 AI"，但只有约25%有具体的 AI 落地规划。
|
||||
温州市人工智能局定期举办"AI+制造"一把手培训班，帮助企业主从战略层面理解 AI 的竞争意义。
|
||||
建议企业主参加温州市 AI 场景发布会，了解同行企业的 AI 落地案例，激活转型意愿。`,
|
||||
keywords: ['管理层', '一把手', 'AI规划', 'AI预算', '战略', 'AI意愿', '领导力', 'AI转型'],
|
||||
outputTemplate: `步骤七评估结论：管理层AI意愿
|
||||
一把手参与度：{involvement}
|
||||
AI预算状态：{budget}
|
||||
规划完整性：{plan}
|
||||
建议行动：{action}`,
|
||||
},
|
||||
{
|
||||
id: 8,
|
||||
key: 'scenario',
|
||||
title: 'AI场景识别评估',
|
||||
category: 'AI应用现状',
|
||||
categoryIndex: 4,
|
||||
designThinkingPhase: '原型（Prototype）— 将创意转化为可验证的 AI 场景原型',
|
||||
coreQuestion: '是否已识别出3个以上清晰的AI应用场景？这些场景是单企业需求还是行业共性需求？核心价值和可行性如何评估？',
|
||||
whyItMatters: `场景识别是 AI 落地最关键的一步——选对场景，事半功倍；选错场景，前功尽弃。
|
||||
Design Doing 第八步的核心价值在于：
|
||||
• 将模糊的"想做 AI"转化为具体可执行的场景定义
|
||||
• 区分"对我有价值"和"对行业有示范"的场景
|
||||
• 评估场景的数据可行性、技术可行性和商业价值
|
||||
|
||||
高质量 AI 场景的四个特征：
|
||||
1. 痛点真实且量化：有明确的业务损失数字，不是"感觉效率低"
|
||||
2. 数据可支撑：有足够的历史数据或可以快速积累数据
|
||||
3. 相比传统数字化有增量价值：用"原来数字化手段还不能解决"的问题来识别
|
||||
4. 见效快、可推广：3-6个月能验证价值，且能在同行业复制
|
||||
|
||||
温州制造业高价值 AI 场景地图：
|
||||
• 工业视觉质检（鞋业/电气/眼镜）— 高频、可量化、数据好积累
|
||||
• AI计划排产（电气/汽配/装备）— 效益大、系统集成复杂
|
||||
• 设备故障预测（新能源/泵阀/装备）— 价值高、需时序数据基础
|
||||
• 工艺知识问答（电气/泵阀/汽配）— 易实施、员工接受度高
|
||||
• 海外营销智能体（出口型企业）— 见效快、门槛低`,
|
||||
howToAssess: `评估框架：
|
||||
✅ 良好：已识别3+清晰场景，有痛点量化数据，区分了行业共性与企业个性需求
|
||||
⚠️ 在梳理：有场景想法，但缺乏量化数据支撑，场景边界模糊
|
||||
❌ 需帮助：只有"想做AI"的意愿，缺乏具体场景，需要 AI 翻译官介入
|
||||
|
||||
场景优先级评估矩阵（价值×可行性）：
|
||||
高价值+高可行性 → 优先启动
|
||||
高价值+低可行性 → 分阶段准备
|
||||
低价值+高可行性 → 作为能力建设积累
|
||||
低价值+低可行性 → 不做`,
|
||||
commonPitfalls: `常见误区：
|
||||
1. "什么都想做" — 资源有限，必须聚焦优先级最高的1-2个场景
|
||||
2. "跟着竞争对手做" — 别人的成功场景不一定适合你的数据基础和团队能力
|
||||
3. 场景太大太复杂 — 应该拆分为小切口场景，快速验证
|
||||
4. 忽视场景的数据可行性 — 最有业务价值的场景，不一定有最好的数据基础`,
|
||||
wenzhouContext: `温州市 AI 场景识别支持：
|
||||
温州市人工智能局每年发布《人工智能赋能新型工业化需求清单》，本平台展示的28家企业需求即来自该清单。
|
||||
AI 翻译官的核心职责之一是帮助企业完成场景识别与优先级排序，将"模糊的 AI 期望"转化为"清晰的场景需求书"。`,
|
||||
keywords: ['场景识别', 'AI场景', '场景优先级', '痛点量化', '场景可行性', '工业视觉', '知识问答', '智能排产'],
|
||||
outputTemplate: `步骤八评估结论：AI场景识别
|
||||
已识别场景数：{count}
|
||||
优先推荐场景：{topScenario}
|
||||
场景可行性评估：{feasibility}
|
||||
建议行动：{action}`,
|
||||
},
|
||||
{
|
||||
id: 9,
|
||||
key: 'concern',
|
||||
title: 'AI顾虑与风险评估',
|
||||
category: 'AI提升意愿',
|
||||
categoryIndex: 5,
|
||||
designThinkingPhase: '测试（Test）— 正视阻力与顾虑，是落地成功的必要前提',
|
||||
coreQuestion: '推进AI应用的主要顾虑是什么？技术不成熟/数据安全/投入回报不确定/员工抵触？愿意投入的资源力度？',
|
||||
whyItMatters: `Design Thinking 的"测试"阶段要求坦诚面对用户的质疑和抵触——这些质疑恰恰指出了方案的薄弱之处。
|
||||
Design Doing 第九步的核心价值在于：不回避顾虑，而是系统化地识别和疏导顾虑，将阻力转化为行动计划。
|
||||
|
||||
制造业 AI 项目的五大常见顾虑：
|
||||
1. 技术不成熟："AI还不够准，不如人工可靠"
|
||||
→ 解法：从高确定性场景切入（如视觉质检），建立信心
|
||||
2. 数据安全："数据上云怕泄露"
|
||||
→ 解法：私有化部署方案，数据不出厂
|
||||
3. 投入回报不确定："花了钱不知道有没有效果"
|
||||
→ 解法：签订KPI承诺，按效果付费
|
||||
4. 员工抵触："员工担心被AI替代"
|
||||
→ 解法：将 AI 定位为"AI+人"协作，而非替代
|
||||
5. 实施能力不足："我们没有这个能力落地"
|
||||
→ 解法：温州 AI 翻译官体系 + 优惠券支持，降低实施门槛
|
||||
|
||||
Design Doing 的核心主张：
|
||||
顾虑≠障碍。每个顾虑背后，都有一个可以被解决的具体问题。
|
||||
AI 翻译官的重要职责就是帮助企业将顾虑转化为行动计划。`,
|
||||
howToAssess: `评估框架：
|
||||
✅ 顾虑已疏导：主要顾虑已有具体解法，愿意投入明确资源推进
|
||||
⚠️ 顾虑待疏导：顾虑较多，但有改变意愿，需要 AI 翻译官深入沟通
|
||||
❌ 顾虑成壁垒：顾虑导致实质性停滞，需要先解决组织层面的问题
|
||||
|
||||
资源投入意愿评估：
|
||||
• 资金：能否承诺阶段性 AI 专项预算（哪怕是小规模试点预算）
|
||||
• 人力：能否从业务部门抽出1-2名核心人员全程参与
|
||||
• 数据：是否愿意开放业务数据用于 AI 训练（在合规范围内）`,
|
||||
commonPitfalls: `常见误区：
|
||||
1. "等技术更成熟再说" — AI 技术每6个月迭代一次，永远都有"更好的技术在等待"
|
||||
2. "先看别人怎么做" — 跟随者策略在 AI 时代成本极高，先行者已建立数据护城河
|
||||
3. 把顾虑当成最终结论 — 顾虑是需要被管理的风险，而不是否定 AI 的理由
|
||||
4. 不设止损点 — 可以从小规模试点开始，设置明确的评估节点，降低风险`,
|
||||
wenzhouContext: `温州企业 AI 顾虑调研：
|
||||
最常见的顾虑依次是：投入回报不确定（58%）、员工抵触（34%）、数据安全（28%）、技术不成熟（22%）。
|
||||
温州市已推出"AI+制造先试先行"政策，允许企业以小规模试点方式验证 AI 价值，降低决策门槛。`,
|
||||
keywords: ['AI顾虑', '数据安全', '员工抵触', '投入回报', '技术成熟度', '风险', '资源投入'],
|
||||
outputTemplate: `步骤九评估结论：AI顾虑与风险
|
||||
主要顾虑类型：{concerns}
|
||||
顾虑疏导状态：{status}
|
||||
资源投入意愿：{resource}
|
||||
建议行动：{action}`,
|
||||
},
|
||||
{
|
||||
id: 10,
|
||||
key: 'infra',
|
||||
title: 'AI算力与基础设施评估',
|
||||
category: 'AI应用现状',
|
||||
categoryIndex: 4,
|
||||
designThinkingPhase: '原型（Prototype）— 确保有足够的"工具"来构建和运行 AI 原型',
|
||||
coreQuestion: '是否已有明确的AI算力和部署规划？自建/租赁/云边端混合？是否有国产化适配要求？预算规划如何？',
|
||||
whyItMatters: `AI 模型需要算力支持——这是不可绕过的基础设施问题。
|
||||
Design Doing 第十步关注的不仅是"现在有多少算力"，更是"未来 AI 规模化时需要什么算力"。
|
||||
|
||||
制造业 AI 算力需求的特殊性：
|
||||
• 实时推理需求：工业视觉质检要求毫秒级响应，必须本地边缘计算
|
||||
• 数据安全需求：工艺配方、质量数据不能上公有云，需要私有化部署
|
||||
• 国产化要求：部分军工、特定行业需要国产GPU和国产操作系统
|
||||
• 弹性训练需求：模型初次训练数据量大，适合云端弹性算力
|
||||
|
||||
三种主流部署模式：
|
||||
1. 本地私有化部署（On-premise）
|
||||
适合：数据高度敏感、实时推理要求高的场景
|
||||
设备：GPU服务器（如RTX5090/国产GPU）+ 边缘计算节点
|
||||
2. 云端弹性算力（Cloud）
|
||||
适合：模型训练阶段、数据安全要求较低的场景
|
||||
平台：阿里云/腾讯云/华为云工业AI平台
|
||||
3. 云边端混合（Hybrid）
|
||||
适合：大多数制造业场景——云端训练+边缘推理
|
||||
优势：兼顾成本与实时性，是当前最主流的架构`,
|
||||
howToAssess: `评估框架：
|
||||
✅ 良好：有明确的算力规划，已配置或规划配置边缘推理设备，部署模式明确
|
||||
⚠️ 待规划：算力需求模糊，尚未形成具体规划
|
||||
❌ 需支持：完全没有算力基础，需要从算力租赁方案开始
|
||||
|
||||
算力规划快速评估：
|
||||
• 推理侧：是否有边缘计算设备？（工厂现场实时推理必需）
|
||||
• 训练侧：是否可接入云端GPU算力？（模型训练阶段）
|
||||
• 国产化：是否有国产化要求？（影响硬件选型）`,
|
||||
commonPitfalls: `常见误区：
|
||||
1. "买了GPU就能做AI" — 算力只是基础，算法、数据、工程能力同样重要
|
||||
2. "全部上云" — 工业数据上云有数据安全风险，且实时推理延迟不可接受
|
||||
3. "等设备到位再规划AI项目" — 算力规划应与 AI 场景设计同步进行
|
||||
4. 忽视算力运维成本 — GPU设备需要专业维护，总拥有成本要考虑运维费用`,
|
||||
wenzhouContext: `温州算力支持：
|
||||
温州市人工智能局算力券可支持制造企业租用云端 GPU 算力，用于 AI 模型训练阶段，
|
||||
显著降低中小企业的算力投入门槛。
|
||||
温州工业互联网公共服务平台提供"算力即服务"，按需调用，适合中小制造企业。`,
|
||||
keywords: ['算力', 'GPU', '边缘计算', '云边端', '私有化部署', '国产化', '算力规划', '基础设施'],
|
||||
outputTemplate: `步骤十评估结论：AI算力与基础设施
|
||||
当前算力状态：{status}
|
||||
推荐部署模式：{mode}
|
||||
国产化要求：{domestic}
|
||||
建议行动：{action}`,
|
||||
},
|
||||
];
|
||||
|
||||
// ─── 知识库检索函数 ──────────────────────────────────────────────────────────
|
||||
|
||||
/** 根据用户提问关键词，检索最相关的 Design Doing 知识条目 */
|
||||
export function searchDesignDoing(query: string): {
|
||||
matchedSteps: DesignDoingStep[];
|
||||
matchedCategories: DesignDoingCategory[];
|
||||
isOverviewQuery: boolean;
|
||||
isMethodologyQuery: boolean;
|
||||
} {
|
||||
const q = query.toLowerCase();
|
||||
|
||||
const isOverviewQuery = ['设计思维', 'design thinking', 'design doing', '方法论', '十步', '10步', '五大维度', '延续', '框架', '理念'].some(k => q.includes(k));
|
||||
const isMethodologyQuery = isOverviewQuery || q.includes('方法') || q.includes('步骤') || q.includes('维度');
|
||||
|
||||
const matchedSteps = DESIGN_DOING_STEPS.filter(step =>
|
||||
step.keywords.some(kw => q.includes(kw.toLowerCase())) ||
|
||||
q.includes(step.title.toLowerCase()) ||
|
||||
q.includes(step.key.toLowerCase()) ||
|
||||
q.includes(step.category.toLowerCase())
|
||||
);
|
||||
|
||||
const matchedCategories = DESIGN_DOING_CATEGORIES.filter(cat =>
|
||||
q.includes(cat.name.toLowerCase()) ||
|
||||
cat.steps.some(sId => matchedSteps.some(s => s.id === sId))
|
||||
);
|
||||
|
||||
return { matchedSteps, matchedCategories, isOverviewQuery, isMethodologyQuery };
|
||||
}
|
||||
|
||||
/** 生成 Design Doing 方法论的智能问答回复 */
|
||||
export function generateDesignDoingReply(query: string, demandContext?: {
|
||||
company: string; industry: string; maturityLevel: string; maturityScore: number; dataReadiness: number;
|
||||
}): { thinking: string; content: string } {
|
||||
const { matchedSteps, matchedCategories, isOverviewQuery, isMethodologyQuery } = searchDesignDoing(query);
|
||||
|
||||
// 方法论总览查询
|
||||
if (isOverviewQuery || (matchedSteps.length === 0 && isMethodologyQuery)) {
|
||||
return {
|
||||
thinking: `检索 Design Doing 方法论知识库…\n识别查询意图：方法论总览…\n调取 Design Doing 与 Design Thinking 关系说明…\n生成结构化回复…`,
|
||||
content: `Design Doing 方法论 · 总览\n\n${DESIGN_DOING_OVERVIEW.designThinkingRelation}\n\n${DESIGN_DOING_OVERVIEW.corePhilosophy}\n\n五大维度与十个步骤：\n\n` +
|
||||
DESIGN_DOING_CATEGORIES.map(cat =>
|
||||
`${cat.index}. ${cat.name}（${cat.designThinkingMapping}）\n 步骤：${cat.steps.map(id => `Step ${id}`).join('、')}\n 核心理念：${cat.philosophy.split('\n')[0]}`
|
||||
).join('\n\n') +
|
||||
`\n\n发布单位：${DESIGN_DOING_OVERVIEW.origin}\n版本：${DESIGN_DOING_OVERVIEW.version}`,
|
||||
};
|
||||
}
|
||||
|
||||
// 单步骤详细查询
|
||||
if (matchedSteps.length === 1) {
|
||||
const step = matchedSteps[0];
|
||||
const cat = DESIGN_DOING_CATEGORIES.find(c => c.name === step.category)!;
|
||||
return {
|
||||
thinking: `检索 Design Doing 步骤知识库…\n定位到步骤${step.id}：${step.title}…\n调取详细说明与温州制造业背景…\n${demandContext ? `结合当前企业 ${demandContext.company} 上下文生成建议…` : ''}`,
|
||||
content: `Design Doing · 步骤${step.id}：${step.title}\n所属维度：${step.category}（${cat.designThinkingMapping}）\n\n核心问题：\n${step.coreQuestion}\n\n为什么重要：\n${step.whyItMatters}\n\n如何评估：\n${step.howToAssess}\n\n${step.commonPitfalls}\n\n${step.wenzhouContext}` +
|
||||
(demandContext ? `\n\n针对 ${demandContext.company}（${demandContext.industry}，成熟度 ${demandContext.maturityLevel}）的具体建议：\n• 数据就绪度 ${demandContext.dataReadiness}%，${demandContext.dataReadiness >= 70 ? `步骤${step.id}基础较好，可直接推进` : `需先补强步骤${step.id}的基础条件`}` : ''),
|
||||
};
|
||||
}
|
||||
|
||||
// 多步骤或维度查询
|
||||
if (matchedSteps.length > 1 || matchedCategories.length > 0) {
|
||||
const targetCats = matchedCategories.length > 0 ? matchedCategories : DESIGN_DOING_CATEGORIES.filter(c => matchedSteps.some(s => s.categoryIndex === c.index));
|
||||
return {
|
||||
thinking: `检索 Design Doing 知识库…\n识别相关维度：${targetCats.map(c => c.name).join('、')}…\n整合多步骤知识…`,
|
||||
content: `Design Doing 方法论 · ${targetCats.map(c => c.name).join(' × ')}\n\n` +
|
||||
targetCats.map(cat =>
|
||||
`【${cat.name}】\n${cat.philosophy.split('\n')[0]}\n\n` +
|
||||
DESIGN_DOING_STEPS.filter(s => cat.steps.includes(s.id)).map(step =>
|
||||
`Step ${step.id}·${step.title}：\n${step.whyItMatters.split('\n')[0]}\n→ 评估要点：${step.coreQuestion}`
|
||||
).join('\n\n')
|
||||
).join('\n\n─────\n\n'),
|
||||
};
|
||||
}
|
||||
|
||||
// 通用 Design Doing 回复
|
||||
return {
|
||||
thinking: `检索 Design Doing 知识库…\n未找到精确匹配，返回方法论入门说明…`,
|
||||
content: `Design Doing 方法论 · 快速入门\n\nDesign Doing 是由温州市"AI+制造"智创空间提出的制造业 AI 落地行动框架，延续 Design Thinking（设计思维）的理念，将"思维"转化为"行动"。\n\n您可以提问的方向：\n• "Design Doing 和 Design Thinking 有什么关系？"\n• "步骤1/数据采集 是什么意思？"\n• "自动化和数字化基础维度包含哪些内容？"\n• "工艺知识沉淀怎么评估？"\n• "什么是好的 AI 场景？"\n• "管理层不重视怎么办？"\n• "算力规划应该怎么做？"`,
|
||||
};
|
||||
}
|
||||
@@ -0,0 +1,139 @@
|
||||
// 温州市AI翻译官数据
|
||||
export type TranslatorType = 'vendor' | 'university' | 'enterprise';
|
||||
export type ExpertiseArea = '工业视觉' | '预测维护' | '智能排产' | '工艺优化' | '供应链AI' | '能源管理' | '质量管控' | '数字孪生';
|
||||
|
||||
export interface Translator {
|
||||
id: number;
|
||||
name: string;
|
||||
title: string;
|
||||
organization: string;
|
||||
orgType: TranslatorType;
|
||||
avatar: string;
|
||||
expertise: ExpertiseArea[];
|
||||
industries: string[];
|
||||
rating: number;
|
||||
cases: number;
|
||||
bio: string;
|
||||
color: string;
|
||||
accentColor: string;
|
||||
availability: 'available' | 'busy' | 'offline';
|
||||
certifications: string[];
|
||||
matchedDemands?: string[];
|
||||
}
|
||||
|
||||
export const TRANSLATORS: Translator[] = [
|
||||
{
|
||||
id: 1,
|
||||
name: '林启航',
|
||||
title: '温州智能制造AI翻译官',
|
||||
organization: '温州市人工智能局专家库',
|
||||
orgType: 'vendor',
|
||||
avatar: '林',
|
||||
expertise: ['智能排产', '工业视觉', '质量管控'],
|
||||
industries: ['智能电气', '工业泵阀', '汽车零部件'],
|
||||
rating: 4.9,
|
||||
cases: 39,
|
||||
bio: '长期服务温州智能电气、泵阀和汽配企业，擅长把“排产难、质检慢、数据散”等业务问题翻译成可交付的AI项目边界、数据清单和验收KPI。',
|
||||
color: '#00d4ff',
|
||||
accentColor: '#0099cc',
|
||||
availability: 'available',
|
||||
certifications: ['温州市AI+制造场景评审专家', '工业互联网实施顾问'],
|
||||
matchedDemands: ['WZ004', 'WZ005', 'WZ006', 'WZ023'],
|
||||
},
|
||||
{
|
||||
id: 2,
|
||||
name: '陈若岚',
|
||||
title: '工业视觉与质量数据专家',
|
||||
organization: '温州大学智能制造研究团队',
|
||||
orgType: 'university',
|
||||
avatar: '陈',
|
||||
expertise: ['工业视觉', '质量管控', '工艺优化'],
|
||||
industries: ['鞋业服装', '眼镜', '智能装备'],
|
||||
rating: 4.8,
|
||||
cases: 24,
|
||||
bio: '专注机器视觉、小样本缺陷识别和质量闭环分析，适合金帝鞋业、红润光学、三星机电等质检类场景的样本体系设计和算法路线评审。',
|
||||
color: '#ff6b9d',
|
||||
accentColor: '#cc4477',
|
||||
availability: 'available',
|
||||
certifications: ['机器视觉应用专家', '温州制造业质量数字化顾问'],
|
||||
matchedDemands: ['WZ003', 'WZ016', 'WZ026', 'WZ028'],
|
||||
},
|
||||
{
|
||||
id: 3,
|
||||
name: '周立新',
|
||||
title: '智能电气甲方实践专家',
|
||||
organization: '乐清智能电气产业顾问组',
|
||||
orgType: 'enterprise',
|
||||
avatar: '周',
|
||||
expertise: ['智能排产', '供应链AI', '数字孪生'],
|
||||
industries: ['智能电气', '新能源'],
|
||||
rating: 4.7,
|
||||
cases: 31,
|
||||
bio: '来自温州智能电气产业一线，熟悉低压电器、变压器、电表、充电桩等产品的设计、制造、供应链和MES落地约束，最懂甲方业务语言。',
|
||||
color: '#7b61ff',
|
||||
accentColor: '#5540dd',
|
||||
availability: 'busy',
|
||||
certifications: ['智能电气行业数字化转型顾问', '精益生产与APS实践顾问'],
|
||||
matchedDemands: ['WZ002', 'WZ004', 'WZ021', 'WZ022', 'WZ025'],
|
||||
},
|
||||
{
|
||||
id: 4,
|
||||
name: '吴嘉禾',
|
||||
title: '鞋服与消费品AI场景专家',
|
||||
organization: '温州鞋服产业数字化服务联盟',
|
||||
orgType: 'vendor',
|
||||
avatar: '吴',
|
||||
expertise: ['智能排产', '供应链AI', '工艺优化'],
|
||||
industries: ['鞋业服装', '食品农产品', '眼镜'],
|
||||
rating: 4.6,
|
||||
cases: 42,
|
||||
bio: '服务温州鞋业、服装、食品连锁和眼镜企业，擅长小单快反、AI设计、门店运营、预测配补货和全渠道营销场景的ROI测算。',
|
||||
color: '#ff8c42',
|
||||
accentColor: '#dd6620',
|
||||
availability: 'available',
|
||||
certifications: ['鞋服产业数字化顾问', '零售数据分析顾问'],
|
||||
matchedDemands: ['WZ007', 'WZ010', 'WZ027'],
|
||||
},
|
||||
{
|
||||
id: 5,
|
||||
name: '叶明澈',
|
||||
title: '设备预测维护与远程运维专家',
|
||||
organization: '温州工业互联网公共服务平台',
|
||||
orgType: 'vendor',
|
||||
avatar: '叶',
|
||||
expertise: ['预测维护', '数字孪生', '能源管理'],
|
||||
industries: ['新能源', '智能装备', '新材料', '低空经济'],
|
||||
rating: 4.8,
|
||||
cases: 28,
|
||||
bio: '擅长设备运行时序数据建模、远程运维、能耗分析和数字孪生验证，适合瑞浦兰钧、金田塑业、之翼通航等连续生产与运维场景。',
|
||||
color: '#00e599',
|
||||
accentColor: '#00aa70',
|
||||
availability: 'available',
|
||||
certifications: ['工业互联网平台架构师', '设备健康管理顾问'],
|
||||
matchedDemands: ['WZ001', 'WZ014', 'WZ019'],
|
||||
},
|
||||
{
|
||||
id: 6,
|
||||
name: '赵思衡',
|
||||
title: '企业知识库与智能体架构师',
|
||||
organization: '温州AI服务商联合体',
|
||||
orgType: 'vendor',
|
||||
avatar: '赵',
|
||||
expertise: ['供应链AI', '质量管控', '工艺优化'],
|
||||
industries: ['工业泵阀', '智能装备', '智能电气'],
|
||||
rating: 4.7,
|
||||
cases: 35,
|
||||
bio: '专注RAG知识库、标书智能体、数据问答、企业数字员工和业务流程编排，适合炜冈科技、超达阀门、安通阀门、益坤电气等知识密集场景。',
|
||||
color: '#4fc3f7',
|
||||
accentColor: '#0090cc',
|
||||
availability: 'busy',
|
||||
certifications: ['企业智能体架构师', '数据治理与知识工程顾问'],
|
||||
matchedDemands: ['WZ008', 'WZ011', 'WZ012', 'WZ013', 'WZ020'],
|
||||
},
|
||||
];
|
||||
|
||||
export const orgTypeConfig: Record<TranslatorType, { label: string; color: string; bg: string }> = {
|
||||
vendor: { label: '服务商', color: '#00d4ff', bg: 'rgba(0,212,255,0.12)' },
|
||||
university: { label: '高校院所', color: '#7b61ff', bg: 'rgba(123,97,255,0.12)' },
|
||||
enterprise: { label: '制造甲方', color: '#00e599', bg: 'rgba(0,229,153,0.12)' },
|
||||
};
|
||||
Reference in New Issue
Block a user