机械设备型号和参数很多，客户问得很细，有没有能用我们自己的产品资料训练的外贸 AI 问答和初筛系统？
有，但要先把「训练」这个词说准：靠谱的做法不是用你的资料去微调一个大模型，而是把资料做成知识库检索，再把型号参数做成字段级的结构化产品中心。AI 回答吨位、电压、认证这类问题时直接按字段引用，改价改参即时生效、每句回答可溯源；选型拿不准或遇到非标，就转给工程师。
「用自己的资料训练 AI」实际上有哪几种做法？
常见有三种，对机械设备来说效果差别很大。
| 微调大模型 | 文档知识库检索（RAG） | 结构化产品中心（字段级） | |
|---|---|---|---|
| 原理 | 把资料「教进」模型参数里 | 回答前先从文档里检索相关段落，再据此作答 | 每个型号的参数存成独立字段，回答时按字段引用 |
| 参数准确性 | 模型可能把相近型号记混 | 比裸用模型好，但仍可能读错段落 | 数值直接取自字段，最不容易错 |
| 改价改参 | 要重新训练 | 更新文档后重新索引即可 | 改一个字段，下一次回答就用新值 |
| 能否溯源 | 难以说清答案来自哪里 | 能指到文档段落 | 能指到具体型号的具体字段 |
| 适合放什么 | 语气、风格 | 公司介绍、工艺说明、售后政策、常见问答 | 型号、规格、价格、起订量、认证、配件 |
结论是：文档类知识走检索，参数类知识走字段，两层配合；不需要也不建议为一家工厂单独微调模型。
为什么机械设备尤其不能让 AI「凭记忆」回答参数？
因为大模型天生会「编」，而机械参数错一位就是事故。即使是主流大模型，在只要求忠实摘要时也有约数个百分点到十几个百分点的幻觉率（Vectara 幻觉排行榜，2026）。加检索能明显降低但不能消除：一篇论文测得不用检索时最多 21% 的生成步骤含幻觉，加入检索后降到 7.5% 以下（NAACL，2024）；斯坦福 RegLab 测试的检索增强法律 AI 工具幻觉率仍有 17%–33%，裸用 GPT-4 为 43%（斯坦福 RegLab，2024）。
所以对机械设备，参数类问题要尽量走字段：AI 不是在一段文字里「猜」吨位，而是读取「型号 A 的公称力」这个字段。字段里没有的，就说没有，转人工。AI 说出口的话后果由企业承担——加拿大 Moffatt v. Air Canada 案中，航空公司被判须为聊天机器人错误说明的票价政策负责，「机器人是独立实体」的抗辩被驳回（BC 民事纠纷仲裁庭，2024）。更多护栏做法见这篇。
机械设备询盘里，买家通常会问到多细？
比大多数人预想的细，而且常常一条消息里问好几项：
- 核心性能：吨位、行程、工作台尺寸、加工范围、速度、精度。
- 电源：电压和频率，例如国内常用的 380V 50Hz 与不少北美工厂使用的 460V 60Hz，电机和电控是否能按目标国配置。
- 认证：销往欧盟要不要 CE、销往北美要不要 UL 或相应电气认证。
- 配置：控制系统、液压件、电气件用什么品牌，能否指定。
- 商务：交期、起订量、付款方式、包装与运输方式。
- 售后：易损件和备件、是否提供安装调试和操作培训、能否远程支持。
这些问题有的有标准答案（字段能答），有的取决于具体工况（需要先问清楚，甚至要工程师判断）。区分这两类，是整个系统设计的核心。
要让 AI 答得准，资料需要准备哪几样？
- 型号矩阵表：一行一个型号，一列一个参数（吨位、行程、功率、电压选项、认证、标配与选配、交期、起订量、价格区间）。这是产品中心的底子。
- 选型规则：业务员脑子里的判断，例如「板厚超过多少要推大一档」「这个材料要配什么模具」。写成「如果……就推荐……」。
- 非标判定：哪些需求属于非标——特殊电压、特殊尺寸、加装自动上下料、指定进口部件——这类一律转工程师，AI 不许自己答应。
- 常见问答：售后政策、质保、付款方式、运输、验厂，放进知识库。
- 历史优秀业务员回复：挑几位金牌业务员处理得好的询盘对话，从中提炼他们先问什么、怎么解释、什么时候报价、什么时候请工程师出马。
第 5 项最容易被忽略，却最能让 AI 像一个懂行的业务员，而不是一本会说话的说明书。
AI 初筛机械询盘，应该先问清哪些信息？
初筛的目标是让业务员接手时不用从头再问。通常包括：
- 应用场景：加工什么零件，用在什么行业。
- 材料：材质、厚度或尺寸范围。
- 产能要求：每班或每天的产量。
- 预算范围。
- 所在国家和当地电压/频率。
- 计划采购时间。
- 买家身份：终端工厂还是经销商、是否需要独家代理。
不必一次全问，好的 AI 会边答边问，一轮带出一两个问题。具体打分和分级方法见询盘自动初筛。
遇到非标或选型拿不准，AI 怎么交给工程师？
靠事先写好的转人工规则，而不是让 AI 自己判断「我行不行」。规则可以按意图（要求非标、要求图纸）、标签（大客户、经销商）、对话特征（连续两次追问同一参数）、消息类型（发来图纸照片）和时间组合设置。触发后，把对话摘要、已收集的参数和转人工原因一起交给工程师或业务员，买家不用重复说一遍。
这也符合买家的预期：Gartner 2026 年调查 645 名 B2B 买家，45% 在采购中用过生成式 AI，69% 会找销售代表核实 AI 给出的结论（Gartner，2026）。让人在关键处出现，本身就是信任的一部分。
举个例子：德国买家询问液压机
以下为示意对话，型号与参数均为虚构。
- 买家：Hi, does your YH-200 hydraulic press come with CE? We need 400V 50Hz. What's the stroke?
- AI（用英文回复，以下为中文意译）：YH-200 公称力 200 吨，滑块行程 500 毫米，标配带 CE 认证，电源可按 400V 50Hz 配置。方便说一下主要加工什么零件、材料和厚度吗？这样我能确认 200 吨是否合适。
- 买家：Deep drawing of 3mm stainless steel sinks, about 300 pieces per shift. Can you add automatic feeding?
- AI：不锈钢拉伸件对吨位和模具都有要求，加装自动送料属于定制配置，我请我们的工程师根据您的零件尺寸确认方案。可以发一张零件图片或尺寸给我们吗？
这时系统触发「非标配置」规则，工程师收到卡片：德国、终端工厂、不锈钢拉伸、3mm、每班 300 件、需要自动送料、已确认 CE 与 400V 50Hz。他接过对话时，前面的信息一条不缺。
什么情况下这套做法不太适合？
- 几乎每单都是非标定制、没有可列表的标准型号：AI 能做的主要是收集需求，回答参数的空间不大。
- 买家主要通过 PDF 图纸和 Excel 规格表沟通：目前 AI 能读懂图片，但 PDF、Excel、Word 文件解析还在开发中。
- 型号非常多：结构化产品中心单库上限 200 个 SKU，型号更多要提前规划分组。
DeepSales 怎么做这件事？
DeepSales 是星谷云的外贸 AI 销售智能体，全托管交付：我们的团队用你的型号表、选型规则和金牌业务员的历史对话搭建 AI 业务员，方法叫「Top Sales 蒸馏」——采集、萃取、编码、校准，把业务员的判断拆成知识库、产品字段、流程节点和转人工条件，上线后持续比对 AI 与业务员的判断差异再校准。
- 知识分两层：企业知识库（检索增强，文档级）+ 结构化产品中心（字段级应答，推进版及以上提供）。不为你单独训练模型，资料改了即时生效，回答可溯源。
- 资料可从飞书云文档/Wiki 同步，首次全量、之后增量，版本可追溯。
- 转人工时在飞书推送卡片：客户画像、对话摘要、漏斗阶段、触发原因和建议话术，工程师在平台内接着回复。
- 议价和最终拍板始终由人完成。
想看它能不能答准你的机器参数，可以预约演示，我们用你的产品目录跑一段样例对话。