老师傅说“尺寸连续往上走，先看刀具”，这句话有价值，但还不能直接变成 AI 的处理规则。产品、材料、工序、刀具寿命、测量方式和换线记录，都可能改变判断。经验沉淀的关键，是把隐含条件和验证顺序讲清楚，再用真实样本检验。
企业技能可以包含工作说明、参考资料、接口与计算程序。它的价值体现在同类任务能够被稳定执行，而不是把一段经验整理成措辞漂亮的提示语。
从一个具体工作片段开始访谈
不要只问技师“你有哪些经验”，更有效的是拿一次完整处理记录，请他复述当时先看了什么、排除了什么、哪条证据让判断发生变化。还要问一个相似但最终原因不同的案例，找出经验的适用边界。
例如，加工尺寸趋势异常的初判，需要知道测量设备是否正常、样本是否属于同一型号与工序、是否经历换刀或补偿调整。若这些条件没有核实，趋势相似也不能直接归因为刀具磨损。
把经验拆成五个部分
| 部分 | 要写清楚的内容 | 常见遗漏 |
|---|---|---|
| 触发条件 | 什么异常需要启动检查 | 所有波动都触发 |
| 必需输入 | 型号、批次、测量、工艺与设备记录 | 单位与记录时间 |
| 判断顺序 | 先查测量，再查过程与物料 | 只保留最后结论 |
| 输出要求 | 已知事实、原因假设、待补证据 | 把假设写成根因 |
| 动作边界 | 谁批准，哪些参数不能自动修改 | 默认拥有现场操作权 |
这些内容应由业务骨干与实施人员共同整理。工程师负责将可计算的部分做成可靠工具，技师负责确认业务条件是否真实成立。
数值计算与解释分别处理
连续测量的统计、阈值比较、单位换算和样本筛选，适合由确定性程序完成。AI 负责组织证据、解释结果、提出需要复核的原因和下一步动作。这样计算过程可以复算，文字解释也能逐项对应到数据。
阈值应来自企业批准的标准和具体工艺条件，不应由模型根据常识临时编造。输入数据不满足规则时，技能应指出缺少什么，而不是默认补齐后继续给出确定建议。
测试必须包含容易误判的样本
正例只能证明技能会识别一种情况。还需要测试测量设备异常、混入不同型号、工艺调整后的新基线、数据缺失，以及趋势相似但原因不同的记录。
判分重点包括是否找对数据、是否使用正确标准、是否区分相关性与因果、是否提出必要复核、是否越过动作权限。对生产参数或设备程序的改变，必须按照企业现有审批与操作规程执行。
输出让下一位工程师接得住
一份可用的初判结果可以包含：异常描述、涉及批次与工序、已核对证据、待验证假设、建议补充检查、负责人和来源。不要只给“建议检查设备”这种无法执行的泛泛结论。
技能也应说明何时停止。若无法确认型号、测量数据明显异常或关键记录缺失，就先补资料，不继续推演根因。停止条件越贴近真实工作，后续人员越容易信任它的结果。
发布后让反馈回到技能本身
实际处理结果返回后，业务骨干可以补充新的适用条件或反例。更新要说明改变了什么，并针对受影响样本复测。原始处理记录继续保留，避免新版本把历史依据覆盖掉。
当另一位工程师能借助该技能完成资料整理和初判，资深技师把精力用于真正复杂的判断，经验才开始形成组织资产。人员分工见三级能力建设，制造场景见8D证据准备，落地服务见企业 AI Agent。
更多同主题内容见企业 AI Agent 落地专题。
