一、MRO工业品的咨询与选型，为什么一直不好做
工厂里买一支轴承、一个气缸、一只接近开关，看上去是件小事。真做过的人清楚，从提出需求到下单成功，中间要过好几道坎。设备工程师想的是“要耐高温、转速够、装得下”，采购看到的是一串型号和参数表，供应商听到的是“跟上次那批差不多”。三种表达方式来回翻译，翻错一次就要退换货，产线停着等，谁都不轻松。
MRO品类的特殊之处也在这里：单笔金额不大，品类却极其分散，长尾商品多，专业门槛高，计划性采购和临时急件混在一起。这样的场景，恰好是大模型与企业AI Agent能发挥作用的地方，也是不少企业推进企业AI应用落地时优先考虑的方向。
1. 需求端：说不清楚，并不代表没有需求
（1）现场人员通常只掌握使用条件和环境信息，比如介质、温度、负载、安装空间，却并不熟悉商品的型号体系和分类规则。（2）他们能说出“要能替代原装的”“噪音小一点”“接口得对得上”，这些表达对采购来说很难直接转成询价单。（3）于是就有了反复确认、反复补参数，一次简单的备件采购被拉成一场多方沟通。
2. 供给端：选型知识长期留在个人经验里
真正懂选型的人往往是少数几位老师傅或者资深采购。他们清楚哪些型号可以互换，某个参数差一点会带来什么后果，哪些配套件必须一起买。这些知识没有写进任何系统，只存在于对话和记忆里。人员一旦流动，经验就断档，新同事只能从头试错，代价常常是停机和返工。
3. 通用搜索与静态知识库，接不住连续追问
（1）商品搜索依赖关键词匹配，输入一个使用场景，返回一大堆结果，用户还得逐个比对参数。（2）静态知识库能回答标准问题，碰到“这两个型号能不能互换”“温度再高一点该选哪个”这类需要推理的问题，就显得僵硬。（3）更麻烦的是，MRO商品数据本身不规范，同一个商品在不同系统里有不同的名称和编码，检索结果自然不稳定。
4. 企业AI Agent带来的变化
大模型擅长理解口语化表达，能把“差不多能用就行”翻译成一组可以讨论的技术条件；智能体再往前走一步，可以调用商品库、参数库、库存、价格与供应商目录，边问边查，边查边收敛。放到MRO咨询和选型场景里，相当于给每位使用人员配了一位随时在线的产品顾问。数商云在企业AI Agent开发上，重点投入的正是这类离业务很近的场景。
二、数商云企业AI Agent方案的整体思路与架构
这套方案不打算做一个什么都懂的通用助手，而是把范围收在“产品咨询”和“选型推荐”两件事上。范围收窄，准确率和体验才有机会做扎实。
1. 方案定位：从问答工具走向业务助手
（1）对使用人员来说，它承担产品顾问的角色，负责澄清需求、解释差异、给出候选方案。（2）对采购和供应链团队来说，它是一个需求翻译和前置处理环节，把模糊描述整理成结构化的询价信息。（3）对品类管理来说，它沉淀的是可复用的选型规则和知识资产，而不是用完就散的一堆聊天记录。
2. 架构分层
（1）交互层承接网页、企业微信、钉钉等入口，文字、图片、语音都能进来。（2）编排层负责任务拆解、工具调度和多轮对话状态管理，判断什么时候追问、什么时候检索、什么时候交给人工。（3）知识与数据层收纳商品主数据、参数库、选型规则、历史询报价记录和技术资料，治理之后供智能体调用。
（4）系统对接层负责与ERP、SRM、商城、库存、供应商系统打通，让推荐结果落到实际业务动作上。（5）治理层包含权限、审计、内容安全和效果评测，保证智能体在企业环境里可控、可用、可查。这几层并非越多越好，但缺一层，往往就会在某个环节卡住。
3. 与企业现有系统的关系
不少企业已经有商品库、采购平台和知识库，担心再上一个智能体又变成新的孤岛。（1）实际做法以复用为主、新建为辅，能用的主数据和规则先接进来，缺的部分再补。（2）智能体不替代原有系统，它站在前面承接自然语言需求，再把整理好的结果写回原有流程。（3）这样既避免重复建设，也让原有系统里沉睡的数据重新有了用处。
三、核心能力与技术要点
MRO场景对准确性的要求比一般问答高得多，选错一个型号可能影响整条产线。因此核心能力的设计，大多围绕“理解准、推得对、说得清”展开。
1. 商品理解与参数结构化
把商品描述、图片、图纸、历史订单里的信息抽取成结构化参数，建立商品、参数与使用场景之间的关联；对同一商品的不同叫法做归一处理，形成统一的语义层。这一步做得越扎实，后面的推荐越稳。很多看起来是模型能力不足的问题，根子其实在数据。
2. 多轮需求澄清
智能体不会在信息不足时硬答。（1）它先判断关键参数是否齐全，区分必须知道的条件和可以后置的偏好。（2）信息缺失时，用尽量少的提问补齐，一次问一两个，避免问卷式轰炸把用户赶走。（3）问题结合上下文推进，前面说过的信息不再重复问，已经排除的选项也不再拿出来。
3. 选型推理与替代推荐
（1）参数匹配方面，按关键参数筛选候选，把必选条件和可选偏好分开处理，避免“差一点”被当成“差不多”。（2）替代逻辑方面，当原型号停产、交期偏长或价格波动较大时，给出可以替代的型号，同时说明差异点和潜在风险。（3）配套提示方面，主动提醒那些经常被遗漏的附件、耗材和密封件，减少二次采购。
4. 知识更新与回答可靠性
（1）回答以企业自有数据为准，外部通用知识只作补充，不能反客为主。（2）重要结论附带依据，说明是根据哪条参数、哪份资料得出的。（3）遇到不确定的情况明确说不知道，并转交人工，而不是编一个看起来合理的型号。宁可少答一次，也不能错答一次，这是MRO场景的底线。
5. 工具调用、权限与可追溯
智能体可以调用的工具包括库存查询、价格与协议价查询、历史成交查询、询价单生成和供应商匹配，用户在对话里完成的不只是“问”，还可以顺势“办”。与此同时，不同角色看到的价格、库存和供应商信息并不相同，每一次推荐、每一个依据、每一次转人工都要留得下记录。企业级AI方案与消费级聊天工具最明显的分界，也在这里。
四、企业AI Agent开发与搭建方案的实施路径
再好的能力设计，落到企业里都要面对数据现状、系统边界和人员习惯。实施路径的核心思路是分段推进、小步验证，把风险控制在前一阶段。
1. 场景选择与价值判断
起步阶段不建议铺开所有品类，先选咨询量集中、参数相对清晰、知识可获取的品类做验证，比如高值备件、通用电气件和易损件。判断标准可以简单一些：问题是否重复出现，答案是否有共识，答好之后是否真的省事。三个条件都成立，这个场景就值得先做。
2. 数据与知识准备
（1）梳理商品主数据，做去重、归一和参数补充，把明显的错误与冲突先处理掉。（2）整理选型规则、替代关系和禁用条件，把老师傅脑子里的判断写成可以执行的规则。（3）准备技术资料、历史问答和售后记录作为语料，让智能体说话有依据。这部分工作往往占到项目的大头，也最容易被低估。
3. 智能体设计与开发
（1）定义角色边界，明确它能回答什么、不能回答什么。（2）设计对话流程和追问策略，让交互自然、不啰嗦。（3）搭建检索与工具调用链路，把数据、规则和系统接口串起来。（4）编写提示词并反复调优，适配不同品类的表达习惯。数商云在这部分通常采用业务专家、产品经理与算法工程师协作的方式，避免做出一个懂模型却不懂业务的助手。
4. 评测、灰度上线与运营迭代
准备一批真实问题和标准答案，从准确性、完整性、表达语气与响应速度几个维度做评测，先在小范围用户中试用，观察真实提问与预期之间的差距。正式放开之后，持续关注追问情况、转人工比例和推荐采纳情况，把没答好的问题补进知识库和规则里，随着品类扩展与商品数据更新定期调整检索策略。企业AI Agent的效果，很大程度上取决于上线之后有没有人认真运营。
五、某装备制造行业头部集团的落地实践
1. 起点：备件咨询响应慢，选型依赖少数人
该集团设备数量多，备件品类杂，一线的提问高度集中在“能不能替代”“哪个更合适”“还有没有货”这几类。咨询要在使用部门、采购与技术团队之间来回传递，遇到熟悉情况的人不在，只能等。
2. 做法：从单一品类切入，把经验变成规则
（1）先挑了几类咨询最频繁的备件做试点，范围不大，问题却很真实。（2）把历史选型记录、技术资料和资深工程师的判断逻辑整理成规则，一条一条确认。（3）智能体接入商品库与库存系统，能查参数、能做比较、能给出替代建议。（4）设置转人工通道，遇到高风险或超出范围的问题，直接交给专业人员处理。
3. 变化：效率与一致性同时改善
（1）常见咨询的响应速度明显提升，一线不再需要长时间等待。（2）选型结果的一致性改善，不同的人问同一个问题，得到的建议基本一致。（3）新员工上手更快，有了随时能提问的入口。（4）资深工程师从重复答疑中抽身，投入到更复杂的技术工作。（5）选型规则沉淀下来，成为企业自己的知识资产，不再随着人员流动而流失。
相近的变化也出现在其他行业。某能源行业头部企业在备件替换和通用物资选型上做了类似尝试，重点放在替代型号的合规确认与风险提示上，思路一致：先把一个问题想清楚，再让智能体去执行。
六、落地之后能拿到什么
1. 对使用部门
问题有人接、答得快、说得明白，备件到位的节奏更可预期，现场人员的心气也会不一样。这种体验上的改善，往往是推动后续推广最直接的理由。
2. 对采购与供应链团队
需求信息更完整，来回确认的次数减少，询价单的可用性提高，长尾商品的重复沟通明显减轻。省下来的时间，可以放到供应商谈判和成本分析这些更需要人的事情上。
3. 对品类与知识管理
选型经验从个人走向组织，商品数据在真实使用中被反向检验和修正，品类策略有了更贴近一线的输入。这些收益不会立刻显现在账面上，却会持续影响后续的采购效率。
七、几个常见顾虑的务实回应
1. 担心答错
回答依据来自企业自己的数据，重要结论附带出处；不确定时不硬答，高风险场景强制转人工。把边界划清楚，比追求“什么都能答”更实际。
2. 担心数据安全
可以采用私有化或以企业专有环境为主的部署方式，数据不出企业边界，权限、审计与日志同步建设。涉及价格、供应商等敏感信息的部分，按角色做隔离。
3. 担心投入大、见效慢，员工不愿意用
从单一场景、单一品类起步，范围可控，先验证再扩展。入口放在大家已经在用的工具里，回答要快、要有用；上线初期的运营引导，比堆功能更能决定使用率。
八、结语：先把一个场景做透
MRO工业品的咨询与选型，看起来是个细分问题，背后却牵着商品数据治理、业务知识沉淀、系统集成与组织协作。企业AI Agent的价值不在于概念有多新，而在于能不能把某一个具体场景真正做顺、做透。如您正在规划企业AI Agent落地，欢迎咨询数商云获取专属方案，从场景判断、AI Agent搭建方案设计到开发实施，一起把这件事做成。
评论