重型装备制造：AI 维修排查副驾

[事实] 设备手册、历史工单与故障知识散落；故障定位超过 2 小时且依赖资深工程师；维修数据未被利用。(来源：ZenAI 案例研究)

[推断] 由此两个问题：每次故障损失时间；知识困在个人身上，难以扩展与标准化。

[推断] 最匹配的 ICP 是维修知识散落、故障定位缓慢的资产密集型运营。

典型条件：手册与历史散落；定位缓慢；依赖资深；维修数据未用；敏感数据需私有化。

[推断] 吞吐被故障定位时长与资深工程师可得性封顶。

问题分三层：知识散落；检索缓慢；指引不标准。

[事实] ZenAI 将其定位为在制造商自有手册与历史上做 GraphRAG 的带来源副驾，而非通用聊天机器人。(来源：ZenAI 案例研究)

[推断] 定位立于三点：从真实文档构建知识图谱；返回带来源的 SOP 而非猜测；为敏感设备数据保持私有化部署。

[事实] 副驾运行于维修团队既有工作流内，采用私有化部署。(来源：ZenAI 案例研究)

[推断] 因其使用制造商自有文档并保持私有，采用既尊重知识产权又契合既有排查实践。

[事实] 该 engagement 汇报：典型设备故障初步定位从 2 小时以上缩短到 10 分钟以内；专家经验系统化；新人更快上手；流程更一致；敏感数据私有化部署。(来源：ZenAI 案例研究)

[推断] 这表明带来源的 GraphRAG 副驾可把散落知识转为更快、更一致的排查。指标为交付团队汇报，应作方向性证据。可用指标：故障定位时长、一次修复率、上手时间、重复故障率。

评估类似项目时，从五个问题开始：

1. 一次故障耗多少时间？ 量化定位延迟。
2. 知识困在哪里？ 识别手册、码与工单。
3. 技师实际有什么输入？ 设备 ID、码或语言。
4. 如何展示来源？ 在 SOP 中设计引用。
5. 什么必须保持私有？ 设定部署边界。