一个周末，我们用AI把制造业报价从40分钟压到5分钟——踩了五个坑才跑通

周五下午四点，客户催报价。

业务员小李盯着三张Excel表，计算器按了第五遍，还是算错了。

原材料单价、损耗率、加工费、运费、利润率……每一项都要手动查、手动算、手动填。一份报价单平均要花40分钟，出错了还得重来。客户那边已经在问"怎么还没发过来"，小李额头上的汗比窗外的太阳还烫。

这不是某一家工厂的故事。这是中国几十万家制造业中小厂的日常。

我们花了一个周末，把这个流程改掉了。不是买什么系统，不是私有化部署大模型，就是调API、写逻辑、踩坑、修坑。这篇文章把整个过程原原本本写出来——包括那些让我们头疼了好几个小时的坑。

---

一、报价地狱：这家五金厂的真实现状

我们合作的这家厂在广东，做五金配件，SKU大概有两三百个，客户以外贸订单为主。

报价流程是这样的：

1. 客户发来需求（有时是邮件，有时是微信，有时是一张手机拍的图纸）

2. 业务员翻出物料价格Excel，找到对应品类

3. 手动计算损耗率（不同材料损耗不一样，铝件和铜件差很多）

4. 加上加工费、包装费、运费估算

5. 乘以利润率（还要看客户级别，老客户和新客户不一样）

6. 填进报价单模板，排版，发出去

平均一份报价40分钟。旺季一天要出七八份报价，业务员基本没时间干别的。出错率也不低——价格表更新了但业务员手上还是旧版，或者损耗率搞混了，这种事每个月都会发生几次。

老板的原话是："我不是不想做数字化，但那些ERP系统动辄几十万，我们这种规模根本用不起。"

这句话让我们找到了切入点：不需要ERP，只需要一条能跑通的流水线。

---

二、我们设计的方案：五步流水线

整条流水线的逻辑并不复杂：

客户需求输入（自然语言）
↓
AI解析意图（提取品类、规格、数量、交期）
↓
查询物料数据库（结构化Excel/数据库）
↓
调用价格计算逻辑（损耗率、加工费、利润率）
↓
生成格式化报价单（Word/PDF输出）

中小厂没有GPU服务器，本地部署成本和维护门槛都太高。调API按量付费，测试期成本极低，跑通之后再考虑优化。

这是关键决策。如果只用Prompt让模型"输出报价"，模型会把计算逻辑和输出混在一起，既不可控也不可审计。Function Calling的思路是：让模型只做它擅长的事——理解意图、提取结构化信息，计算和查询交给确定性代码来做。

这个分工非常重要，后面踩的坑很多都跟这个边界有关。

---

三、落地时踩过的五个真实坑

坑1：Prompt写得"太聪明"，模型反而乱发挥

最开始我们写了一个很详细的Prompt，把损耗率计算规则、利润率档位、各种特殊情况都塞进去，大概有800个token。

结果模型开始自己"算价格"。它会说"根据铝材当前市场价大约每吨18000元……"——问题是，它根本不知道这家厂的实际采购价，它在用训练数据里的"常识"瞎估。

你是一个专业的五金报价助手，请根据客户需求计算报价。
铝材损耗率约8-12%，铜材损耗率约5-8%，
利润率一般在15-25%之间，请综合考虑后给出合理报价。

你是一个信息提取助手。你的唯一任务是从客户需求中提取以下字段：
产品品类（必填）
材质（如有）
规格尺寸（如有）
数量（必填）
交货期要求（如有）

不要计算价格，不要做任何估算，只提取信息并调用query_material函数。
如果信息不足，返回missing_fields列表。

---

坑2：客户输入是模糊的人话，解析失败率超30%

客户不会按照你的格式说话。真实输入长这样：

"要一批铝的，圆的那种，大概手掌这么大，要500个，下个月要用"

"圆的那种"是什么规格？"手掌这么大"是直径多少？"下个月"是几号？

我们统计了前两周的测试数据，模糊输入导致解析不完整的比例超过30%。

解决方案是加一层澄清对话：

# Function Calling定义示例
functions = [
{
"name": "query_material",
"description": "查询物料价格数据库",
"parameters": {
"type": "object",
"properties": {
"category": {"type": "string", "description": "产品品类"},
"material": {"type": "string", "description": "材质"},
"diameter_mm": {"type": "number", "description": "直径（毫米）"},
"quantity": {"type": "integer", "description": "数量"},
"missing_fields": {
"type": "array",
"items": {"type": "string"},
"description": "信息不足时填写缺失字段列表"
}
},
"required": ["category", "quantity"]
}
}
]

当missing_fields不为空时，系统自动回复客户追问缺失信息，而不是强行生成一个错误报价。

---

坑3：价格数据在Excel里，结构混乱，AI读不准

这家厂的价格表是一个历史悠久的Excel，合并单元格、颜色标注、备注写在角落里……这种文件，直接让AI读会出各种幺蛾子。

我们做了一件重要的前置工作：把Excel"压平"成结构化的SQLite数据库，同时写了一个简单的数据清洗脚本，把合并单元格展开，把颜色标注转成字段，把备注里的特殊规则提取出来。

import pandas as pd
import sqlite3

读取Excel并清洗
df = pd.read_excel('price_table.xlsx', header=2)  # 跳过合并的表头行
df = df.dropna(subset=['品类', '单价'])
df.columns = ['category', 'material', 'spec', 'unit_price', 'loss_rate', 'note']

写入SQLite
conn = sqlite3.connect('materials.db')
df.to_sql('materials', conn, if_exists='replace', index=False)

这一步花了将近半天，但值得。数据质量是整个流水线的地基，地基不稳，上面盖什么都会塌。

---

坑4：生成的报价单格式老板不认

第一版自动生成的报价单，内容是对的，但格式和老板用了十几年的模板差太多——字体、表头位置、盖章区域……老板看了摇头："这发给客户客户会觉得我们不专业。"

这个坑的解决方案很简单，但费时间：不要让AI生成最终格式，而是用Python操作一个固定的Word模板，把AI提取的数据填进去。

from docx import Document
from docx.shared import Pt

def fill_quotation_template(data: dict) -> str:
doc = Document('quotation_template.docx')  # 用老板认可的模板

# 填写客户信息
for para in doc.paragraphs:
if '{{client_name}}' in para.text:
para.text = para.text.replace('{{client_name}}', data['client_name'])

# 填写报价明细表格
table = doc.tables[0]
for i, item in enumerate(data['items']):
row = table.rows[i + 1]
row.cells[0].text = item['description']
row.cells[1].text = str(item['quantity'])
row.cells[2].text = f"¥{item['unit_price']:.2f}"
row.cells[3].text = f"¥{item['total_price']:.2f}"

output_path = f"quotations/QT_{data['order_id']}.docx"
doc.save(output_path)
return output_path

---

坑5：Token成本没算好，第一周账单吓了一跳

第一周测试，我们没有做任何Token优化，每次请求都把完整的价格表背景信息塞进去，加上对话历史，单次请求轻松超过3000 token。

一周下来，账单比预期高了将近四倍。

排查之后发现两个主要问题：

1. System Prompt太长：把所有规则都写进去了，其实很多规则是用不到的

2. 对话历史没有截断：多轮对话把所有历史都带上了，越聊越贵

优化方案：

• System Prompt精简到300 token以内，只保留角色定义和核心约束
• 对话历史只保留最近3轮，更早的轮次丢弃
• 物料数据不放进Prompt，通过Function Calling查询返回

优化后，单次报价的Token消耗降到了优化前的约1/5，成本回到了可接受范围。

⚠️ 重要提示：上线前一定要先估算Token用量，用小批量测试数据跑一遍，别等账单来了才发现。

---

四、最终效果——数字说话，但也说局限

改造前后的对比：

业务员小李的原话："现在客户发过来，我看一眼确认一下，点一下就出去了。以前我最怕周五下午客户催报价，现在不怕了。"

老板的态度变化更有意思。一开始他是持怀疑态度的，觉得"AI能算准吗"。第一周跑下来，他开始主动问："这个能不能也接到我们的微信群里，客户在群里说要报价直接就出？"

• 复杂定制件还是要人工介入：如果客户的需求涉及特殊工艺、非标尺寸或者需要工程师评估，AI流水线只能做到"初步整理信息"，最终报价还是要人来拍板
• 价格表需要人工维护：原材料价格波动，数据库要定期更新，这个环节没有自动化
• 异常输入需要兜底机制：极端模糊或者完全跑偏的需求，系统要能识别并转人工，不能强行输出一个错误报价

AI不是万能的，边界在哪里要说清楚。这套方案解决的是"标准化报价"这个最高频、最痛的场景，不是解决所有问题。

---

五、你也能复刻——最小可行方案

如果你也想在自己的厂或者客户那里跑通这套逻辑，这里是最低成本的启动路径：

• [ ] 有一份相对规范的价格Excel（哪怕有点乱，能清洗就行）
• [ ] 有一个固定的报价单模板（Word格式最好）
• [ ] 有一个懂基础Python的人（或者愿意学）
• [ ] 有API调用权限

• 会Python基础：可以自己跑通
• 不会编程但有IT支持：找一个外包或者内部技术同事，一个周末够了
• 完全没有技术资源：先把价格表整理干净，这一步无论如何都要做

不要一上来就想做完整系统。先跑通最小闭环：只处理最高频的5-10个SKU，只支持最标准的需求格式，先让老板和业务员看到效果，再逐步扩展。

整套方案的API调用核心用的是标准OpenAI兼容接口。我们实际跑通用的是 [api.884819.xyz](https://api.884819.xyz)——支持多个主流模型切换，对这类结构化任务的Function Calling支持稳定，小厂测试期成本压得很低。新用户注册即送体验token，注册只需要用户名和密码，不需要邮箱验证，国产模型（Deepseek/千问等）完全免费，没有月租没有订阅。如果你想复刻这个方案，从这里开一个key是最快的起点。

---

结语

这不是什么颠覆性的革命。

它就是一个周末的工程：理清流程、整理数据、写几百行代码、踩几个坑、再修几个坑。

但它让一个业务员从此不用在周五下午盯着计算器发愁，让一个老板第一次觉得"数字化"不是遥不可及的事。

---

这次做的是报价单，相对结构化，是AI落地制造业最容易切入的场口。

但我们在做这个项目时发现了一个更难、也更值钱的问题——

哪些客户在涨价时最不敏感？哪些品类的利润率其实被低估了十几年？这些答案就在那堆积灰的订单Excel里，但没有人有时间去看。

下一篇，我们来聊聊怎么用RAG让老板第一次"看懂"自己十年的生意。

---

#AI落地 #制造业数字化 #Function Calling #API开发 #AI教程 #Python #8848AI #中小企业数字化