普通 AI 只会「一问一答」，它把行动导向六步教学真正跑起来
机械加工 6 步教学 Agent 沿「感知—理解—检索—推演—行动—校验—记忆」的闭环陪学生走完全程， 并在每个关键节点逼他把「为什么」说出来——它不替学生思考，而是把每一步的思考都逼出来。
它不是「更聪明的搜题器」，而是一个能陪学生走完全程、并在每个关键点上逼他思考的执行体——会干活、会较真、会沉淀。
技校机械加工实训车间里，困境几乎每天都在重演——不是大词，而是具体到让老师疲惫、让学生卡壳的日常。
| 日常痛点 | 具体表现 |
|---|---|
| 老师讲 N 遍 | 一位老师带三十个学生，一张图纸要反复讲；讲完 A 组，B 组又从头来 |
| 看得懂图，做不出工艺 | 学生能读出尺寸，却说不清「先粗后精为什么」「基准为什么选这个面」——图纸 → 工艺断层 |
| 照答案抄，不动脑 | 工艺「抄」出来了，问一句「为什么」就答不上；考核变成背书 |
| 工艺 → 代码靠人翻 | 工艺卡到 G-code 中间靠人工翻译，易错、费时、难规模化 |
| 经验走人走 | 老师傅的「注意点 / 禁忌」藏在个人头脑里，人一走就断线，学生反复踩同一个坑 |
| 评分靠主观 | 工艺好坏、质检对错难以标准化，老师凭感觉打分，学生不服气 |
| AI 依赖症 | 用了 AI 之后，新的焦虑来了——AI 会不会让学生更懒得想？ |
大多数人接触的 AI 是「你问一句、它答一句」。放到实训里，它有三个致命问题。
直接给一段工艺、一段代码，学生抄完就忘——痛点 2、3 反而更严重。
答案是「生成」的，说不清来自哪台设备、哪条经验——错也发现不了。
这次教完，下次从零开始——不会越用越聪明。老师傅的经验留不下来，学生还会反复踩同一个坑。
Agent 和「问答 AI」的根本区别，在于它围绕目标做一段完整的「感知—推演—行动—校验—记忆」闭环。
⑦ 记忆回流到 ③ 检索 —— 用得越多，越准、越好用（越用越聪明）。
读 DXF 几何、现场照片、DOCX 说明——把「非结构化图纸」变成可推理的事实。读不懂的绝不猜。
结构化中间文件 part-model.json + 人读件 part-spec.md + 待确认清单；工艺过程卡(R)/工序卡(P)/检验卡(Q)/工艺守则(S)；G-code（后处理器可切换，默认西门子）。
沿着流水线自动跑，但在关键闸门停下来由人拍板——不让 AI 代劳决策，只让它出题、出依据、当裁判。
上面是怎么跑，下面是四张真实运行截图——从图纸理解、工艺卡推演、到质检检验卡，正好覆盖六步教学的关键几步。
.craftcard.json、生成编码。
行动导向六步（资讯 → 计划 → 决策 → 实施 → 检查 → 评价）是学生「怎么学」的行为链——每步看：学生卡在哪、Agent 怎么解、学生最终做什么、留下什么产物。
多模态感知 + 结构化理解，产出中间文件，并把读不出的、有歧义的单独列进「待确认清单」——例如 Φ3 内角让位孔无定位尺寸，Agent 明确标注「孔心未定位，禁止猜测」。
配套还有「三视图重构」训练：给二维三视图、从候选里选出正确的三维形体，专练「从图纸到形体」的空间想象。
学生：读中间文件、核对待确认项，亲手把「看不清的地方」补清楚。→ 中间文件 + 待确认清单
检索知识库（设备能力 + 工艺规律 + 经验注意点），推演出工艺路线与工艺卡草稿，并标出风险与依据（每条建议都能指向知识库）。
学生：不是抄，而是对照依据做判断题——路线合不合理？基准选得对不对？→ 过程卡(R) 草稿 + 风险提示
把「隐性经验」逼成显性决策点，给出候选与理由，等人来拍板、选优、写理由。
学生：对方案做出最终决策，并说明为什么——这正是最好的工艺教学。→ 定稿工序卡(P) + 评审意见
按工序生成 G-code，后处理器可切换（默认西门子；钳工 / 无数控工序走「手工工序指引」），并做安全校验。
学生：核对代码与工艺是否一致、是否可加工。→ G-code（或手工工序指引）
检验卡落到可量测判据（对接三坐标等检测手段），配合仿真校验（如 2.5D 材料去除）把刀路「削」的过程显示出来。
学生：判读仿真、比对实测与预期偏差，判断「到底行不行」。→ 检验卡(Q) + 仿真/试切结果
按六维评分（图纸理解 / 人机沟通 / 工艺推演 / 工艺审查 / 仿真试切 / 答题得分）给出评价，并把整链归档进案例库。
学生：复盘、回答「工艺答题」，说清每个选择的理由。→ 复盘报告 + 沉淀的案例
每个日常教学痛点，都有一条对应的 Agent 思路与落地能力。
| 日常教学痛点 | Agent 思路的对策 | 落地能力 |
|---|---|---|
| 老师讲 N 遍 | Agent 全程陪练，个性化即时反馈，老师从「复读机」变「教练」 | 全流程 Agent 陪跑 |
| 看得懂图做不出工艺 | 中间文件 + 待确认清单，把「读不到位」逼成显性问题 | 多模态感知 + 结构化理解 |
| 照答案抄不动脑 | 判断式复核：AI 出候选，人做判断题并写明理由 | 四闸门 + 事后复核 |
| 工艺 → 代码靠人翻 | 自动生成 + 后处理器可切换 + 行号级校验 | 工具调用（G-code 生成） |
| 经验走人走 | 经验 / 注意点库 + 案例库，越用越聪明 | RAG 检索 + 记忆沉淀 |
| 评分靠主观 | 检验卡落到可量测判据 + 六维评分 | 自检 + 可量测质检 |
| AI 依赖症 | 不让 AI 代劳决策，只让它出题、出依据、当裁判 | Human-in-the-loop |
AI 全程自动产出方案，不向学生要「填空式」的数据；人只在关键节点做「判断题」。
澄清不确定性、确认基准。
认可 / 修改工序链、装夹、参数。
确认检验项、量具、公差判定。
确认安全与可加工性后再上机。
每完成一次「图纸 → 中间文件 → 工艺卡 → G-code → 质检 → 复盘」，整条链就被归档进四座库。
学校有哪些设备、能加工到什么精度。
材料 × 刀具 × 工序 → 参数、基准、余量。
老师傅的「禁忌清单」与废品预防。
可当参照案例与教学素材。
这些沉淀由 Agent 在推演时检索调用，形成「用得越多 → 越准 → 越好用」的正循环。 老师傅的经验不再随人离开而断线，而是变成学校自己的知识资产。
要让 Agent 真能干活，靠的不是一个大模型，而是一套工程化的能力组合。
复用内网依赖库 com.meefo:meefo-agent（LLM 工具循环 / SSE 流式 / 会话记忆 / 向量读写）——依赖复用，不另起炉灶。
SpringBoot（后端）+ MySQL（结构化主存）+ 独立 Web 前端（Vue 3 + three.js 渲染）。
MySQL 结构化过滤 + Milvus 向量召回（库 mechfabric）的混合检索，结果标注来源。
DXF 几何解析 + 图片 / 文档理解，把非结构化图纸变成可推理的事实。
工艺审查 + 可量测质检 + 2.5D 仿真 / 试切，交付前独立校验，把错误挡在上机前。
卡片驱动开发、全链路 Trace 日志（本地落盘、工具无关）、DatabaseVersionManager 版本化建表（禁止裸 DDL）、敏感配置国密 SM4 加密。
一个看的是「活干完没有」，一个看的是每一步的思考是否真正发生过。
不是「替你干活的 AI」，而是「会较真的 AI 师傅」。
它用 Agent 思路把那些反复出现、又难以标准化的痛点逐个拆解——
让图纸看得见缺口、让工艺有据可查、让经验沉淀成资产、让学生的每次选择都要说出理由。
面向真实实训教学场景的机械加工六步教学 Agent。
AI 生成内容声明：Agent 产出的工艺、G-code 与评价均由 AI 依据知识库生成，仅供教学与实训参考，实际上机操作前须经教师 / 师傅确认。
基于 meefo Agent 底座，把机械加工实训从「老师反复讲、学生照着抄」变成「AI 出方案、学生做判断、经验沉成资产」。 欢迎预约演示，或与我们的 Agent 架构师沟通建设方案。
地址：宁波国际会展中心 10号馆 8E05, 8D03 · 邮编：315040