连杆是发动机里最不起眼也最不能错的零件：制造时一分为二，装配必须原配。一旦错配，整机运行中可能炸缸。东风康明斯累计产销发动机超过 430 万台，连杆以百万计，过去守住这道关的办法只有一个字——盯。工人一天上千次重复核对，夜班最容易漏，下班了心还悬在产线上。
传统视觉为什么停在 70%
新产线先上了视觉检测，准确率只有 70%，每四次就有一次误报，一天几十次。工人嫌烦，直接把电源拔了。剩下的两条路都不好走：改零件工艺，一年投入上百万，涉及十多个平台、几十种零件，工程变更遥遥无期；上深度学习，要采样、打标、训练、部署算力，投资 20 万元起步，周期至少半年。一条太贵，一条太慢。
换问法：不教它认对，只教它认错
转机来自大模型能看懂猪的新闻——团队用一段提示词让模型读连杆上的配对码，第一轮准确率就从 70% 冲到 95%。但工业现场 95% 不够，每 20 次误判一次，工人照样扛不住。真正的突破在去年 4 月：把装错的连杆摆在一起，团队发现只要配错，结合面必定留一道裂痕——连杆本是一整块料胀开的，断面像指纹一样唯一，装错了就合不拢。
于是检测逻辑从识别正确倒转为识别错误，并叠了三道保险：第一道看裂痕，有裂痕直接判错；第二道读数字，对判错的提取配对码二次校对；第三道模糊匹配，四个数字对上三个就放行。第三条不是拍脑袋，是产线上干了 20 年的老师傅的经验：两个数字错肯定是错，只错一个，大概率是钢印打糊了。
8 周跑通，5 厘钱一张
技术通了，工程化反而快：依托飞书与火山引擎的底座，用多维表格做数据中枢、字段捷径调用大模型、工作流做异常预警，8 周把整套系统跑通。系统上线 9 个月、识别 20 万张图片，准确率稳定在 99.5% 以上；单张检测成本 5 厘钱，9 个月总花费不到 1000 元。复制也在加速：从一个平台扩到 6 个平台，从连杆延伸到活塞环、卡环，每个新场景两周搞定。团队给未来定了三步：把失误率压到万分之一；融合产品标准与工艺文档，让 AI 从看走向懂；走向多模态检测。
可迁移的不是模型，是规则的写法
这个案例最值得记的，是那句工业 AI 的核心不是算力和模型，而是能不能把老师傅的经验翻译成机器听得懂的规则。裂痕判据、三位匹配的容差，都是先有现场知识、后有模型调用；大模型在这里承担的是读码与判图，不是替人定标准。也要看到边界：这是企业在大赛舞台上的自述，99.5% 与零漏检缺少第三方复核，换零件、换光照都要重新验证。
但它指出了一个务实的方向：先用错误样本定义什么是错，再用极低成本的大模型能力覆盖长尾，最后用规则把人的判断固化下来。对还在为几十种零件写检测程序的企业，这比再训一个大模型更划算。