第37章 实战项目1：从零搭建制造业AI智能质检系统

37.1 项目背景：为什么制造业需要AI质检？

37.1.1 传统人工质检的痛点

制造业产品表面缺陷检测是质量控制的关键环节，但传统人工目检存在诸多痛点：

• 效率低：人工目检每人每小时只能检测50-100件，跟不上生产线速度，经常成为产能瓶颈
• 漏检率高：人工检测受疲劳、情绪、经验影响，平均漏检率3-5%，高峰期甚至达到10%，导致不合格品流入市场，引发客户投诉和退货
• 一致性差：不同检测人员对同一缺陷的判断标准不一致，同一个人不同时间的判断也不一致，质量标准难以统一
• 成本高：一条产线需要2-4名检测人员，人力成本逐年上升，而且检测岗位枯燥、对眼睛伤害大，招工越来越难
• 数据缺失：人工检测的数据难以系统化记录，缺陷类型、数量、趋势无法统计分析，质量改进缺乏数据支撑
• 追溯困难：出现质量问题时，难以追溯是哪个批次、哪个时间、哪个检测人员漏检的，责任界定困难

37.1.2 AI质检的优势

基于计算机视觉的AI质检系统，相比人工质检有显著优势：

37.1.3 哪些场景适合AI质检？

不是所有质检场景都适合AI，选择合适的场景是项目成功的第一步。

适合AI质检的场景：

• 缺陷类型明确，有清晰的定义和判断标准
• 有足够的缺陷样本数据（每种缺陷至少几百张）
• 检测位置固定，产品姿态可控（相机能拍到稳定的图片）
• 缺陷在图像中可见，人眼能识别（AI能识别人眼能识别的缺陷）
• 检测量大，人工成本高，有明确的降本增效需求
• 生产环境相对稳定（光照、震动、温度可控）

不适合AI质检的场景：

• 缺陷定义模糊，不同人判断差异大（如"外观不好看"这种主观判断）
• 缺陷样本极少（罕见缺陷，只有几张图片）
• 产品姿态不可控，检测位置不固定（需要360度检测但产品随机摆放）
• 缺陷需要触摸、听音、闻味才能判断（非视觉缺陷）
• 检测量小，人工成本低（AI投入不划算）
• 生产环境极端（强震动、粉尘、油污严重，影响成像）

37.2 需求分析：明确做什么、做到什么程度

37.2.1 需求调研的关键问题

项目启动前，必须和生产、质量、工艺等部门深入沟通，明确以下关键问题：

产品和缺陷相关：

• 检测什么产品？产品尺寸、材质、表面特性是什么？
• 需要检测哪些缺陷类型？每种缺陷的定义和判断标准是什么？
• 缺陷的严重等级如何划分？哪些是必须检出的致命缺陷，哪些是可以容忍的轻微缺陷？
• 目前人工检测的准确率、漏检率、误检率是多少？
• 目前最头疼的缺陷类型是什么？哪类缺陷漏检最多？

生产和环境相关：

• 生产线速度是多少？每件产品的检测时间预算是多少？
• 产品在产线上的姿态是否固定？定位精度如何？
• 检测位置在哪里？能安装相机和光源吗？空间有多大？
• 生产环境的光照、温度、湿度、震动、粉尘情况如何？
• 产品是否有油污、水渍、粉尘等干扰因素？

系统和集成相关：

• 检测结果如何输出？（声光报警、显示屏、MES系统对接、PLC信号）
• 不合格品如何处理？（自动剔除、人工复核、下线标记）
• 需要和哪些系统对接？（MES、ERP、SPC、PLC）
• 数据需要保存多久？检测图片和结果是否需要追溯？
• 操作人员的技术水平如何？系统需要多简单易用？

效果和成本相关：

• 期望的准确率、漏检率、误检率是多少？
• 期望的检测速度是多少？
• 项目预算是多少？期望的投资回收期是多久？
• 项目周期要求是多久？

37.2.2 效果目标的量化定义

效果目标必须量化、可验证，不能用"准确率高"这种模糊描述。

核心效果指标定义：

目标设定原则：

• 漏检率优先：在质检场景，漏检的代价比误检大得多（不合格品流入市场可能导致客户投诉、退货、品牌损失），所以优先保证低漏检率，适当容忍较高的误检率（误检可以人工复核）
• 分缺陷类型设定：不同缺陷类型的严重程度不同，致命缺陷（如裂纹、断裂）要求漏检率<0.5%，轻微缺陷（如小污渍）漏检率<2%即可
• 分阶段目标：不要一开始就要求最终目标，设定分阶段目标——POC阶段90%、Alpha阶段95%、Beta阶段97%、上线阶段98%+
• 和人工对比：目标至少要比人工好（人工准确率95%、漏检率3-5%），否则没有替代价值

示例目标：

• 整体准确率>98%
• 致命缺陷漏检率<0.5%，一般缺陷漏检率<2%
• 误检率<3%（误检品转人工复核，实际剔除率<1%）
• 检测速度>200件/小时
• 单张图片推理时间<500ms
• 系统可用性>99.5%

37.3 技术方案设计

37.3.1 系统整体架构

AI质检系统的整体架构分为5层：

┌─────────────────────────────────────────────────┐
│  应用层：检测软件、数据看板、MES对接、报警系统    │
├─────────────────────────────────────────────────┤
│  算法层：缺陷检测模型、分类模型、图像预处理       │
├─────────────────────────────────────────────────┤
│  平台层：模型训练平台、数据管理平台、模型管理     │
├─────────────────────────────────────────────────┤
│  硬件层：工业相机、镜头、光源、边缘计算设备、PLC  │
├─────────────────────────────────────────────────┤
│  数据层：原始图片、标注数据、检测结果、模型文件   │
└─────────────────────────────────────────────────┘

37.3.2 硬件选型

1. 工业相机
相机是AI质检的"眼睛"，选型直接影响图片质量和检测效果。

2. 镜头
镜头和相机匹配，根据工作距离、视野范围、分辨率选择。

• 定焦镜头：性价比高，适合固定检测距离
• 远心镜头：消除透视畸变，适合高精度测量，贵
• 变焦镜头：灵活但精度低，不推荐用于高精度检测

3. 光源
光源是AI质检的"灵魂"，好的光源能让缺陷清晰可见，大幅降低算法难度。

光源选型原则：

• 缺陷和背景的对比度最大化——好的光源能让缺陷和背景差异明显
• 减少反光和阴影——反光和阴影会被误判为缺陷
• 光照均匀——整个视野光照均匀，避免明暗差异
• 稳定可靠——长时间运行亮度不衰减，不受环境光影响

4. 边缘计算设备
模型推理在边缘设备上运行，要求低延迟、高可靠。

37.3.3 算法方案

1. 技术路线选择

推荐方案：大多数制造业质检场景，首选目标检测（YOLOv8）——能定位缺陷位置、识别缺陷类型、准确率高、推理速度快、生态成熟。如果只需要合格/不合格判断，用图像分类更简单。如果缺陷样本极少，先用异常检测做初筛，再逐步积累数据用目标检测。

2. 模型选型
YOLOv8系列模型选择：

选型建议：

• 边缘设备（Jetson）+ 简单缺陷：YOLOv8n或YOLOv8s
• 边缘设备 + 一般缺陷：YOLOv8s
• 工控机GPU + 复杂/小缺陷：YOLOv8m或YOLOv8l
• 先从YOLOv8s开始，效果不够再升级更大的模型

37.4 数据准备：AI项目最关键的环节

37.4.1 数据采集

数据采集原则：

• 覆盖全面：覆盖所有缺陷类型、所有产品型号、所有生产批次、所有光照条件
• 分布真实：数据分布要和真实生产场景一致，不要只采集"好看"的样本
• 数量足够：每种缺陷类型至少300-500张（目标检测），正常样本至少是缺陷样本的2-3倍
• 质量优先：图片清晰、对焦准确、光照合适，模糊、过曝、过暗的图片不要
• 持续采集：数据采集不是一次性的，上线后持续采集新数据，特别是bad case

数据采集方法：

1. 在生产线上安装相机，连续拍摄一段时间（如1-2周），收集大量图片
2. 人工筛选：从大量图片中筛选出有缺陷的图片和代表性的正常图片
3. 主动采集：针对罕见缺陷，专门安排生产或从历史记录中找
4. 多条件采集：不同光照、不同角度、不同产品状态都要采集
5. 数据增强：对少量缺陷类型做数据增强（旋转、翻转、亮度调整、裁剪、加噪）

37.4.2 数据标注

标注标准制定：
标注标准是数据质量的基础，必须在标注前制定详细的标注规范：

• 每种缺陷类型的明确定义（什么算划痕？什么算污渍？边界情况怎么判断？）
• 标注方式（bounding box的标注规则——框多大？是否包含背景？）
• 缺陷等级划分（致命/严重/一般/轻微）
• 模糊情况的处理规则（不确定的标什么？）
• 多缺陷同时出现的处理规则
• 标注示例（每种缺陷至少5个正例和5个反例）

标注流程：

1. 标注培训：标注前对所有标注人员进行培训，讲解标注标准，做标注练习，确保理解一致
2. 试标注：先标注100张，检查标注质量，发现问题及时修正标准
3. 正式标注：按照标准进行标注，使用标注工具（LabelImg、LabelMe、CVAT等）
4. 质量抽检：至少10%的标注数据由资深人员或专家抽检，标注准确率要求>95%
5. 不一致处理：标注不一致的样本由专家仲裁，确定正确标注，更新标注标准
6. 多轮标注：重要数据可以双人标注，取一致部分，不一致部分仲裁

标注工具推荐：

• CVAT：开源、功能强大、支持团队协作、支持多种标注类型，推荐
• LabelImg：简单易用、支持YOLO格式，适合小项目
• LabelMe：支持多边形标注、语义分割
• Make Sense AI：在线工具、AI辅助标注、无需安装
• 商业标注平台：百度智能云、阿里云、腾讯云的标注服务，适合大规模标注

37.4.3 数据集管理

数据集划分：

• 训练集（Train）：70%，用于模型训练
• 验证集（Val）：15%，用于训练过程中调参和模型选择
• 测试集（Test）：15%，用于最终效果评估，绝对不能用于训练和调参

划分原则：

• 分层抽样：每个缺陷类型在三个集合中的比例一致
• 同一产品/批次的图片不要同时出现在训练集和测试集（避免数据泄露）
• 测试集要包含最难的样本（罕见缺陷、边界情况、模糊样本），这样评估才真实
• 测试集一旦确定就不要改，所有模型版本都在同一个测试集上评估，确保可比性

数据版本管理：

• 每个数据集版本有明确的版本号（如dataset_v1.0、v1.1）
• 记录每个版本的变更（新增了多少张、修正了多少标注、删除了多少脏数据）
• 模型训练记录用的是哪个版本的数据集
• 发现标注问题能回滚到上一个版本
• 可以用DVC（Data Version Control）工具做数据版本管理

37.5 模型开发和调优

37.5.1 开发流程

第一步：Baseline搭建（1-2周）
  - 用YOLOv8s默认配置，在初步数据集上训练
  - 目标：跑通流程，得到初步效果（通常准确率85-90%）
  - 输出：Baseline模型、初步效果评估、问题分析
  ↓
第二步：数据优化（2-3周）
  - 增加数据量（特别是效果差的缺陷类型）
  - 优化标注质量（修正错误标注、统一标注标准）
  - 数据增强（针对小缺陷、罕见缺陷）
  - 难例挖掘（用Baseline模型预测，优先标注模型不确定的样本）
  - 目标：数据质量和数量提升，准确率提升3-5%
  ↓
第三步：模型调优（2-3周）
  - 超参数调优（学习率、batch size、anchor、输入分辨率）
  - 模型选型（尝试YOLOv8m/l，看是否有提升）
  - 训练策略（多尺度训练、冻结训练、余弦退火学习率）
  - 损失函数调整（针对小缺陷、类别不平衡）
  - 目标：准确率再提升2-3%
  ↓
第四步：专项优化（2-3周）
  - 针对漏检率最高的缺陷类型专项优化
  - 针对误检率最高的场景专项优化
  - 模型集成（多个模型投票，提升稳定性）
  - 阈值调优（平衡漏检率和误检率，根据业务成本调整）
  - 目标：达到最终效果目标（准确率>98%，漏检率<1%）
  ↓
第五步：性能优化（1周）
  - 模型压缩（剪枝、量化、蒸馏）
  - TensorRT/ONNX加速
  - 推理优化（batch推理、多线程、缓存）
  - 目标：在边缘设备上达到速度要求（<500ms/张）

37.5.2 效果评估和bad case分析

每次模型迭代都要做完整的效果评估：

• 在同一个测试集上评估，确保可比性
• 计算整体指标（准确率、漏检率、误检率、精确率、召回率、F1）
• 分缺陷类型计算指标（哪种缺陷效果好，哪种差）
• 分缺陷等级计算指标（致命缺陷的漏检率必须严格控制）
• 混淆矩阵分析（哪些缺陷容易被混淆）
• 和上一个版本对比，哪些提升了，哪些下降了

bad case分析方法：
bad case（模型判断错误的样本）是优化的金矿，每次迭代都要深入分析：

1. 收集所有bad case（漏检和误检）
2. 分类统计：
   • 按缺陷类型分类：哪种缺陷的bad case最多？
   • 按错误类型分类：是漏检还是误检？是定位不准还是分类错误？
   • 按原因分类：数据问题（标注错、样本少）？模型问题（小缺陷检测不到）？环境问题（光照、模糊）？
3. Top问题分析：找出占比最高的2-3类问题，深入分析原因
4. 制定优化方案：针对每类问题制定具体的优化措施（补数据？改标注？调参数？换模型？）
5. 验证优化效果：下一轮迭代后检查这类问题是否减少

常见bad case原因和对策：

37.5.3 阈值调优：平衡漏检和误检

模型输出的置信度阈值直接影响漏检率和误检率的平衡：

• 阈值低（如0.25）：更多样本被判定为缺陷→漏检率低，但误检���高
• 阈值高（如0.75）：只有高置信度样本被判定为缺陷→误检率低，但漏检率高

调优方法：

1. 在验证集上计算不同阈值下的漏检率和误检率，画出ROC曲线或PR曲线
2. 根据业务成本确定最优阈值：
   • 漏检代价远大于误检代价（如汽车零部件、医疗设备）：选低阈值，保证漏检率<0.5%，容忍较高误检率（误检品人工复核）
   • 漏检和误检代价相当：选平衡点，F1最高的阈值
   • 误检代价大于漏检代价（如奢侈品外观检测，误剔损失大）：选高阈值，保证误检率低
3. 分缺陷类型设置不同阈值：致命缺陷用低阈值（严格检出），轻微缺陷用高阈值（减少误检）
4. 设置"可疑"区间：置信度在0.3-0.6之间的判定为"可疑"，转人工复核，不直接判定合格或不合格

37.6 系统集成和部署

37.6.1 系统功能设计

AI质检系统的核心功能模块：

37.6.2 部署架构

边缘部署（推荐）：

产线相机 → 边缘计算设备（Jetson/工控机）
  ├─ 实时推理（本地运行，低延迟）
  ├─ 结果输出（PLC/显示屏/报警）
  └─ 数据上传（检测结果和图片上传服务器）
       ↓
中心服务器
  ├─ 数据存储和管理
  ├─ 模型训练和更新
  ├─ 数据看板和分析
  └─ 多产线统一管理

边缘部署的优点：

• 低延迟：本地推理，不需要网络传输，满足实时性要求
• 高可靠：不依赖网络，网络断了产线还能正常检测
• 数据安全：原始图片不需要全部上传，保护生产数据安全
• 成本低：边缘设备比服务器便宜，每条产线独立部署

模型部署优化：

• 模型格式转换：PyTorch → ONNX → TensorRT（NVIDIA GPU加速）
• 模型量化：FP32 → FP16/INT8，减少显存占用，提升推理速度（精度损失<1%）
• 批量推理：多张图片一起推理，提升GPU利用率（但增加延迟，根据场景选择）
• 多线程：图片采集、预处理、推理、后处理流水线并行
• 硬件加速：利用Jetson的Tensor Core、DLA（深度学习加速器）

37.6.3 系统稳定性保障

工业系统要求高可用性，必须有完善的稳定性保障措施：

• 看门狗机制：监控程序运行状态，异常自动重启
• 异常处理：相机断连、推理失败、PLC通信异常等都有处理机制，不会导致系统崩溃
• 降级策略：AI检测异常时自动降级为"全部转人工复核"模式，不会导致不合格品流出
• 数据备份：检测数据和图片定期备份，防止数据丢失
• 日志系统：详细的运行日志，出问题能快速定位
• 监控告警：系统状态、检测速度、准确率、异常率实时监控，异常自动告警
• 灰度更新：模型更新先在一条产线试点，验证稳定后再推广到所有产线
• 回滚机制：模型更新出问题能5分钟内回滚到上一个稳定版本

37.7 上线和持续运营

37.7.1 上线策略：AI+人工并行

AI质检系统上线不要直接替代人工，建议采用"AI+人工并行"的渐进式策略：

阶段1：影子模式（2-4周）

• AI和人工同时检测，但AI结果不参与生产决策（不剔除、不报警）
• 对比AI和人工的结果，统计AI的准确率、漏检率、误检率
• 收集AI和人工不一致的样本，分析原因，优化模型
• 目标：AI效果达到或超过人工，团队对AI有信心

阶段2：AI辅助人工（2-4周）

• AI检测结果展示给人工检测员，作为辅助参考
• AI判定为合格的，人工抽检（抽检比例20-30%）
• AI判定为不合格的，人工100%复核确认
• AI判定为可疑的，人工100%复核
• 目标：减少人工工作量50%，同时保证质量

阶段3：AI为主，人工复核（长期）

• AI独立检测，自动剔除高置信度不合格品
• 可疑品和低置信度品转人工复核（比例5-10%）
• 人工只做复核和异常处理，不再做全量检测
• 持续收集bad case，定期更新模型
• 目标：检测人员减少70-80%，质量稳定提升

37.7.2 持续运营机制

AI质检系统上线不是结束，而是持续运营的开始：

日常运营（每日）：

• 监控系统运行状态（可用性、检测速度、异常率）
• 检查检测数据（合格率、缺陷分布、异常波动）
• 处理系统告警和异常
• 收集操作人员反馈

每周优化：

• 分析本周bad case（漏检和误检样本），分类统计
• 确定Top 3问题，制定优化措施
• 补充新数据（特别是新出现的缺陷类型和bad case）
• 模型微调（每周或每两周更新一次模型）
• 效果验证：新版本模型在测试集上效果不下降才发布

每月复盘：

• 月度效果趋势分析（准确率、漏检率、误检率变化）
• 成本效益分析（节省了多少人工、投资回收进度）
• 缺陷趋势分析（哪些缺陷在增加，反映生产工艺问题）
• 系统稳定性分析（故障率、停机时间）
• 下月优化计划

模型漂移监控：

• 监控数据分布变化（产品外观变化、光照变化、新缺陷类型出现）
• 监控模型效果变化（准确率是否在下降）
• 定期用最新数据重新评估模型效果
• 发现效果下降及时更新模型
• 一般每3-6个月需要一次较大的模型更新

37.8 成本和ROI分析

37.8.1 项目成本构成

37.8.2 收益分析

直接收益：

• 人力成本节省：每条产线检测人员从4人减少到1人（只做复核），每人年成本8-10万（工资+社保+福利），年节省24-30万/产线
• 漏检减少带来的损失减少：漏检率从5%降到0.5%，减少客户投诉、退货、索赔，年节省10-50万（根据产品价值和客户要求）
• 效率提升带来的产能增加：检测速度从100件/小时提升到300件/小时，消除检测瓶颈，产能提升200%，增加产值
• 质量数据价值：系统化的质量数据支持质量改进、工艺优化、供应商管理，间接提升产品质量和生产效率

间接收益：

• 客户满意度提升，订单增加
• 质量管控能力提升，能进入更高端的客户供应链（如汽车、电子行业对质量追溯有要求）
• 数字化转型标杆，提升企业形象
• 检测数据积累，为后续AI应用（如预测性维护、工艺优化）打基础

37.8.3 ROI计算示例

某汽车零部件企业，5条产线上AI质检：

一次性投入：80万（单条产线16万×5）
年运维成本：5万/年

年收益：
- 人力节省：每条产线节省3人×9万/年=27万，5条产线=135万/年
- 漏检损失减少：年减少退货索赔20万
- 效率提升：产能提升带来的利润增加30万/年
年收益合计：185万/年

年净收益：185万 - 5万 = 180万/年
投资回收期：80万 ÷ 180万/年 ≈ 5.3个月
3年ROI：(180×3 - 80) ÷ 80 = 575%

这个案例中，投资回收期只有5个多月，3年ROI达到575%，是非常划算的投资。当然，具体ROI因行业、产品、产线规模、人工成本而异，但大多数制造业AI质检项目的投资回收期在6-18个月之间。

37.9 常见坑和避坑指南

37.10 本章小结

AI质检是制造业AI应用最成熟、ROI最高的场景之一。本章从零开始，完整讲解了AI质检系统的搭建全流程。

核心内容回顾：

项目背景：传统人工质检效率低、漏检率高、一致性差、成本高、数据缺失；AI质检在速度、准确率、一致性、成本、数据方面有显著优势；适合缺陷明确、数据充足、位置固定、视觉可见、检测量大、环境稳定的场景。

需求分析：深入调研产品缺陷、生产环境、系统集成、效果成本等关键问题；效果目标必须量化（准确率、漏检率、误检率、精确率、召回率、F1）；质检场景漏检率优先，分缺陷类型设定目标，分阶段达成。

技术方案：系统5层架构（应用层、算法层、平台层、硬件层、数据层）；硬件选型（工业相机、镜头、光源、边缘计算设备），光源是"灵魂"；算法方案首选YOLOv8目标检测，根据边缘设备和缺陷复杂度选择n/s/m/l型号。

数据准备：数据采集要覆盖全面、分布真实、数量足够、质量优先、持续采集；数据标注要制定详细标准、培训、试标注、正式标注、质量抽检（>95%准确率）；数据集70%训练/15%验证/15%测试，分层抽样，测试集固定；数据版本管理。

模型开发：5步流程（Baseline→数据优化→模型调优→专项优化→性能优化）；每次迭代做完整效果评估和bad case分析；阈值调优平衡漏检和误检，根据业务成本选择最优阈值，设置"可疑"区间转人工。

系统集成部署：8大功能模块；边缘部署架构（低延迟、高可靠、数据安全、成本低）；模型部署优化（ONNX→TensorRT、量化、批量推理、多线程）；稳定性保障（看门狗、异常处理、降级策略、备份、监控、灰度更新、回滚）。

上线运营：渐进式上线策略（影子模式→AI辅助人工→AI为主人工复核）；持续运营机制（日常监控、每周优化、每月复盘、模型漂移监控）。

成本ROI：单条产线一次性投入50-110万，年运维3-8万；年收益包括人力节省（24-30万/产线）、漏检损失减少、效率提升、数据价值；大多数项���投资回收期6-18个月。

8个常见坑：数据不足、标注质量差、实验室效果好真实环境差、只看准确率忽视漏检率、忽视误检成本、上线就解散团队、追求100%准确率、硬件选型不当。

记住：AI质检项目成功的关键不是用了多先进的算法，而是数据质量、硬件打光、场景选择、持续运营。把这四件事做好，你的AI质检项目就能成功。

📝 本章练习（5题）

答案与解析请在 互动学习看板 中作答查看。

📚 AI产品经理实战训练营 课程目录（44 章）

1. 第1章 AI产品经理是做什么的？和传统PM有什么区别？
2. 第2章 2026年AI产品经理就业市场：哪些行业在招？薪资多少？
3. 第3章 零经验转行AI产品经理的3条路径
4. 第4章 AI产品全景图：从聊天机器人到Agent，一文搞懂
5. 第5章 AI产品经理能力模型：你需要掌握哪些技能？
6. 第6章 实战：拆解3个你每天在用的AI产品
7. 第7章 大模型是什么？用大白话讲清楚
8. 第8章 主流大模型对比：GPT-4o、Claude、DeepSeek、豆包、Kimi怎么选？
9. 第9章 Prompt入门：写好提示词的5个原则
10. 第10章 Prompt进阶：System Prompt、COT思维链、Few-shot示例
11. 第11章 结构化输出：让大模型返回JSON、表格、代码
12. 第12章 Prompt优化实战：从垃圾Prompt到高质量Prompt
13. 第13章 大模型的"幻觉"问题：产品经理怎么应对？
14. 第14章 实战：为一个智能客服设计完整Prompt体系
15. 第15章 RAG是什么？为什么企业都在做知识库？
16. 第16章 RAG工作原理：文档→分块→向量→检索→生成
17. 第17章 向量数据库选型：Milvus、Pinecone、Chroma、pgvector怎么选？
18. 第18章 Embedding模型选型：OpenAI、BGE、M3E、GTE对比
19. 第19章 Reranker重排序：让检索结果更精准
20. 第20章 查询改写与混合检索：提升召回率的实战技巧
21. 第21章 知识库运营：文档治理、更新机制、效果监控
22. 第22章 实战：从零搭建一个企业知识库（完整流程）
23. 第23章 Agent是什么？和聊天机器人有什么区别？
24. 第24章 Agent核心能力：感知、规划、工具调用、记忆
25. 第25章 主流Agent框架与协议：Agent Harness、MCP、A2A全解析
26. 第26章 工具调用（Function Calling）原理与实战
27. 第27章 Agent记忆系统：短期记忆、长期记忆、向量记忆
28. 第28章 多Agent协作：多个智能体怎么分工配合？
29. 第29章 Agent评估体系：成功率、成本、延迟怎么监控？
30. 第30章 实战：设计一个制造业生产异常处理Agent
31. 第31章 AI产品需求分析：怎么识别真需求还是伪需求？
32. 第32章 AI产品竞品分析：怎么调研和拆解竞品？
33. 第33章 AI产品PRD撰写：技术可行性、数据需求、评估指标
34. 第34章 AI产品原型设计：对话流、状态机、异常处理
35. 第35章 AI产品数据指标体系：从DAU到模型准确率，全面监控
36. 第36章 AI项目管理：从需求到上线的全流程管控
37. 第37章 实战项目1：从零搭建制造业AI智能质检系统
38. 第38章 实战项目2：从零搭建企业级AI知识库（RAG系统）
39. 第39章 AI产品经理简历优化：让HR一眼看中你
40. 第40章 项目经验包装：把普通项目讲成亮眼案例
41. 第41章 AI产品经理面试常见问题：提前准备，从容应对
42. 第42章 案例分析面试：用结构化思维征服面试官
43. 第43章 薪资谈判：拿到你应得的报酬
44. 第44章 入职前3个月：快速站稳脚跟，建立信任