一个小型 CNC 工厂接到 RFQ，最耗人的经常不是加工本身，而是报价前那半小时。

读 STEP 文件。看孔径和深度。查刀具。估公差风险。判断这单能不能接。接错了，后面就是缺刀、延期、返工，甚至报废。

MachinaCheck 在 AMD 开发者黑客松里做了一件很具体的事：把这段报价前检查压到约 25-40 秒。它本地运行 Qwen 2.5 7B，部署在 AMD MI300X 上，输入 STEP 文件、材料、公差和螺纹规格，输出可制造性报告、缺失工具和行动建议。

我更在意的不是它叫不叫 Agent，而是 STEP 几何不出厂。制造业 AI 真要进车间，先过三道门：保密、确定性、责任边界。聊天能力排在后面。

它解决的不是加工，而是报价前的误判

MachinaCheck 面向 CNC 报价前检查。

原文给出的痛点很现实：小厂人工评估一张图纸要 30-60 分钟；一周如果收到 10-20 个 RFQ，熟练管理者会被可行性分析吃掉 5-20 小时。

这不是“效率焦虑”。这是接单风险。

接单后才发现缺 M10x1.5 丝锥，或者机床撑不住关键公差，损失不会停在一张报价单上。交期、客户信任、材料和工时都会一起赔进去。

问题MachinaCheck 的处理需要降温的地方
输入STEP 文件、材料、要求公差、螺纹规格输入信息仍然依赖用户给得准
输出可制造性报告、缺失工具、风险提示、行动建议不能替代最终工艺评审
速度特征提取低于 1 秒，完整流程约 25-40 秒这是测试表现，不是生产 SLA
验证使用 GrabCAD 的 STEP 文件测试不能等同真实工厂复杂订单

原文提到测试部件都判断正确。这句话只能说明原型链路跑通，不能外推成真实工厂的可靠准确率。

真实订单更脏：装夹、二次加工、多工序外协、材料批次、机床状态、供应商交期，都会改变判断。黑客松项目先别当成熟商业系统用。

对 CNC 小厂来说，比较现实的动作不是立刻把人撤掉，而是把它当成“报价前初筛器”。先筛掉明显缺工具、明显高风险的单，再让老师傅复核。这样省的是第一轮审图时间，不是全部工艺责任。

真正聪明的地方：LLM 没有乱伸手

这套系统最像样的地方，不是用了 Qwen 2.5 7B，也不是挂了多个 Agent。

关键在分工。

STEP 几何解析不用大模型。系统用 cadquery 和 OpenCASCADE 读取 STEP 文件，提取圆柱孔、直径、深度、平面、倒角、圆角、包围盒、体积、表面积。

这里要的是确定性。Ø6.0mm 的孔就该是 Ø6.0mm，不需要语言模型“理解”。

工具库存匹配也不用 LLM。纯 Python 查库、比对库存、判断有没有对应刀具。数据库查询就让数据库干，别让模型装懂。

LLM 被放在更合适的位置：操作分类、可行性决策、报告生成。比如根据材料、公差、孔特征判断需要哪些 CNC 操作；根据缺失工具和风险项给出条件通过或拒绝建议；最后整理成工厂经理能读的报告。

环节技术选择我的判断
STEP 特征提取cadquery / OpenCASCADE必须确定性，不能靠猜
操作分类Qwen 2.5 7B适合做制造知识推理
库存匹配纯 Python查库不该用 LLM
决策与报告Qwen 2.5 7B适合解释、归纳和建议

“工欲善其事，必先利其器。”这里的“器”不是单指 GPU，而是边界清楚的工具链。

几何归几何。库存归库存。推理归推理。

边界一乱，模型越强，事故越隐蔽。它会把一个不该接的单，说得像万事俱备。

这也是它和传统 CAM、报价软件的关系：更像前置筛查和解释层，不是替代完整 CAM 编程，也不是替代 ERP/MES/PLM。现有系统管工艺、排产、物料、成本和流程闭环；MachinaCheck 这类工具更适合先回答一句话：这张图现在能不能报价，卡点在哪里。

采购上也该按这个逻辑看。已有成熟数字化系统的工厂，可以观望它能否接入现有工具链。还靠人工审图的小厂，可以先关注本地部署、库存表对接、机床能力库这三件事。缺任何一个，演示再快也落不了地。

MI300X 的意义：本地推理是进厂门票

MachinaCheck 跑在 AMD MI300X 上，本地部署 Qwen 2.5 7B。

MI300X 的 192GB HBM3 显存和大内存带宽，对这个场景的价值很直接：模型可以在厂内跑，STEP 几何不必发到外部 API。

制造业对这件事非常敏感。客户图纸不是普通文档。孔位、腔体、轮廓、装配关系，都可能是知识产权。医疗器械、航空零件、工业设备订单，背后常常有 NDA。

把 STEP 文件传给第三方云端模型，很多工厂不是“不想”，而是“不敢”。法律风险和客户信任都过不去。

所以这里的本地大模型不是漂亮话。它是进入车间的门票。

但 MI300X 不是唯一答案。真正的变量是本地推理能力、足够显存、可控部署环境，以及核心几何数据不外流。AMD 在这个 Demo 里展示的是一种可行条件，不是行业唯一解。

接下来最该观察的也不是模型跑分，而是四件硬事：

  • 能不能接入真实工厂的机床能力库和刀具库存；
  • 能不能处理复杂装夹、多工序、外协和异常材料；
  • 判断错误时，报告能不能追溯到具体特征和规则；
  • 工厂愿不愿意为本地硬件、维护和流程改造买单。

这里有一个现实门槛：本地 AI 不是免费午餐。硬件、部署、数据整理、库存维护、人员培训，都会变成成本。小厂如果只是偶尔接单，未必划算；如果每周 RFQ 足够多、图纸保密要求高、人工审图已经卡住报价速度，才更适合尝试。

责任边界也要写清楚。AI 可以提示“缺少 M10x1.5 丝锥”，可以标出高风险公差，但最终接不接单、怎么报价、谁签字，仍然应该由人和流程承担。制造业不怕工具保守，怕工具自信又不可追责。

这件事的分水岭在这里：制造业 AI 不会只比谁更会说话，而会比谁能把不确定的语言模型关进确定的工艺流程里。

能解释。能复核。能追责。能知道什么时候该闭嘴。

MachinaCheck 还只是原型。它还需要真实订单数据、机床能力库、夹具约束、供应链信息和责任机制来补课。

但这条路是对的。

AI 进工厂，不该先学会写漂亮总结。它先要别把 Ø6 的孔看成 Ø6.5，别把缺刀具的单子说成万事俱备。

车间里没有玄学。只有材料、刀、机床、公差和交期。