从工艺人员自建工艺智能体，到连接客户需求与制造执行，Quick AI正在成为联泰科技推进工业AI应用的重要平台。

上海2026年10月10日 美通社 －－ 一份复杂零件的3D模型送到工艺人员面前，打印任务并不会立即开始。

材料是否合适，零件应该怎样摆放，哪里需要支撑，哪些位置可能变形，参数如何调整？这些问题，往往需要经验丰富的工程师逐一判断，再通过试验找到可行方案。

过去在联泰科技，这个过程可能几个小时乃至几天。

现在，对于有相近案例和历史经验支撑的新项目，工艺人员借助自己建立的工艺智能体，可以在几分钟内生成一版工艺方案，再由工程人员审核，并针对关键风险安排验证。

这一变化，发生在联泰自己的企业Agent OSQuick AI平台上。

联泰科技副总经理兼数字化中心及AI负责人杨根认为，工业3D打印正在进入一个新的竞争阶段。设备能够制造越来越复杂的零件，客户则进一步要求企业能够稳定、持续地小批量交付零件。

“设备决定了我们能做什么，但一个复杂项目能不能快速形成方案、稳定交付，还取决于工程经验和流程协同。”杨根说，“我们推进AI，就是希望把这些能力更好地组织起来。”

工艺专家，把自己的经验变成工艺智能体

在工业制造中，许多重要知识保存在人的经验里。

同一种材料，面对不同壁厚、结构和用途，可能需要不同的处理方式。某次参数调整为什么有效，某个支撑方案为什么失败，往往只有参与过项目的人最清楚。

这些经验经过多年积累，构成了企业的技术能力。但当新项目到来时，团队仍然需要找到熟悉情况的工程师，翻查记录，重新判断。
Quick AI正在为这些经验提供新的载体。

工艺人员可以在平台上制作自己的工艺智能体，持续记录工艺过程、试验结果和经验数据。一个方案采用了什么材料和参数，遇到了哪些问题，后来如何调整，最终结果怎样，都可以成为后续项目的参考。

“过去，一个项目完成后，留下来的通常是最终方案。但真正有价值的，还有中间的判断过程。”杨根说，“为什么这样摆放，为什么调整参数，哪些方法试过却没有成功，这些内容值得留下来。”

当新项目进入时，工艺智能体可以结合已有记录和相近案例，快速组织方案建议，帮助工程人员找到值得优先验证的路径。

对于具备历史经验支撑的项目，原本需要较长时间查找、讨论和探索的方案准备过程，可以压缩到几分钟。工程人员则把更多精力投入新结构、新材料和关键风险的验证。

这里的“几分钟”，指的是方案生成，并不意味着零件已经完成全部工艺验证。复杂项目仍需要工程审核和必要试验。变化在于，团队能够更快获得一个有依据的起点，减少重复试错。

“我们希望工艺人员做过的每一个项目，都能帮助团队更好地处理下一个项目。”杨根说。

Quick AI要进入流程，背后需要一条数据链

工艺智能体只是一个切入口。让AI进一步参与制造，还需要解决业务系统之间的连接问题。

客户要求可能在邮件里，报价依据保存在另一套系统中，生产进度由工厂维护，质量记录又由不同人员管理。即使AI能够理解每条信息，也需要知道它们属于哪个订单、哪个零件、哪个版本。

联泰此前近十年的数字化建设，为这一步提供了基础。

Unionfab Cloud围绕客户、询单、报价、订单和供应链组织经营协同；Unionfab ONE连接模型处理、工艺配置与设备操作；Auto产品线则围绕专用算法和智能化应用持续研发。

Quick AI的角色定位，是在这套体系上组织智能体与知识、业务工具的协作，让人员更便捷地调用已有能力。

Cloud和ONE继续承接经营与制造流程，Quick AI则为任务理解、知识调用和工具协作提供新的入口。随着接口和工作流逐步完善，智能体能够参与的业务范围也将进一步扩大。

“联泰这些年积累了软件工具，也积累了很多制造经验和工艺数据，联泰系统积累了近500万份工业零件模型及配套的工艺参数数据。”杨根说，“Quick AI要做的是让业务人员更容易找到和使用这些能力，让AI能够接得上实际工作。”

报价就是一个已经运行的起点。

Unionfab已在部分标准化需求中应用自动报价，结合模型信息、材料、工艺规则与成本计算，缩短客户等待时间。特殊要求和复杂项目则进入人工评审。

这些工具为后续工艺智能体辅助需求理解、材料选择和报价准备提供了基础。涉及价格承诺、关键工艺和质量要求的决策，仍需经过相应规则和人员确认。

AI应用由此沿着明确的业务任务推进：先解决一个具体问题，在实际流程中验证，再扩大使用范围。

Unionfab，让AI每天面对真实订单

联泰还有一个重要的业务验证场景：Unionfab海外制造服务平台。

在这里，客户需求从线上触达和询价开始，经过自动或人工报价、订单处理、供应链协同，最终进入生产、质检和物流交付。线上平台接到的单，一部分是由联泰自营的工业级3D打印机生产，一部分是通过Unionfab Cloud系统管理的数百家3D打印服务商构成的供应链网络。

每一个环节都会产生具体问题。

客户为什么没有接受报价？哪些模型反复需要人工修改？一项质量要求是否完整传递给生产端？某次异常为什么影响了交期？

这些问题决定技术应该优先解决什么，也帮助团队判断工具是否有效。

如果一项功能上线后，工程人员仍要大量重复核对，就需要继续改善。如果前处理减少了操作步骤，却没有提高制造稳定性，也需要重新验证。

“客户不会因为我们用了AI，就降低对质量和交期的要求。”杨根说，“他关心的是方案有没有用、响应是不是更快、零件能不能按要求交付。”

Unionfab让联泰能够持续接触真实需求，也让AI研发拥有实际反馈。工艺智能体提出的建议，需要接受生产条件、成本和质量结果的检验；项目产生的新经验，则可以继续补充到工艺记录中。

在轮胎模具等生产项目中，联泰也已开展设备、材料、软件与工艺组合方案的应用验证。这些制造实践，为进一步的智能化提供了依据。

自营服务平台与生产场景，共同形成了一种持续迭代的工作方式：业务提出问题，技术提供工具，制造结果验证效果。

制造结果，让经验有机会持续积累

工业AI需要回答一个关键问题：怎样知道自己的判断有效？

一个模型能够被软件处理，不代表它一定能够稳定生产。最终零件的质量、成本和交期，才是检验工艺选择的依据。

联泰正在推动模型特征、材料与工艺参数、设备状态，以及质量和交付结果之间的数据关联。其目的，是帮助团队理解一次制造判断为什么成功、为什么失败，以及哪些经验适合复用。

在授权范围和数据安全要求允许的前提下，这些记录可以用于知识沉淀、规则改进和算法优化。

Quick AI的长期价值，也将建立在这样的反馈基础上。工艺智能体能够参考的项目越丰富，经过验证的经验越完整，就越有条件为新的制造任务提供支持。

“我们最希望留下来的，是那些能够帮助下一次决策的经验。”杨根说，“一个项目做完以后，团队的能力也应该向前走一步。”

这意味着，资深工程师的经验有机会从个人积累，逐步转化为更多人员可以调用的组织能力。新人员可以借助历史经验更快进入工作，成熟工艺也有机会在更多设备、工厂和客户场景中验证与推广。

联泰的AI路径，最终指向制造能力的复制

联泰一直将AI能力建设作为提升其长期竞争力的核心工作。

设备和材料提供制造基础，软件将工艺组织成可执行的流程，Unionfab带来持续的客户需求与交付反馈，Quick AI则为工程知识和业务工具的调用提供新的方式。

这些能力能否形成价值，最终需要看具体经营结果：客户应用导入是否更快，工程人员是否能够承接更多项目，质量和交付是否更稳定，成熟方案是否能够复制到更多客户。

联泰正在沿着这条路径推进。

随着Quick AI与既有数字化体系逐步衔接，联泰希望进一步连接客户需求、工艺判断、设备执行和结果反馈，推动制造能力持续积累与复制。

工业3D打印的竞争，正在延伸到单台设备之外。能够多快理解需求、多稳交付产品，以及多有效地复用经验，将越来越影响一家企业的增长质量。

联泰把AI放进制造流程，正是围绕这些问题展开。