起步：涉密行业，从零搭了个内网AI

从事航空发动机零部件制造已经是第13年。近几年虽然AI蓬勃发展，一直受限于保密安全问题，无法实际借助AI来提效，本地数据不联网，成为了我一直绕不过去的坎。

2026年4月我开始接触AI的时候，外面各种工具铺天盖地，我却连用都用不了。心里其实挺急的。

最开始的想法特别直接：让大模型帮我处理工艺研判、叶盘生产、报价计算这些复杂业务。

结果呢，全面翻车。行业术语认不全，工艺逻辑理不清，输出看着像模像样，仔细一核对全是错的，根本用不了。

碰完这鼻子灰，我冷静下来了。搞不定就是搞不定。我给自己重新画了一条线：不急着落地业务，先把内网AI环境搭起来，搞清楚这东西到底能干什么、不能干什么，再一步一步往前走。

内网部署的过程本身也踩了不少坑。

最早用的是Ollama加OpenWebUI，当时网上搜全是这个方案。Ollama管模型调度，OpenWebUI提供界面。发现这个组合后，我以为找对路了，可是第一步的内网部署就撞了墙。OpenWebUI部署方法看起来很简单，可是在局域网环境就是跑不通，周末加班折腾了两天，愣是没打开登录界面，CMD和PowerShell黑窗看的脑袋都大，问豆包给我的指令只能一步一步敲，代码是一句都不懂，最后没办法，中断了几天，找到了新的工具Anythingllm ，算是把内网大模型跑通了。实现了对话功能和基础的校对工作。

后面接触的越来越多，了解到了更好的模型调用工具，性能更好的llama.cpp，这东西更轻量，资源占用低，部署也干净，全面迁移到llama.cpp后，稳定性直接上去了。内网全闭环的AI环境才算真正跑通。

模型方面，初期跑的是Gemma 4 31B稠密模型，推理速度每秒二十几个token，能用但不够流畅。后来迭代到Qwen 27B，速度直接从二十几拉到五十，流畅太多了。长文档、批量文档、多轮处理彻底流畅了，到了生产级可用的状态。

底座稳了之后，第一件事就是解决日常最痛的痛点——工艺文档校对。

这行要处理的文档量很大，工艺设计总结、首件研制总结、PFMEA……以前人工过一遍，错别字、标点混乱、前后参数不对应、语句不通，这些问题常年存在，改不胜改。现在全部在内网用本地模型完成校对、润色、纠错，规整度和严谨度直接上了一个台阶。

我没从"玩AI工具"开始。我从"自建内网底座、摸清能力边界"起步。如果你也在涉密行业，别想着一步到位，先把基础设施搭起来，让AI在安全环境里转起来。后面的事才能谈。

第一次尝到甜头：自研叶型检验脚本

内网底座稳了以后，我没有急着去攻坚复杂的工艺建模，而是盯上了自己每天都在重复、最耗时、最容易出错的事——叶片叶型检验报告复盘。

做航空叶盘和叶片的都知道，单个叶片要采集多个截面数据，一套完整批次动辄几十上百份矢量PDF。以前每一份都要人工点开，逐截面核对，找超差、对比公差、汇总问题。完整复盘一个批次，纯人工三四个小时。

极度枯燥，极度耗神，最要命的是——人工太容易漏超差了。重复性强、价值低、疲劳度高、风险高，这是我工作里最大的时间黑洞。

于是我开始做真正意义上的第一次"AI给我造工具"。

这个时候，我会使用的外网AI工具还只有豆包，我先让豆包识别、学习我司专属的报告版式、矢量PDF结构、字段规律、公差逻辑。一次次迭代调试提取规则，修正识别偏差，优化匹配逻辑。反复试，反复改，终于跑通了第一条叶型报告全自动提取脚本。

最后我自己做了封装，生成可独立运行的EXE文件，不需要装Python，双击就能跑。

工具成型那一刻，效率完全不一样了：原来三四个小时的报告整理，几分钟完成全自动汇总。自动筛选超差，自动归类截面数据，自动输出问题汇总表。人工漏检的风险彻底杜绝了。

我当时确实很感慨——AI不只是聊天，我终于也是吃到了AI的红利。

尝到第一版甜头后，我没有停。针对工厂不同测量设备、不同输出格式、不同结构的检验报告，我又陆续搞了三四套专属定制脚本，覆盖了全部主流叶型检验文件。多设备报告统一解析，批量PDF全自动读取，超差自动筛查，数据结构化归档——可追溯、可对比、可复盘。

也是从这个时候开始，我真正明白了一件事：AI最大的价值不是炫技，是把工程师从无脑重复劳动里彻底拽出来。