飛書AI Agent在汽車行業跑起來了，比外界想象得更快

撰文|王 菁

編輯| 張 南

設計|甄尤美

開發周期從五六年壓到兩年，發布頻率從兩三年一次變成一年兩三次——車企要用消費電子的速度造車，同時還得守住汽車行業對安全和質量的嚴苛標準。時間更短，工作量沒少，標準不能降——這是今天汽車行業最大的組織效率難題。

而AI恰恰在這兩年里連續跨過了三道門檻。從ChatGPT爆火、DeepSeek橫空出世，到今年年初OpenClaw帶來的“龍蝦熱”，AI Agent擁有了記憶、判斷和協作能力，開始像一個真正的員工一樣持續工作。

一邊是行業在加速，一邊是AI在進化。兩條線在2026年交匯：車企擁抱AI，已經從“要不要做”變成了“怎么做得快”。

4月21日，“飛書AI先鋒大賽先進制造專場”決賽在北京舉行——決賽現場也是汽車行業交流AI“抄作業”的現場，東風奕派、東風康明斯、阿維塔、北汽福田、億咖通、四維圖新等案例從146個參賽項目中脫穎而出成為年度“制造AI先鋒”，北汽、上汽、理想、奇瑞等主機廠專家匯聚評審。

值得注意的是，這些案例不是停留在PPT上的demo，而是已經跑在真實產線上的方案——不少選手現場展示了自己“手搓”的企業級智能體與skill。從設備運維、整車研發到工廠管理，AI進入汽車行業的速度遠超外界想象，而且已經開始真正改變這個行業的運轉方式。

“龍蝦”打6分，領導拍板照此執行

OpenClaw爆火僅僅過了兩個月，在北汽福田長沙工廠，一只“龍蝦”已在工作群里有了實實在在的管理話語權。

有一回，它給一項業務打了6分（滿分10分），還逐條列出問題和改進建議。業務領導看過之后當即表示，大家就按照它制定的目標和策略執行。

這份話語權不是高層硬推出來的，而是它憑借解決一個個實際問題逐步贏得的。

北汽福田的場景，在汽車行業里格外特殊。作為商用車制造企業，它和乘用車有著本質區別：乘用車廠通常只有五六個車型、少量配置，而福田長沙工廠要同時生產輕卡、重卡、客車、專用底盤等200 多種車型，而且要按訂單柔性化生產。

高度柔性化帶來了極致的復雜度：前一輛是城市輕卡，后一輛就是重卡，裝配工藝、零部件、工序完全不同；零部件版本極多、專用件比例高，既不能缺件導致停線，也不能多產造成呆滯積壓，供應鏈、物流、庫存、質量、訂單都需要極度精細的管控。

36歲的文偉在北汽福田流程與數字化部，工齡15年。他很清楚，在汽車工廠，管理最難的地方不是形成決策，而是把決策真正落地。領導在會上講完要求，大家都說“收到”，但“收到”不等于“做到”，精益閉環常常懸在半空。

問題的根子，是數據散。工廠幾千人，訂單在 ERP、生產在 MES、質量在QMS、考勤在Excel，沒有全局視圖。以前出一份運營日報，要 6 個人跨系統找數、匯總、分析，快則 2 小時、慢則半天，拿到的還是昨天的數據。管理者看不清現狀，更談不上閉環。

文偉和團隊首先著手的并非接入AI，而是利用飛書多維表格搭建數據底座。每個員工把工作內容遷到多維表格里，這張表既是工作清單，也是績效結果。一千多張多維表跑起來，數據隨工作實時流動，AI才有了可以分析和判斷的基礎。

2026年初，OpenClaw全球走紅，飛書因其易用性迅速成為國內開發者承接“養蝦”熱潮的核心平臺之一，北汽福田也積極擁抱這股趨勢。文偉把OpenClaw理解為一個“對業務不太熟悉，但學習能力超強的新員工”，并依托飛書為長沙工廠打造了專屬的“龍蝦”智能體，取名為“長超小福”。

它不再是被動問答，而是主動感知、自主決策、持續追蹤的 “數字管理員”。日報從 6 人 2 小時變成 3 分鐘，更關鍵的是，龍蝦會把訂單、生產、庫存串起來，直接給出問題與調整建議，管理者拿到的是帶決策的報告。任務追蹤、精益閉環也交給龍蝦，它不講情面、持續盯辦，“收到不等于做到” 的老問題被死死盯住。

減負隨之而來：審批、日程、會議、安全巡查全部交給 AI。領導一天上百個審批，語音交代即可；AI 24 小時盯控現場安全，春節期間還主動發現設備未斷電并及時處置。產線缺料，工人對 AI 說一句話就能完成領料，系統復雜度全由 AI 消化。

“我們最近還完成了龍蝦的最厲害的一次進化，我們把工業系統喂給了龍蝦，我們這些工業系統ERP、 MPS 沒有一個是省油的燈，大家應該都深有體會。怎么辦？我們讓龍蝦去盤它，我們把復雜的系統圖形界面變成龍蝦可以用的CLI。”大賽現場，文偉說。

這套方案已在北汽福田全面復制，幫助北汽福田成功申報了汽車行業首個兩化融合 5A 級認證。文偉把方案完全開源，他說：“讓人從系統里解放出來，讓 AI 把整個制造業的系統重做一遍。這一輪 AI 浪潮，不能只有互聯網行業遠遠跑在前面。”

“讓AI來找人”

阿維塔質量體系副總監龔成入行14年，經歷過6年造一款車的時候。而現在，一款車的開發周期已壓縮到2年甚至18個月。

這背后，還有軟件定義汽車的大背景，與IPD模式的流行。

作為深度踐行 IPD 的品牌，阿維塔的整車研發就是這樣一場挑戰。由于強調全周期打通與評估評審，IPD的復雜度遠高于傳統研發模式：傳統車企是 “交鑰匙工程”，研發做完再逐級交接；而 IPD 強調跨領域全程協同，市場、研發、供應鏈必須深度參與，角色多、評審節點多、對齊成本極高。

在阿維塔，1300多份關鍵交付物、幾千家供應商參與、2000多人協同，任何一個問題如果不能及時解決，都可能影響量產節點。在這種極限壓力下，信息同步的成本被放大了。

2024 年 7 月起，阿維塔花近一年，將整套 IPD 體系完整搬上飛書項目，把設計、供應商、客戶、安全等全維度拉通，構建端到端整車開發流程。2500 名研發人員統一在一個界面協作，交付物、問題單、變更記錄全部留痕，徹底告別 “各看各的 Excel和各種惱人的對齊會”。

也正是這一步，讓后面的一切成為可能。當體系跑順、數據在飛書項目上持續沉淀之后，AI落地的土壤就有了——智能體不再面對一堆散落在不同系統里的碎片信息，而是一套結構清晰、數據完整、流程在線的研發全景。

怎么在這個基礎上落地AI，阿維塔走過彎路。團隊最初在飛書之外單獨開發了幾個AI智能體，功能并不差，但訪問量最高不過幾百次。原因很簡單：工程師不會因為多了一個AI功能，就愿意再打開一個系統、多走一步流程。

轉折發生在2025年4月之后。團隊換了思路，用飛書 aily 搭建智能體，直接嵌入飛書項目里已經跑通的IPD流程——工程師正常提單、正常審簽，AI的分析結果自動出現在界面上，零額外操作。

這件事之所以能做到，是因為飛書項目原生支持IPD研發流程，智能體可以直接嵌入審簽節點——這不是在任何IM上掛一個聊天機器人能實現的，它需要AI和業務流程之間有原生的咬合。換句話說，沒有前面那一年把IPD搬上飛書項目的苦功夫，后面的AI嵌入根本無從談起。

“關鍵轉變在于，不是讓人去找AI，而是讓AI來找人。”阿維塔質量工程師董思維總結。

而搭建速度也遠超預期。2025年8月的一個下午，龔成和董思維給幾十名工程師做了次培訓，內容是怎么用飛書aily搭建智能體。兩個半小時后，一個變更評審的智能體demo已經跑了出來——一項變更會影響哪些模塊、要補充哪些測試，現在一分鐘內就能完成初步評估。

在這個基礎上，幾類高頻場景很快跑了出來。

交付物上傳后，AI會先做預審，提示問題和修改方向，審簽效率提升30%；質量問題提單后，AI自動查詢歷史案例，并給出參考方案，問題工單關閉時間縮減至48小時，累計已調用超6萬次；面對數千份用戶開放性問卷，現在提交后即可生成結果，效率提升超過99%。

在通過飛書搭建智能體的過程中，阿維塔業務人員逐漸意識到，AI并不是那么高大上，自己也可以輕易使用。截至目前，阿維塔內部已有30多人自己動手搭建了智能體，同時AI智能體搭建方法對外賦能20余次。

“經驗，站起來上班了”

“沒個兩三年你上不了手。” 湯俊在設備保全崗深耕十一年，比誰都明白，這句話不只是經驗之談，更是產線模式、人力困局、信息孤島牢牢困住的無奈。

東風奕派工廠覆蓋沖壓、焊裝、總裝、涂裝四大工藝，僅焊裝一車間就有 2 條產線、200 多臺機器人、超 1000 臺在冊設備，激光焊、大型壓機、PLC 控制柜等設備原理天差地別。

2 萬平米的車間里，產線環環相扣，哪怕 “流水線該走不走” 的小故障，都要跨程序、硬件、圖紙層層排查，一步卡頓即全線停擺。

而科班出身的新人到現場依然無從下手，機器人復雜故障修復動輒四五小時，老師傅常年疲于救火；同時，產線不停人不離崗、停產即檢修的情況，讓團隊幾乎無暇做預防性維護。長達三年的上手期，導致崗位留人難，人少活多的壓力，更是全部壓在崗人員身上。

湯俊知道問題出在哪里：“經驗這個東西，說不出來就傳不下去。”

工廠有十幾年積攢的140份長停工報告、2000多條故障一元化表、275份原理原則課件，但全躺在文件夾里，新人找不到，找到了也看不懂，老師傅下班了更是什么都沒有了。

團隊早年嘗試本地部署大模型，折騰數月無果；后來又在其他AI平臺上做了智能體，發布成微信機器人，但機器人沒有記憶，每次對話都要重新確認信息。不是方向不對，是沒有找到真正貼合制造現場的工具。

2025 年 11 月，工廠全面接入飛書，保全團隊當周提出“all in飛書”。選飛書，不僅因為它能接入AI，更看重的是以 “事” 為中心的協作邏輯——故障處理本來就是一件完整的事，從發現問題、診斷原因，到派工、維修、記錄、復盤，最好都圍著同一條流程走，飛書提供的正是這樣一個把知識和流程接在一起的環境。

在此基礎上，湯俊團隊用飛書aily搭建了“設備大師”智能體，將歷史記錄全部導入飛書知識庫。和之前在其他AI工具上的體驗完全不同——飛書知識庫能被智能體直接調用，維修工用語音描述故障，系統就能精準匹配歷史案例，給出原因分析、處理步驟和設備點位。因為飛書知識庫和飛書 aily智能體共享同一套數據底座，不需要跨系統調接口。

“行為模式的轉變是順滑的、沒有阻力的。”湯俊說。原本大約需要10分鐘的處理流程，縮短到了6分鐘。“躺著的經驗，站起來上班了。”

他們并未止步于此，進一步，湯俊通過 Webhook 打通設備報警與飛書，讓 Agent 從 “被動應答” 變為 “主動找人”。設備一報警，智能體自動分析、派單、生成記錄，無需人工操作，6 分鐘再壓至 4 分鐘，工人最煩的記錄閉環被 AI 默默完成。

真正的質變，是把“救火”變成“預防”。湯俊團隊給關鍵設備加裝振動與溫度傳感器，用神經網絡模型分析趨勢，實現異常提前預警，沖壓機預警提前 4.2 天、準確率 92%，從 “壞了再修” 變為 “防患未然”，維修時間從 4 分鐘走向 0 分鐘。

這還不夠。“龍蝦”火了以后，湯俊和他的團隊更進一步，引入OpenClaw來完成多Agent協作。

這套自進化體系，讓故障發生率直接下降 25%，每年減少停機損失約179萬元，并已在奕派武漢一廠和二廠兩個工廠全面落地。

兩條線，終于交匯了

當車企擁抱AI從“要不要做”變成了“怎么做得快”，真正跑在前面的企業很快發現，AI能不能落地，不在于買了多貴的模型，而在于一個更底層的條件：組織有沒有一個讓AI能運行、能介入的數字底座。

回看這幾年，車企對飛書的使用本身也經歷了幾個階段。

2021年，“蔚小理”最早選擇飛書，看重的是用飛書解決組織“熵增”的能力。2021年春季飛書未來無限大會上，李想就曾提到，“飛書最大功能是超級感知工具，流轉的不僅是辦公流和信息流，還是認知和知識，并把知識和認知通過有效共創的方式連在一起。”

此后，飛書不斷長出新能力，從多維表格、飛書項目到aPaaS，飛書逐漸從協作工具演進為業務的數字化底座。2023 年，蔚來借助飛書多維表格落地 1000 + 座換電站，建設周期從原本的 1058 天縮短至 355 天。

從2025年開始，隨著AI能力的提升和飛書AI功能的跟進，越來越多車企開始通過飛書在企業內落地AI。吉利汽車研究院基于飛書 AI 開發的 “尺寸檢測智能化” 系統，實現了語音生成測量值和 AI 智能分析，支持映射 18 種問題模型，提效超 100%。

截至2025年，包括吉利汽車研究院在內的市值TOP10中國車企，已有9家選擇飛書。

如今，OpenClaw春節的爆火代表了AI能力的又一次躍升。以飛書 aily為代表的AI Agent相當于讓AI的“大腦”長出了“手和腳”。而僅僅在OpenClaw誕生的2個月后，飛書AI先鋒大賽的決賽現場上，企業級AI Agent就已經進入車企，變成真正能幫業務一線干活的數字員工。

說到底，變化并不是突然發生的，一邊，汽車行業的競爭越來越快，把企業推到了必須尋找新解法的位置；另一邊，飛書也在這些年里一點點從協同工具成長成了企業在AI時代最需要的那個業務底座。而這個底座真正的價值，不只某一輪表現上的優異——隨著AI能力的持續迭代，車企不需要每一輪技術浪潮都重新開發一套系統，飛書能夠持續接住最新的AI能力，讓前沿技術最快地落進真實業務流。AI越強大，這個底座對企業就越重要。

當兩條線開始交匯，AI不再停留在展示層，而開始進入汽車制造的各類復雜現場。而飛書AI先鋒大賽的價值，恰恰在于把這些原本散落在各家工廠里的探索，集中搬上了同一個舞臺——從設備預測性維護到整車交付物AI預審，從“龍蝦”值班巡檢到供應鏈端到端協同——都不只屬于某一家企業。它們正在成為整個汽車產業鏈可以借鑒的公共經驗。

AI的能力還在加速迭代。下一輪新能力出現時，那些已經在飛書上完成數據沉淀、跑通業務流程的企業，依然會是最先接住它的人。