返回首页

48周,14个人,我们做了一套能自己思考的PLM系统

AiFLY团队 约 2200 字
项目总结 PLM系统 AI应用

开场

说实话,项目刚立项的时候,没几个人信我们能成。

一个14人的团队(其中还包括一个AI助手),要用不到一年的时间,从头搭一套企业级PLM产品生命周期管理系统——放在谁眼里都是个"先干着看"的活儿。

但48周后,我们交卷了。

11个微服务,12项AI原生能力,从需求分析到容器化部署,全流程跑通。今天不吹不黑,把我们干这件事的真实过程和最终成果,跟大伙儿聊聊。

我们做了什么?

一句话:让产品从诞生到退市的每一步,都有人管、管得好、还能自己优化。

具体拆解开来,这个系统管五件事:

听起来像传统PLM?别急,重头戏在后面。

真正的差异点:AI不是噱头,是干活的

市面上很多产品说"AI赋能",实际上就是在界面上加了个聊天机器人。

我们不一样。AI从架构第一天就长在系统里,12项能力全是实打实的业务场景。

场景一:BOM配置优化

以前工程师配一个复杂BOM,要翻历史数据、比参数、凭经验。现在系统自动分析历史最优配置,直接给出推荐方案。一个新手,能配出老工程师的水平。

场景二:变更风险预测

产品改一个零件,影响哪些环节?过去靠人脑想,想不全就是事故。现在AI自动评估变更影响链,哪些工序要改、哪些文档要更新,一目了然。

场景三:智能检索

找一份三年前的工艺文档?传统方式是翻文件夹。现在用向量搜索,用自然语言描述需求,直接给你精准结果。

技术栈?不装了,直接亮底牌

层级 技术选型 为什么
高性能引擎 C++17/20 核心计算,要快
业务服务 Python 3.11 + FastAPI 开发快,生态好
微服务通信 gRPC 低延迟,高吞吐
数据库 PostgreSQL 16 + pgvector 关系型+向量存储,一套搞定
前端 Vue 3 + TypeScript 现代、响应式
部署 K3s轻量Kubernetes 轻量、好维护

选型原则就一个:不追新,只选对的。 每个技术栈都有明确的"为什么是它"。

协作方式:AI+人类,不是口号

这套系统本身,就是用AI协作模式开发出来的。

这不是"替代人类"的故事,是"让人类做人类该做的事"的故事。

文档驱动:代码没动,文档先行

很多团队觉得文档是负担。我们反着来:

结果是什么?开发效率高了,返工少了,交接成本几乎为零。

数字说话

指标 数据
项目周期 48周
团队规模 14人(含AI助手)
核心微服务 11个
AI原生能力 12项
技术文档 25+篇
代码提交 数千次

接下来?

项目完成不是终点,是起点。

接下来我们会继续做三件事:

  1. 性能优化 — 系统跑得更快、更稳
  2. AI能力拓展 — 从12项到更多,持续进化
  3. 场景落地 — 让真正用的人说话

如果你有产品管理的痛点,或者对AI+企业软件感兴趣,欢迎来找我们聊聊。

最好的产品,是在真实需求里长出来的。

© 2026 AiFLY Team. All rights reserved.
本文基于PLM项目交付文档撰写,事实数据均来自项目实际产出。
关注动态: https://aifly.ren