随着书生大模型开源生态的不断壮大，越来越多的产品和平台纷纷接入书生大模型。科研人员依托书生大模型持续探索创新，取得了丰富的研究成果；社区用户也不断创造出令人耳目一新的项目。“与书生共创”将推出一系列文章，聚焦这些合作与创新案例。欢迎订阅并踊跃投稿，一起分享经验与成果，共同推动大模型技术的应用与发展。

本项目为兴智杯“基础大模型智能体应用创新挑战赛”优秀获奖作品，由来自北京航空航天大学机械工程专业的博士生团队——深问图智团队打造。团队依托书生大模型及开源工具链，深度融合机械领域专业知识，成功打造出一款面向机械零件工艺知识与报价的智能体InternProcesser。

该智能体致力于为机械制造领域提供高效、精准的工艺决策与成本评估支持，体现了产研结合与技术创新在实际工业场景中的有效落地。该智能体聚焦机械制造核心场景，致力于提供高效、精准的工艺决策与成本评估能力，体现了技术创新与产研结合在实际工业场景中的有效落地。

项目开源地址：

https://github.com/DeepAskGraphMind/InternProcesser

数据集开源链接：

GitHub主页

https://github.com/DeepAskGraphMind

魔搭社区主页

https://www.modelscope.cn/profile/DeepAskGraphMind

零件报价微调数据集

https://www.modelscope.cn/datasets/DeepAskGraphMind/mechanical_parts_quote

书生大模型在线体验链接：

https://chat.intern-ai.org.cn/

团队联系方式：

18800199577@163.com

项目背景

机械零件报价与加工制造高度依赖工人的工艺知识与实操经验，涉及成本拆解、加工工时评估、工艺路线规划、关键工艺参数设定等多项复杂决策。在实际生产中，经验丰富的工艺工程师培养周期长，投入成本高，这在一定程度上制约了制造企业的规模化发展。同时机械零件的报价缺乏统一标准与量化依据，导致结果难以复核、管理评估困难，进而引发销售和利润的波动，不利于制造企业的高质量发展。

为应对上述挑战，深问图智团队以 InternLM2.5-7B-Chat 为基座模型，结合机械制造领域专业知识训练了一个面向机械零件的工艺知识与报价的智能体 InternProcesser。

在技术实现上，InternProcesser 采用“继续预训练-微调”的路线，增强模型在零件加工工艺分析与价格核算等专业任务的语义理解与推理执行能力。同时集成 RAG 与 MCP 能力，支持用户灵活接入文件资料、MCP 工具等企业内部资源，实现与实际业务流程的深度融合。

最终，该系统能够帮助新人快速掌握加工工艺知识，推动报价流程的标准化实施，提升业务运行的稳定性与一致性，为机械制造企业提供了一条“降低经验依赖、提升决策效率”的可行路径。

技术方案

系统架构

InternProcesser 的系统架构由四个核心阶段和一个知识增强模块组成：工艺知识继续预训练阶段、报价微调阶段、量化部署阶段、应用阶段 以及 RAG 知识增强。

工艺知识预训练阶段

团队收集权威书籍作为核心领域语料，使用 MinerU 工具将原始 PDF 文档解析并转换为结构化的 Markdown 格式，对文本内容进行清洗、去噪、章节重组与格式统一，确保语料质量与语义连续性。在此基础上，以 InternLM2.5-7B-Chat 作为基座模型，对整理后的机械工艺语料进行继续预训练，系统性增强模型对机械加工工艺知识、专业术语及工艺逻辑的理解能力，为后续任务级微调奠定领域知识基础。

报价知识微调训练阶段

该阶段聚焦零件加工工时评估与报价推理能力进行任务对齐。团队首先使用一个工时预测的小模型，输入零件三维模型，输出加工工时，同时随机生成材料信息和工艺参数，为后续报价提供精确数值基础。随后，利用闭源大语言模型结合小模型计算的工时及工艺信息，生成详细的报价推理过程，并通过脚本封装成多轮对话数据集，模拟真实用户提问与模型回答的场景。

接下来，在工艺知识预训练阶段得到的大模型（InternLM2.5-7B-Chat + 继续预训练）基础上，使用上述多轮对话数据进行监督微调，使模型能够学习从加工工时和工艺参数推理出工艺路线与报价结果。经过微调后，模型不仅能够理解自然语言问题，还能结合小模型提供的数值计算结果，生成准确、稳定且可复核的报价方案。通过这种大模型与小模型协同、预训练与微调结合的方式，整个系统实现了专业知识理解、数值计算和推理生成的有机统一，为机械零件报价提供了可靠、高效的智能解决方案。

量化部署阶段

在模型推理阶段，为了兼顾推理速度与存储效率，团队采用 LMDeploy 工具进行优化部署。通过 KV Cache 技术加速多轮对话过程中的上下文管理，减少重复计算。应用 W4A16 量化方案（权重量化至 4bit，激活保持 16bit）以降低显存消耗，同时保证模型回答的精度和稳定性。经过优化的模型能够在较低算力环境下实现高效运行，满足企业级场景的实时性需求。

应用阶段

基于 Streamlit 构建可视化交互前端，实现与用户的自然语言与多模态交互。用户既可以上传 3D 零件模型文件（如 STEP 格式），并通过自然语言提出工艺与报价相关问题（例如“该零件如何加工及如何报价”）。系统在接收到用户输入后，将调用工时评估 MCP 工具并协同微调后的大模型完成分析，输出包含工时评估结果以及单价计算过程在内的完整报价推理链路。最终结果通过前端以图文结合的形式展示，便于工艺工程师快速理解分析依据并辅助决策。

RAG 检索增强

系统支持 RAG 机制，用于增强模型在专业工艺知识场景下的准确性与可解释性。用户可根据实际业务需求自行上传企业内部手册、规范文档与历史资料，构建私有知识库。在用户提出问题时，RAG 模块首先从知识库中检索与问题高度相关的知识片段，并将检索结果与用户输入一并送入大模型进行生成推理，从而确保模型输出既符合行业与企业规范，又具备明确的知识来源与可追溯性。

InternProcesser 通过工艺知识预训练、任务级微调、量化部署与应用集成的技术路线，构建了覆盖“知识增强-模型训练-高效推理-业务落地”的完整闭环。系统在充分融合权威机械工艺知识的基础上，引入小模型与工具调用机制，将加工工时评估与报价计算过程显式化、可复核化，并通过 RAG 与多模态交互提升结果的准确性与可解释性。该方案在降低对资深工艺工程师经验依赖的同时，有效提升了工艺分析、报价决策与知识管理的效率与一致性，为机械制造领域的智能化应用提供了一条可落地、可扩展的技术路径。

总结

面向未来，团队将进一步深入模型训练，并持续完善 MCP 与 Skills 工具封装，打造更强大的制造智能体，以满足更多真实业务场景的需求。同时，团队也计划构建一个高质量、标准化的机械零件制造工艺与报价评测数据集，推动智能体的量化评估与持续迭代，提升在实际应用中的价值与可靠性。

最后，衷心感谢书生大模型的支持：不仅提供了开源模型与完善的工具链，还通过实战营免费提供全流程课程和算力资源。这对非计算机专业背景的开发者尤其友好，大幅降低了技术落地的门槛，让实际应用和创新探索变得更加 高效便捷。