AI 工作流

现场数据进去，
远程 HMI 出来。
AI 只要一小时。

现场勘验与数据收集另外排半天到一天。收集到的报文、标签表，加上现有 HMI 控制画面的截图与说明，整包交给 AI agent （Claude、Codex、Antigravity 等），一小时内做出能通过 TCP 或 MQTT 连上 Falcon 的远程 HMI 程序。呈现并了解客户方向后，再用 AI 做出 Dashboard 与 SCADA。

pipeline

时间安排

时间分两段：现场准备，再交给 AI。

现场勘验与数据收集另外排半天到一天；AI 用收集好的数据在 60 分钟内做出远程 HMI，不含 Dashboard / SCADA——了解客户方向后，AI 接着做。

PHASE 1 · 现场准备半天～一天

— 收集操作时机台 log
— 操作时 HMI 快照

把收集好的数据交给 AI agent

PHASE 2 · AI 处理 60 分钟

00 – 15 MIN

用快照比对，找出 log 标签

15 – 40 MIN

用快照做出远程 HMI

40 – 60 MIN

回放 log 验证并调整细节

产出：用 log 回放验证过的远程 HMI 程序——不含 Dashboard / SCADA。

接下来呈现远程 HMI、了解客户方向后，再用 AI 做出 Dashboard / SCADA。

为什么可行

这类工作刚好是 AI 的甜蜜点。

输入是结构化的

Falcon 给出的不是模糊需求，而是明确的报文、地址、数值范围。AI 有足够具体的线索去推断每个寄存器代表什么。

画面本身就是规格书

HMI 上的字段名称、单位、按钮与指示灯，等于现成的 UI 规格与命名惯例。AI 读图后可直接对应到标签与版面。

结果可以立刻验证

写出来的程序一连上 Falcon 就知道对不对——数值合不合理、单位有没有错。错了就修，迭代周期是分钟级。

交给 AI 的输入包

context/ ├── scan-result.json 串口参数与站号 ├── capture-10min.csv 解析后报文记录 ├── tagmap-draft.yaml 初步标签映射 ├── hmi-screen-01.png 主画面截图 ├── hmi-screen-02.png 参数设置页 ├── hmi-notes.md 操作员说明 └── target.md 要做什么: 远程监控 + 产量报表

AI 产出（60 分钟内）

out/ ├── tagmap.yaml 确认版标签表 ├── client/ │ ├── mqtt_client.py 订阅 Falcon 主题 │ └── modbus_tcp.py 直连读写 (可选) └── README.md 部署与点表说明 # Dashboard / SCADA：了解客户方向后由 AI 制作，不含在这 60 分钟内

诚实说明

一小时做出来的是原型，不是验收版。

我们不主张 AI 一小时取代整个 SCADA 项目。它取代的是「从零到第一个能看的东西」那段最耗人力、最难报价的阶段。

一小时内通常做得到

读值正确的远程监看画面、KPI 与趋势图、异常告警清单、可拿去给客户或主管看的 demo。

一小时内做不到

安全性审计、写入权限与联锁保护设计、长期数据库规划、正式验收文档、以及所有需要现场实测的控制逻辑。

任何远程写入功能都应经过风险评估与白名单限制。AI 产出的程序一律需人工审阅后才可上线。

现场数据进去，远程 HMI 出来。AI 只要一小时。