重构 PLM 底层：从 298 到 470 的模板跃迁，我们如何让 AI 读懂制造业

想象一下，你让一位资深工程师绘制一张复杂的装配图，但他手边的图纸库是空的，或者图纸上只写着“这里有个零件”，却没有尺寸、材质和约束条件。这在制造业数字化进程中，曾是我们面临的真实困境。

在 SCSAI PLM 系统的重构过程中，我深刻体会到，AI 落地制造业的卡脖子点，往往不在算法本身，而在于底层数据的治理深度。最近完成的 Phase 1-3 核心功能优化，本质上是一场对系统“基因”的修复。我们将原本支离破碎的元数据，重新编织成了一张 AI 可理解、可执行的精密网络。

直面混乱：P0 级问题的代价

接手项目初期，系统现状令人担忧。核心对象如 Part、Document、ECR 等竟然没有可用的模板，这意味着 AI 连最基本的生成结构都无从下手。更严重的是，数据提取逻辑存在巨大盲区，原本应该扫描全量属性，系统却只覆盖了 Import/ItemType/ 目录下的 298 个文件。

这种缺失导致了连锁反应。AML 模板里只有简单的占位符，缺乏属性约束和生命周期定义。规则表和提示词表更是空空如也，3489 条规则因为没有分级字段，成了一堆无法管理的数字。甚至数据库路径配置错误，导致每次启动都在创建一个空库。这些问题如果不解决，任何上层应用都是建立在沙滩上的城堡。

数据考古：从 298 到 470 的跨越

为了解决数据缺失，我们编写了新的提取脚本 extract-all-itemtypes.js。这次不再浅尝辄止，而是对 7706 个 XML 文件进行了递归扫描。这是一次深度的“数据考古”，我们从中挖掘出了 1031 个不重名的 ItemType，并进一步通过 fix-core-templates-v2.js 扫描了所有嵌套的 Property 定义。

结果令人振奋。提取的属性数量从原来的约 2821 个激增至 6720 个，模板总数从 298 个提升至 470 个。更重要的是，Part、Document、ECR、Project、Vendor 等 20 个核心业务类型终于有了完整的模板支撑。以 Part 类型为例，现在它拥有 27 个属性定义，AML 模板大小达到 1846 字符，包含了完整的业务语义。这种颗粒度的提升，直接决定了 AI 生成内容的可用性。

规则治理：让 3489 条规则“活”起来

有了模板，还需要规则来约束。原本 3489 条规则是一团乱麻，我们现在将其进行了分级处理。错误级（error）278 条，警告级（warning）3146 条，信息级（info）65 条。同时引入了分类体系，涵盖文本验证、数值验证、引用验证、日期验证等九大类别。

我们增加了 is_active 列，支持规则的动态启停。这意味着业务人员可以根据项目阶段，灵活调整验证策略。例如，在研发初期可能放宽某些格式约束，而在量产阶段则严格执行。这种治理不仅仅是数据库字段的增加，更是将业务逻辑固化为可执行的代码资产。配合 470 条对象提示词和 46 条业务提示词的导入，AI 现在拥有了明确的“行为准则”。

流水线重构：LLM 与 AML 的握手

技术架构的核心在于 AML 组装流水线。我们设计了一套从 LLM 输出到标准 XML 的转化机制。流程非常清晰：LLM 生成结构化字段值，系统将其合并到预置模板中，随后进行规则后验证，补全系统字段，最终生成标准 AML XML 写入 SCSAI。

在这个过程中，我们明确了边界。给 LLM 的包括用户意图、字段约束、关系类型和生命周期状态；不给 LLM 的则是系统字段如 ID、创建时间、自增序列等。这种隔离既保证了生成的灵活性，又维护了系统数据的严谨性。后端 API 也同步更新，新增了 12 个关键端点，支持模板获取、规则筛选、汇编流水线等全链路操作。

界面体验：三层架构的可视化

技术再好，如果界面晦涩难懂，也无法落地。我们在前端 index-vue.html 中重构了 PLM 三层架构页面，设计了 5 个核心 Tab。元模型层展示 23 个核心元模型，支持搜索和详情弹窗；对象模型层涵盖 442+ 对象类，可点击查看规则与提示词；业务系统层按规模筛选 46 个系统。

规则管理 Tab 提供了 6 个统计卡片和全量规则表格，让治理状态一目了然。模板/提示词 Tab 则进一步细分为模板库、提示词库和业务提示词库。这种分层设计，让用户既能宏观把握系统全貌，又能微观钻取到每一个属性定义。基础设施方面，我们修复了 aml.js 的语法错误，解决了多进程冲突问题，并优化了 SQLite 的写入策略，确保系统稳定运行。

遗留与挑战：诚实面对技术债务

当然，重构并非一蹴而就。目前系统仍存在一些遗留问题，例如 assemble 路由响应超时，可能与 sql.js 多实例冲突有关，我们计划用 better-sqlite3 替代。核心类型的必填字段标记尚未完全生效，生命周期关联也需进一步解析。此外，现有的 3489 条规则多为语法级验证，缺乏如“BOM 不能循环引用”这样的业务级规则。

这些问题被标记为 P1 或 P2 优先级，已纳入后续迭代计划。技术的演进是一个持续的过程，保持透明度，明确改进路径，比掩盖问题更重要。我们希望通过这些迭代，逐步构建一个真正懂业务、可信任的智能制造系统。

从系统到员工：数字化的下一步

PLM 系统的优化，最终是为了释放人的创造力。当机器能够处理模板、规则和数据校验时，工程师就可以专注于创新本身。这不仅仅是工具的升级，更是工作模式的变革。我们正在探索将这种能力封装为“数字员工”，让它们成为工程师得力的助手。

如果你对如何让 AI 深度融入制造业业务流感兴趣，或者想亲身体验这种“左帮右臂”式的协作模式，欢迎访问 eastaiai.com。在那里，你可以看到数字员工如何在真实场景中处理复杂的 PLM 任务，感受技术与业务融合带来的效率跃迁。数字化转型的路上，我们期待与你同行。