【CSDN 编者按】在 AI 大模型领域“工业落地难”一直是个老生常谈的话题。核心挑战往往不在于模型的能力而在于工业场景对数据隐私的极度敏感以及对物理常识的严苛要求。本文介绍的 MachinaCheck 提供了一个极佳的范式它没有盲目追求“大模型万能论”而是采取了“确定性逻辑智能分析”的分层架构并利用 AMD MI300X 的高性能算力在工厂本地完成了从 CAD 解析到生产建议的全链路闭环。原文链接https://huggingface.co/blog/lablab-ai-amd-developer-hackathon/machinacheck作者 Syed Muhammad Sarmad责编 | 梦依丹出品 | CSDNIDCSDNnews走进一家传统的 CNC 加工车间你会发现“人工读图”依然是决定生产效率的隐形天花板。“经理拿着打印图纸在车间反复走动核对库存与公差每张图纸的评估耗时高达 1 小时。”对于一家繁忙的工厂而言每周数十次的询价意味着数百个小时的工时被困在这些重复性的可行性分析中。因为依赖人工经验难免会出现“接单后才发现刀具缺位”或“设备精度撑不住核心指标”的尴尬。这不仅导致零件报废、工时白费更严重的是这类盲目接单正在不断透支客户的信任与企业的利润。MachinaCheck 如何用算力守住制造业的“核心机密”多智能体系统 MachinaCheck 通过上传 STEP 格式 CAD 文件并输入材料与公差需求系统能在 30 秒内给出一份精准的“生产诊断书”。它不仅能告诉你“能不能做”还会列出工具缺项与优化建议从此告别盲猜。MachinaCheck 相关链接HF Spacehuggingface.co/spaces/lablab-ai-amd-developer-hackathon/MachinaCheckGitHubgithub.com/SyedMuhammadSarmad/Manufacturing-Agent在高端制造业中STEP 文件往往包含企业数年研发积累的几何专利信息每一处孔位、每一个型腔设计都是价值连城的知识产权。将这些敏感数据发送给公有云端的 AI 接口如 OpenAI 等在严苛的保密协议下是绝对红线。AMD Instinct MI300X 的出现彻底打破了这种制约。凭借其超大的 192GB HBM3 显存与惊人的带宽能够将 Qwen 2.5 7B 这种高性能模型完全部署在工厂的本地服务器上。数据无需离厂计算在本地完成确保了客户的核心知识产权“足不出户”。这才是制造业真正需要的“隐私即设计”——它不仅仅是一纸空文的承诺而是通过底层架构决策让 AI 真正能够走进对安全极其敏感的工业客户的核心产线中。加入 AMD AI 开发者计划免费领 50 小时云算力券进群月月抽显卡、AIPC好运不停Agent 架构严谨的“五级流水线”设计MachinaCheck 的“大脑”是一套基于 LangChain 开发、通过 FastAPI 驱动的五级流水线架构。为了确保决策的绝对可靠我们摒弃了“幻觉”风险采用了分层处理策略。组件 1STEP 文件解析器坚持“数学算术”在解析 CAD 核心数据时他们没有使用传统的视觉识别或 OCR 技术而是引入了基于 OpenCASCADE 内核的 Python 库 cadquery。简单来说它的工作方式是数学级读取系统直接拆解文件的底层几何参数而非通过图片去“猜”形状毫厘不差的提取无论是孔的直径与深度、平面的面积还是倒角、圆角及整体包围盒尺寸数据完全从数学模型中提取准确率 100%。为什么坚持这么做因为工业制造容不得“近似值”。如果是 Ø6.0mm 的孔系统给出的输出就是标准的 Ø6.0mm绝不会因为 OCR 的细微偏差或像素抖动而导致加工精度失准。通过将“数学硬核”与“智能分析”剥离保证了系统输出的第一手数据就是零误差的基石。def extract_features(step_file_path: str) - dict: model cq.importers.importStep(step_file_path) shape model.val() bb shape.BoundingBox() holes {} for face in model.faces().vals(): adaptor BRepAdaptor_Surface(face.wrapped) if adaptor.GetType() GeomAbs_Cylinder: radius adaptor.Cylinder().Radius() diameter round(radius * 2, 3) holes[diameter] holes.get(diameter, 0) 1 return { bounding_box_mm: {length: round(bb.xlen, 3), ...}, holes: [...], flat_surfaces_count: len(flat_surfaces), }Agent 1——工艺分类器Qwen 2.75B当 CAD 文件被解析成一堆数学数据后剩下的工作就交给了驻扎在 AMD MI300X 上的 Qwen 2.5 7B 模型。AI 的任务很明确它不仅仅是“看图”而是要结合材料学知识与加工工艺回答一个核心问题“造这个零件到底需要什么样的设备和刀具”懂行才是真正的工业 AI材料匹配它知道 304 不锈钢硬度高必须配套硬质合金刀具否则就是“废刀”工艺避坑它能识别出圆柱孔用钻头更高效而不是瞎用立铣刀精度把控当公差要求达到 ±0.005mm 时它会直接判定标准铣床无法达标必须调度精密加工设备。这就像是一个经验老道的老师傅坐镇后台在零件生产前就已经预判了所有的工艺雷区。Agent 2——库存管家拒绝一切花哨的幻觉该智能体不使用 LLM也是 MachinaCheck 项目中极具工程哲学的一环。坚守确定性刀具库存查询不需要大模型去“思考”只需要实打实的数据库匹配极致效率直接通过 Python 进行确定性的查询与对比。因为在大模型处理数据库查询时往往会带来不必要的计算延迟甚至可能产生错误的“幻觉”。在这里代码的逻辑远比 AI 的概率计算更可靠。Agent 3——可行性决策Qwen 2.75B当前面的零件几何数据、工艺需求以及库存匹配结果全部到位后所有的信息再次汇聚到 Qwen 2.5 7B 手中。综合推理它不再关注局部而是从上帝视角对整个项目进行评估;结构化输出它会把复杂的分析过程“压缩”成一份清晰、可执行的决策文档直接告诉经理这单能接吗如果不能缺哪个刀具哪个精度要求超标了{ decision: CONDITIONAL, confidence: HIGH, reason: All tools available except M10x1.5 tap, action_items: [Purchase M10x1.5 tap ($15)], risk_flags: [Verify spindle speed for Steel 304], estimated_setup_hours: 2.5}Agent 4——报告生成器Qwen 2.5 7B如果前面的 Agent 是负责“干活”的工程师那这最后一个 Agent 就是负责“做总结”的生产经理。全盘整合它将复杂的几何分析、工艺拆解、库存匹配结果进行统一梳理一站式结论它输出的不是零碎的数据点而是一份专业的可制造性分析报告——从执行摘要到机床适配度从刀具缺失清单到最后的“接单建议”。至此MachinaCheck 的五级流水线设计已全盘呈现。回顾这套方案大家能清晰地看到一个严谨的工业逻辑感知层解析由 cadquery 负责追求 100% 的数学精确认知层工艺分析由大模型赋予制造常识模拟老师傅的经验业务层库存匹配由纯 Python 逻辑控制保证数据处理的零延迟与零幻觉决策层可行性判定综合推理给出全局判断交付层报告生成将数据转化为直观的决策建议。这种架构的核心哲学只有一句话能用规则解决的绝不使用 AI必须用 AI 的地方才引入大模型。相较于通用的 GPT 模型MachinaCheck 的真正护城河在于它被注入了“制造业常识”。它不仅仅是一个能聊天的 AI而是一个深度嵌入车间工作流、懂得工程限制、并严格遵循物理规律的工业专家。这种“物理常识与深度算力”的完美结合正是工业大模型落地场景中的精髓所在。硬核实战在 AMD MI300X 上跑通 AI只需一步对于开发者而言最头疼的往往是复杂的算力适配与环境部署但在这次项目中基于 AMD 的技术栈让他们体验到了“丝滑”的部署感。生态无缝衔接通过 ROCm 软件平台配合 vLLM 推理框架成功在 MI300X 上部署了 Qwen 2.5 7B 模型开箱即用不需要繁琐的环境配置直接使用 AMD 开发者云提供的 vLLM 快速启动镜像所有的依赖和配置项都已经预装妥当。python -m vllm.entrypoints.openai.api_server \ --model Qwen/Qwen2.5-7B-Instruct \ --host 0.0.0.0 \ --port 8000 \ --dtype float16 \ --gpu-memory-utilization 0.5通过设定 gpu-memory-utilization 0.5系统仅占用 192GB 显存中的 96GB在保证高性能的同时留足了系统余量。实测显示智能体调用平均延迟不到 3 秒几乎感受不到等待。借助 vLLM 提供的 OpenAI 兼容接口LangChain 的集成过程如丝般顺滑。只需要几行代码即可调用本地部署的 Qwen 大模型让复杂的工业逻辑实现“一键即达”。from langchain_community.llms import VLLMOpenAIllm VLLMOpenAI( openai_api_basehttp://localhost:8000/v1, openai_api_keyEMPTY, model_nameQwen/Qwen2.5-7B-Instruct, temperature0.1, max_tokens1000)成绩选取了 GrabCAD 上的真实零件模型进行“压力测试”结果非常亮眼特征解析仅需不到 1 秒从接收图纸到给出最终评估整套流程仅耗时 25 到 40 秒相比人工的 1 小时效率提升了一个数量级在所有的测试零件上系统对“可制造性”的判定均完全准确表现出远超预期的逻辑判断力在整个处理链条中对外传输的原始几何数据为零字节彻底守住了企业的核心知识产权底线。MachinaCheck 由 Syed Muhammad Sarmad 与 Sabari Doss R 在 2026 年 5 月的 AMD 开发者黑客松中联合开发完成。推荐阅读人均奖金达610万SK海力士回应微信灰度测试转账「组合支付」黄仁勋应届生们别怕AI当下是开启事业的最佳时机 | 极客头条AI 隐藏“思维链”是怕被人类监督污染OpenAI首席科学家访谈驾驭工程会越来越通用“今年还没亲手写过一行代码”Claude Code之父自曝CC诞生源于“偶然”现主要在手机上干活加入AMD AI 开发者计划与全球极客共筑开源加入即领 50 小时免费云算力进群抽显卡、AIPC好运不停活动与工作坊早鸟名额优先锁定AMD Al Academy 官方课程加速立即扫码加入⬇️⬇️