CFDE 五步法：把老师傅的脑子，装进智能体
专知智库OPC研究院 · 隐性知识挖掘方法论
一、工业AI最大的浪费：老师傅退休，经验跟着走
每一个制造型企业，都有一批“老师傅”。
他们听声音能判断设备故障，看一眼数据能预判异常趋势，摸一下零件能说出加工参数对不对。
这些经验，没有任何一本手册写过，没有任何一套系统记过。
它们装在老师傅的脑子里。
然后，老师傅退休了。经验也跟着走了。
新来的工程师从头学起，同样的坑再踩一遍，同样的故障再摸索一遍。企业花几十年积累的隐性知识，就这样一代代流失。
这不是技术问题，这是知识工程问题。
专知智库OPC研究院的CFDE五步法，就是来解决这个问题的。
CFDE = 容度（Capacity）→ 分解（Fragmentation）→ 蒸馏（Distillation）→ 封装（Encapsulation）
它不是一套通用的“知识管理”方法，而是一套由专利代理师主导的、面向工业场景的隐性知识挖掘与结构化方法。
二、五步法详解
第一步：知识识别——定位岗位需要哪些知识
不是所有知识都需要挖。先搞清楚：这个岗位真正值钱的判断，到底在哪几个点上。
做什么：
- 梳理岗位的完整职责清单
- 区分“手册上有写的”和“手册上没写的”
- 锁定那些“只有老师傅会、新人学不会”的关键判断
输出：
- 岗位知识地图：哪些知识已有文档，哪些知识藏在人脑里
- 优先级排序：先挖最有价值、最常被调用的隐性知识
例：设备巡检岗
- 手册上有：点检路线、检查项、标准值
- 老师傅才有：听到电机异响应先看轴承还是先看底座、温度偏高但负载也高时怎么判断是真异常还是假报警
第二步：知识抽取——专利代理师上场
这是CFDE五步法的核心环节，也是最难的一步。
谁来挖：专利代理师。
为什么是专利代理师？因为他们受过专业训练，能把模糊的口头描述转化成精确的权利要求——这种能力，恰好也是把隐性知识转化成结构化规则所需要的能力。
怎么挖：四种访谈法
方法 | 怎么做 | 解决什么问题 |
|---|---|---|
情境访谈法 | 让老师傅回忆最近一次处理异常的完整过程 | 还原真实的决策链路，而不是抽象的理论 |
对比追问法 | “同样的情况，为什么上次你这样做，这次那样做？” | 挖出判断的分叉点和条件 |
极限测试法 | “如果数据超出正常范围50%，你会怎么处理？” | 挖出边界条件和异常处理逻辑 |
案例复盘法 | 拿出过去一年的典型案例，让老师傅一步步复盘 | 挖出经验背后的决策模型 |
一个真实的例子：
访谈对象：某钢厂轧机维修师傅，从业32年
情境访谈：“上个月那次轧机停机，你是怎么判断出是齿轮箱问题的？”
老师傅：“声音不对。正常是嗡嗡声，那次有点咔咔声，而且振动频率比平时高了大概两成。”
对比追问：“为什么不是轴承问题？轴承坏了也有异响。”
老师傅：“轴承的声音是连续的，齿轮箱是间歇的。而且温度曲线不一样——轴承升温快，齿轮箱是慢慢升。”
这段对话结束后，专利代理师把它提炼成一条规则：
规则 #017：轧机异响判断
- IF 异响为间歇性 AND 振动频率上升 >15% AND 温度上升速率 < 3°C/min → 优先怀疑齿轮箱
- IF 异响为连续性 AND 温度上升速率 > 5°C/min → 优先怀疑轴承
这就是“活规则”的来源——不是写文档的人编的，是从老师傅脑子里“抽”出来的。
第三步：知识结构化——分类、标注、建立关联
抽出来的知识还是碎片，需要组装成体系。
做什么：
- 分类：按岗位职能、异常类型、设备类型建立分类体系
- 标注：给每条规则打标签（来源、置信度、适用场景、例外条件）
- 关联：建立规则与规则之间的联系（这条规则触发了，下一步该查什么）
输出的三类知识资产：
类型 | 说明 | 示例 |
|---|---|---|
决策规则 | IF-THEN结构的判断逻辑 | IF 温度>80°C AND 负载正常 → 黄级报警 |
案例库 | 带上下文的典型案例 | 2025-03-12 W3空压机异响处理全过程 |
决策树 | 多步骤判断路径 | 异响诊断树：声音类型→频率→温度→定位 |
第四步：知识注入——按标准接口装进智能体
结构化后的知识，需要通过标准接口注入OPC智能体。
做什么：
- 将决策规则转化为智能体可调用的“工具函数”
- 将案例库接入知识检索模块
- 将决策树封装成工作流节点
关键要求：
- 调用接口标准化：无论哪种类型的知识，智能体都通过统一的接口调用
- 调用可审计：每次知识调用都记录：调用了哪条规则、谁调的、结果是什么
- 版本可追溯：每条规则都有版本号，修改历史可回溯
第五步：知识验证与持续更新——通过L1-L5认证确保准确
注入不是终点。知识对不对、准不准、够不够，需要验证。
验证方式：
阶段 | 验证内容 | 通过标准 |
|---|---|---|
预验证 | 用历史数据回测规则准确性 | 准确率 ≥ 95% |
上线验证 | 实际业务场景并行测试（智能体+人同时做，对比结果） | 一致率 ≥ 90% |
持续监控 | 每月抽样检查规则输出与实际情况的匹配度 | 偏差率 < 5% |
更新机制：
- 每次业务执行的结果，自动反馈回知识库
- 如果发现规则输出与实际情况不符，触发“规则修正流程”
- 修正后的规则重新走验证流程，通过后替换旧版本
这就是“活规则”的真正含义——规则不是写死的，是会随着业务实践不断进化的。
三、固化后的四类决策边界
知识注入完成后，每一套OPC智能体都会明确划定四类决策边界。这四类边界写入《人机分工协议》，是智能体“受控上岗”的基础。
1️⃣ 自主决策范围
智能体可以独立做出判断并执行，无需人工介入。
示例（巡检OPC）：
- 正常数据的记录与归档
- 一级异常（蓝级）的标记与日志写入
- 标准报告的自动生成
2️⃣ 需确认决策范围
智能体做出判断后，必须等待人工确认才能执行下一步。
示例：
- 二级异常（黄级）的维修工单生成
- 备件更换建议
- 超出常规范围的参数调整
3️⃣ 禁止决策范围
智能体在任何情况下都不得自行做出判断或执行。
示例：
- 设备停机指令
- 安全相关参数的修改
- 涉及合同、费用、人事的决策
- 法律法规要求的签字确认事项
4️⃣ 异常上报路径
当出现智能体无法处理的情况时，必须按预设路径上报。
示例：
纯文本三级异常（红级）→ 立即推送班组长 + 设备工程师
↓
30分钟未响应 → 推送部门负责人
↓
60分钟未响应 → 推送厂长/分管领导
每条异常上报路径都包含：
- 触发条件
- 上报对象（谁）
- 上报方式（群消息/电话/系统弹窗）
- 升级时限（多久未响应升一级）
- 闭环要求（必须有人确认处理结果）
四、CFDE五步法的价值：把“人走经验丢”变成“人走经验留”
传统做法 | CFDE五步法 |
|---|---|
老师傅退休，经验流失 | 经验被结构化留存，持续可用 |
新人靠摸索成长 | 新人直接调用知识库，上手快 |
经验不可复制 | 经验可批量复制到同类岗位 |
知识是静态文档 | 知识是动态进化的活规则 |
知识归属个人 | 知识归属组织 |
一句话总结：CFDE五步法不是在做知识管理，是在做“经验继承”。
五、结语
每一个老师傅都是一座金矿。
但大多数企业，在金矿退休的那天，才发现自己从来没开采过。
CFDE五步法，就是那把开采工具。
由专利代理师主导，用四种访谈法深挖，经过结构化、注入、验证，最终把老师傅的脑子——那些模糊的直觉、说不清的判断、凭感觉的决策——变成可调用、可审计、可进化的活规则。
人走了，经验留下。这才是工业AI该有的样子。
专知智库OPC研究院
CFDE五步法 · 让每一份经验都不退休
