把 AI 裝進工廠：我們用 AMD MI300X 重構了 CNC 加工的“可行性分析”

【CSDN 編者按】在 AI 大模型領域，“工業落地難”一直是個老生常談的話題。核心挑戰往往不在于模型的能力，而在于工業場景對數據隱私的極度敏感以及對物理常識的嚴苛要求。

本文介紹的 MachinaCheck 提供了一個極佳的范式：它沒有盲目追求“大模型萬能論”，而是采取了“確定性邏輯+智能分析”的分層架構，并利用 AMD MI300X 的高性能算力，在工廠本地完成了從 CAD 解析到生產建議的全鏈路閉環。

原文鏈接：https://huggingface.co/blog/lablab-ai-amd-developer-hackathon/machinacheck

作者 ｜Syed Muhammad Sarmad

責編 | 夢依丹

出品 | CSDN（ID：CSDNnews）

走進一家傳統的 CNC 加工車間，你會發現“人工讀圖”依然是決定生產效率的隱形天花板。

“經理拿著打印圖紙，在車間反復走動核對庫存與公差，每張圖紙的評估耗時高達 1 小時。”

對于一家繁忙的工廠而言，每周數十次的詢價意味著數百個小時的工時被困在這些重復性的可行性分析中。

因為依賴人工經驗，難免會出現“接單后才發現刀具缺位”或“設備精度撐不住核心指標”的尷尬。這不僅導致零件報廢、工時白費，更嚴重的是，這類盲目接單正在不斷透支客戶的信任與企業的利潤。

MachinaCheck 如何用算力守住制造業的“核心機密”

多智能體系統 MachinaCheck 通過上傳 STEP 格式 CAD 文件，并輸入材料與公差需求，系統能在 30 秒內給出一份精準的“生產診斷書”。它不僅能告訴你“能不能做”，還會列出工具缺項與優化建議，從此告別盲猜。

MachinaCheck 相關鏈接：

• HF Space：huggingface.co/spaces/lablab-ai-amd-developer-hackathon/MachinaCheck
  

• GitHub：github.com/SyedMuhammadSarmad/Manufacturing-Agent

在高端制造業中，STEP 文件往往包含企業數年研發積累的幾何專利信息，每一處孔位、每一個型腔設計都是價值連城的知識產權。將這些敏感數據發送給公有云端的 AI 接口（如 OpenAI 等），在嚴苛的保密協議下是絕對紅線。

AMD Instinct MI300X 的出現徹底打破了這種制約。憑借其超大的 192GB HBM3 顯存與驚人的帶寬，能夠將 Qwen 2.5 7B 這種高性能模型完全部署在工廠的本地服務器上。

數據無需離廠，計算在本地完成，確保了客戶的核心知識產權“足不出戶”。

這才是制造業真正需要的“隱私即設計”——它不僅僅是一紙空文的承諾，而是通過底層架構決策，讓 AI 真正能夠走進對安全極其敏感的工業客戶的核心產線 中。

加入 AMD AI 開發者計劃，免費領 50 小時云算力券

進群月月抽顯卡、AIPC，好運不停！

Agent 架構：嚴謹的“五級流水線”設計

MachinaCheck 的“大腦”是一套基于 LangChain 開發、通過 FastAPI 驅動的五級流水線架構。為了確保決策的絕對可靠，我們摒棄了“幻覺”風險，采用了分層處理策略。

組件 1：STEP 文件解析器，堅持“數學算術”

在解析 CAD 核心數據時，他們沒有使用傳統的視覺識別或 OCR 技術，而是引入了基于 OpenCASCADE 內核的 Python 庫 cadquery。

簡單來說，它的工作方式是：

• 數學級讀取：系統直接拆解文件的底層幾何參數，而非通過圖片去“猜”形狀；

• 毫厘不差的提取：無論是孔的直徑與深度、平面的面積，還是倒角、圓角及整體包圍盒尺寸，數據完全從數學模型中提取，準確率 100%。

為什么堅持這么做？

因為工業制造容不得“近似值”。如果是 ?6.0mm 的孔，系統給出的輸出就是標準的 ?6.0mm，絕不會因為 OCR 的細微偏差或像素抖動而導致加工精度失準。通過將“數學硬核”與“智能分析”剝離，保證了系統輸出的第一手數據就是零誤差的基石。

Agent 1——工藝分類器（Qwen 2.75B）

當 CAD 文件被解析成一堆數學數據后，剩下的工作就交給了駐扎在 AMD MI300X 上的 Qwen 2.5 7B 模型。

AI 的任務很明確：

它不僅僅是“看圖”，而是要結合材料學知識與加工工藝，回答一個核心問題：“造這個零件，到底需要什么樣的設備和刀具？”

懂行，才是真正的工業 AI：

• 材料匹配：它知道 304 不銹鋼硬度高，必須配套硬質合金刀具，否則就是“廢刀”；

• 工藝避坑：它能識別出圓柱孔用鉆頭更高效，而不是瞎用立銑刀；

• 精度把控：當公差要求達到 ±0.005mm 時，它會直接判定標準銑床無法達標，必須調度精密加工設備。

這就像是一個經驗老道的老師傅坐鎮后臺，在零件生產前，就已經預判了所有的工藝雷區。

Agent 2——庫存管家，拒絕一切花哨的幻覺

該智能體不使用 LLM，也是 MachinaCheck 項目中極具工程哲學的一環。

• 堅守確定性：刀具庫存查詢不需要大模型去“思考”，只需要實打實的數據庫匹配；

• 極致效率：直接通過 Python 進行確定性的查詢與對比。

因為在大模型處理數據庫查詢時，往往會帶來不必要的計算延遲，甚至可能產生錯誤的“幻覺”。在這里，代碼的邏輯遠比 AI 的概率計算更可靠。

Agent 3——可行性決策（Qwen 2.75B）

當前面的零件幾何數據、工藝需求以及庫存匹配結果全部到位后，所有的信息再次匯聚到 Qwen 2.5 7B 手中。

綜合推理：它不再關注局部，而是從上帝視角對整個項目進行評估;

結構化輸出：它會把復雜的分析過程“壓縮”成一份清晰、可執行的決策文檔，直接告訴經理：這單能接嗎？如果不能，缺哪個刀具？哪個精度要求超標了？

Agent 4——報告生成器（Qwen 2.5 7B）

如果前面的 Agent 是負責“干活”的工程師，那這最后一個 Agent 就是負責“做 總結”的生產經理。

• 全盤整合：它將復雜的幾何分析、工藝拆解、庫存匹配結果進行統一梳理；

• 一站式結論：它輸出的不是零碎的數據點，而是一份專業的可制造性分析報告——從執行摘要到機床適配度，從刀具缺失清單到最后的“接單建議”。

至此，MachinaCheck 的五級流水線設計已全盤呈現。回顧這套方案，大家能清晰地看到一個嚴謹的工業邏輯：

• 感知層（解析）：由 cadquery 負責，追求 100% 的數學精確；

• 認知層（工藝分析）：由大模型賦予制造常識，模擬老師傅的經驗；

• 業務層（庫存匹配）：由純 Python 邏輯控制，保證數據處理的零延遲與零幻覺；

• 決策層（可行性判定）：綜合推理，給出全局判斷；

• 交付層（報告生成）：將數據轉化為直觀的決策建議。

這種架構的核心哲學只有一句話：能用規則解決的，絕不使用 AI，必須用 AI 的地方，才引入大模型。

相較于通用的 GPT 模型，MachinaCheck 的真正護城河在于它被注入了“制造業常識”。

它不僅僅是一個能聊天的 AI，而是一個深度嵌入車間工作流、懂得工程限制、并嚴格遵循物理規律的工業專家。這種“物理常識與深度算力”的完美結合，正是

工業大模型落地場景中的精髓所在。

硬核實戰：在 AMD MI300X 上跑通 AI，只需一步

對于開發者而言，最頭疼的往往是復雜的算力適配與環境部署，但在這次項目中，基于 AMD 的技術棧讓他們體驗到了“絲滑”的部署感。

• 生態無縫銜接：通過 ROCm 軟件平臺配合 vLLM 推理框架，成功在 MI300X 上部署了 Qwen 2.5 7B 模型；

• 開箱即用：不需要繁瑣的環境配置，直接使用 AMD 開發者云提供的 vLLM 快速啟動鏡像，所有的依賴和配置項都已經預裝妥當。

  --gpu-memory-utilization 0.5

通過設定 gpu-memory-utilization 0.5，系統僅占用 192GB 顯存中的 96GB，在保證高性能的同時留足了系統余量。

實測顯示，智能體調用平均延遲不到 3 秒，幾乎感受不到等待。

借助 vLLM 提供的 OpenAI 兼容接口，LangChain 的集成過程如絲般順滑。只需要幾行代碼，即可調用本地部署的 Qwen 大模型，讓復雜的工業邏輯實現“一 鍵即達”。

)

成績

選取了 GrabCAD 上的真實零件模型進行“壓力測試”，結果非常亮眼：

• 特征解析僅需不到 1 秒；

• 從接收圖紙到給出最終評估，整套流程僅耗時 25 到 40 秒，相比人工的 1 小時，效率提升了一個數量級；

• 在所有的測試零件上，系統對“可制造性”的判定均完全準確，表現出遠超預期的邏輯判斷力；

• 在整個處理鏈條中，對外傳輸的原始幾何數據為零字節，徹底守住了企業的核心知識產權底線。

MachinaCheck 由 Syed Muhammad Sarmad 與 Sabari Doss R 在 2026 年 5 月的 AMD 開發者黑客松中聯合開發完成。

加入AMD AI 開發者計劃與全球極客共筑開源

加入即領 50 小時免費云算力

進群抽顯卡、AIPC，好運不停

活動與工作坊，早鳥名額優先鎖定

AMD Al Academy 官方課程，加速