上周，跟了我三个月的那个朋友，拿到西门子 offer 了，月薪 4W+。
他本科电气工程，毕业后一直在一家汽车零部件厂做电气和产线自控，八年。PLC、伺服、SCADA、MES 对接都干过，现场调试、设备改造、异常排查也是常事。
说实话我不意外。但这件事我后来想了挺久。
今天不想写"转行攻略"，想聊几句跟攻略不太一样的感想。
感想一：他不是被 AI 救的，是被 AI 翻译的
他第一次来找我的时候，最大的焦虑是"我不会 Python"。
但三个月里他真正补的东西，其实不是代码。
他把过去八年脑子里那些"说不清为什么、但就是知道"的东西，一条一条写下来。我印象很深的是其中一条：
主轴温升速率在 15 分钟内超过某个阈值，同时伴随冷却液流量报警——这时候不要先怀疑传感器，先查冷却回路。
他写这句话用了不到两分钟。
但这句话，是三年前一条线停了四个小时换来的。
类似的东西他写了七十多条。以前它们叫"经验"，只存在于他一个人的脑子里，换一家厂、换一条线，就得重新长出来一遍。
现在它们变成了一套能被系统调用、能被别人验证、出了问题能追溯的规则。
同一批东西，换了个容器，价格就变了。
这也是我后来反复跟工科背景的人说的一句话：你缺的从来不是新技能，你缺的是一个能把你已有的东西装进去的容器。
感想二：干了八年自动化的人，其实早就写过 Agent 了
这个想法是我带他的第二个月突然意识到的。
我把自动化的东西和 AI Agent 做了个对照，越对越觉得有意思：
| 你做了八年的事 | 它在 AI 里叫什么 |
|---|---|
| PLC 里的 if-then 逻辑链 | 工作流编排（Orchestration） |
| SCADA 把几十台设备的数据采上来 | 多源数据接入 |
| 报警联锁和安全回路 | 异常处理与兜底策略 |
| HMI 上让操作员点两下就能开的界面 | 人机交互层 |
| 换型时调的那一套参数配方 | 配置化的工具调用参数 |
| 设备手册 + 维修记录 + 老师傅 | 企业知识库（RAG 的语料） |
换句话说，自动化工程师可能是国内最早一批"做 Agent"的人，只不过那时候它叫"做自控"。
这两年 Agent 被讲得很玄。但你把它拆开看，无非就是：接数据、按条件编排动作、调工具、出错兜底、留给人确认——这几件事，做自控的人干了十几二十年。
所以我跟他说：你不是从零学一个新东西，你是给做了八年的事换一套说法。
但说法一换，买主就变了。
以前买你的是车间主任，看的是你能不能让线跑起来；现在买你的是产品负责人和 HR，看的是你能不能把"让线跑起来"这件事，做成不只你一个人会让。
感想三：真正的坎不是技术，是确定性
但有一件事他卡了很久，比学任何一个技术概念都卡。
做自动化的人，脑子里全是确定性的。温度到了 80 度，继电器就动作；1 就是 1，0 就是 0；逻辑写对了，它就一定按你写的跑。
AI 不是。AI 给你的是"有 78% 的可能"。
他一开始特别别扭，问我一句很实在的话：“这玩意儿我怎么敢让它上产线？”
后来他想通的那一下，我觉得是这三个月里最关键的一步——
工业 AI 要解决的，从来不是"让模型多说几句"，而是让它在不确定里也能被信任。
具体落下来是三件事：
第一，每一句结论都必须能追到具体的数据来源和规则编号。不能说"可能存在温度异常"，要说"基于 3 月 7 日至 4 月 2 日的 14 次同类报警和 B-207 号设备手册第 4.3 条，判断冷却回路效率下降，置信度 0.78"。
第二，系统得自己知道什么时候该闭嘴。什么时候可以执行、什么时候必须拒答、什么时候必须交给人——这三件事得是写进产品逻辑里的，不是靠用户自觉。
第三，漏报比误报严重一百倍。
这一点是工业独有的，也是做 C 端 AI 的人最容易想错的地方。C 端产品里，AI 答错了顶多是体验差；但在产线上，误报只是让人白跑一趟，漏报可能就是一次非计划停机。
所以工业场景里，"拒答率"不是一个需要被优化掉的负面指标——它是一个需要被设计的安全阀。
他当时真正的困境：报警疲劳
他有句话我印象很深：
一条线一天四百多条报警，真正要管的可能就两条。但我们谁也不敢把报警关掉——万一漏掉的那条，就是会停机的那条。
这是自动化现场最真实的困境。不是人不够聪明，是人已经被噪声淹没了。
而这件事，靠加人、靠培训、靠写制度都解决不了。它天生就该由机器来做筛选——从四百条里，把那两条挑出来，并且说清楚为什么是这两条。
我后来意识到，这才是工业 AI 最正当的入场理由。不是"AI 更聪明"，是人在这个信息密度下已经不可靠了。
先说清楚：这条路不是给所有人的
在讲他做了什么之前，我想先把话说在前面。
第一，4W+ 不是谁都拿得到。
这个数跟他八年现场经验、跟他在两个项目里真刀真枪做过、跟他能把七十多条经验写出来，是直接相关的。零经验想三个月拿这个数，不现实，我也不劝。
第二，有三类人我明确不建议转。
- 想靠 AI 彻底离开车间、离开现场的。工业 AI 的价值恰恰在现场，你离得越远，越不值钱。
- 期待 AI 替你做判断的。AI 给的是建议，签字的是你，出事担责的也是你。
- 不愿意把自己的经验写下来的。写不出来，就没法变成产品，那你学再多也还是"会用 AI 工具的人"，不是"做 AI 产品的人"。
第三，这条路需要的时间比你想象的长。三个月是"他已经积累了八年"之后的三个月，不是从零开始的三个月。
那三个月，他具体干了什么
前 20 天：把 AI 能力贴回自己的场景
大模型、Prompt、RAG、Agent、Tool Calling、Embedding 分别能干什么——不学原理，只问一句：这东西能替我干现场的哪件事？
比如 RAG 对应的是设备手册、维修记录、SOP、工艺规范的检索；Agent 对应的是连接 MES、SCADA、ERP 去取数和对账；Tool Calling 对应的是让 AI 真的去查系统，而不是陪人聊天。
同时建一套自己的指标：MTTR（平均定位时间）、误报率、漏报率、拒答率、人工接管率、可追溯率。
注意这里的顺序——工业场景先定义"什么情况下不能答"，再谈"答得准不准"。顺序反了，做出来的东西一定不敢上线。
中间 25 天：只啃西门子
不背公司历史，只拆三件事：
它的自动化和数字化产品矩阵里，AI 到底嵌在哪些环节；设备数据从 PLC、边缘侧，怎么经过工业数据平台进入 MES 和 ERP，最后又怎么反馈回现场；它在预测性维护、工业知识检索、自然语言查数据这几个方向，走到哪一步了。
目标只有一个：面试官随口提一个项目，他能接住——数据从哪来、调什么系统、解决了谁的什么问题、哪些环节必须留人。
后 45 天：做两个项目
项目一｜产线异常取证 Agent
现场主任用大白话问：“3 号线今天为什么慢了？”
Agent 自己去取 MES 和 SCADA 的数据，先对齐指标口径——OEE 按哪个公式算、停机时间归到哪一类、计划停机算不算分母——然后定位瓶颈工位，给出结论，并且标出每一条数据的出处。
这个项目最难的地方不在模型，在口径。同一条线，设备部门算的 OEE 和生产部门算的 OEE 经常对不上，而 AI 如果不把这个先定死，它算得越快，错得越快。
项目二｜换型调试 Copilot
新产品导入时，从历史换型记录、设备手册、调试日志里生成换型清单和参数初值建议。
但只给"建议值 + 依据 + 置信度"，工程师确认之后才能下发到设备。系统自己不执行任何控制指令。
这两个项目的共同点，不是"AI 有多聪明"，而是：每一句输出都带着证据，并且系统知道自己该在什么时候闭嘴。
面试那天被问到的 5 个问题
- 自然语言查产线，怎么保证你算出来的 OEE 和 MES 报表里的一致？
- AI 说设备可能温度异常，工程师凭什么敢信？
- 什么情况下必须拒答？
- 换型参数建议给错了，责任算谁的？
- 老设备没数据、数据很脏怎么办？
这五道题没有一道考算法。
考的全是同一件事：你有没有真的站在产线旁边想过这件事。
第 5 题尤其典型。工业现场大量设备是十年前的，采集点位不全、数据断断续续、时间戳还对不上。一个没下过车间的人会回答"先做数据治理"，而他在现场待了八年，他知道真实答案是——先判断这个场景下数据的可信度边界在哪，然后决定 AI 在这个场景里到底能说话还是只能闭嘴。
他的简历，前后差在哪
以前写的是：
负责 PLC 程序设计、产线电气调试、设备改造、SCADA 与 MES 数据对接
后来写的是：
- 工业自然语言取数 Agent 设计（多源数据对齐与指标口径治理）
- 设备换型调试 Copilot 方案（参数建议 + 置信度 + 人工确认闭环）
- 工业 AI 可追溯与人工接管机制设计
- 八年现场经验向可复用规则的结构化沉淀
同一段经历。
前一份，HR 看到的是"一个干了八年电气的"；后一份，HR 看到的是"一个能把现场经验变成产品的人"。
中间隔的不是能力，是描述能力的语言。
他最后拿的到底是什么岗
不是算法岗。
是AI+自动化解决方案 / 工业 AI 产品方向。
日常干什么：跟工艺工程师和设备工程师聊场景，判断哪些环节值得上 AI，做方案，做 PoC 验证，推动落地，算投入产出。
不考什么：不考你 LeetCode 刷了多少，不考你能不能手推 Transformer。
考什么：你能不能把一个真实的现场问题，翻译成一套能落地、可追溯、风险可控的 AI 方案。
而这恰恰是你过去八年一直在干的事——只是以前没人这么叫它。
他后来说的一句话
我干了八年自动化，一直觉得自己写的就是 PLC 程序。
后来才发现，我写的其实是最早的 Agent —— 只不过那时候它叫梯形图。
最后说一句可能得罪人的话
工业 AI 这两年有个很微妙的现象：很多给工厂做 AI 产品的团队，核心成员里没有一个人真正在车间长期待过。
他们做得出来很漂亮的看板，也能把大模型的对话体验做得很顺滑。但他们经常回答不了两个问题：
这个数据，现场到底采集不采集得到？
这个结论出了问题，谁敢签这个字？
不是说他们能力不行，是这两件事没法靠聪明解决——它只能靠你在现场站过足够长的时间。
而愿意下车间、又愿意学 AI 的人，本来就不多。这个缺口短期内补不上，因为车间经验没法速成。
所以如果你已经在制造业待了几年，做过设备、产线、工艺或者自控，我反而建议你好好看看这个方向。
你要做的不是把自己的过去清零、去和计算机专业的人从 Python 基础开始竞争。你要做的是给做了这么多年的事，换一套能被这个时代定价的说法。
我本人 6 年 Java 后端转大模型产品，现在在大厂做 AI 产品，业余时间一直在带机械、自动化、电气、制造、工业工程背景的朋友转 AI+自动化。
最近准备再带一批真正想往这个方向走的人，从 0 到 1 把这套能力搭起来。
几个硬条件：
- 是我的粉丝（现在关注也算）
- 22-45 岁，机械 / 自动化 / 电气 / 制造 / 工业工程 / 设备研发背景优先
- 每晚能稳定拿出 1-2 小时，时间不够勿扰
- 已经认真考虑转型，不是单纯想了解一下 AI
我把 AI+自动化学习路线、工业 AI 项目方案模板、西门子 / ABB / 施耐德这类企业的 AI 岗位拆解、以及面试真题整理好了，微信扫描下方二维码添加，免费发给你。
