在五金、钣金、机加工、塑胶模具这类非标制造企业里，报价慢是最容易被忽视的利润漏点。一张询价图纸从业务转给工艺、工艺再找老师傅估价，来回两三天是常态；客户等不及就转单，等得及的单子往往又被报低了 10%–20%。
本文讨论的不是”用大模型写文案”，而是把图纸解析、相似件检索、成本模型三件事组合起来，把非标件报价从”老师傅拍脑袋”变成”系统给区间、人工做终审”。文末给出可验收的指标和一版务实的分阶段落地路径。
一、报价为什么慢：三个隐性瓶颈
多数企业以为报价慢是因为”人手不够”，实际调研下来，时间消耗集中在三个环节，而且都不是加人能解决的。
瓶颈 1：图纸信息没有被结构化。询价图纸可能是矢量 PDF、扫描件、DWG，也可能是客户手绘拍照。材料牌号、板厚、公差等级、表面处理、热处理要求散落在标题栏、技术要求说明和剖面标注里，业务员读不全，工艺员要逐张看。
瓶颈 2：工艺路线靠个人经验。同一个零件，老师傅知道要几道工序、装夹几次、要不要开简易模；新人只能凭感觉加安全系数，报出来的价格方差极大。
瓶颈 3：历史报价没有沉淀成可比数据。三年前报过的相似件躺在 Excel 或纸质单里，没人查得到。每次报价都等于从零开始。
| 环节 | 传统做法耗时 | 主要瓶颈 | 可优化的部分 |
|---|---|---|---|
| 图纸接收与信息提取 | 20–60 分钟/张 | 格式不一、字段分散 | 自动解析材料、尺寸、公差、表面处理 |
| 工艺路线判断 | 15–40 分钟/张 | 依赖个人经验 | 相似件工艺复用 + 规则库约束 |
| 成本核算 | 20–30 分钟/张 | 手工查料价、算工时 | 材料库 + 工时费率自动带入 |
| 审批与对外报价 | 0.5–2 天（排队） | 需要人等在位 | 系统出区间价，人工只做终审 |
二、系统由哪四块组成
1. 图纸解析层
目标是输出一份结构化 JSON：零件类型、外形尺寸、关键尺寸与公差、材料牌号、板厚或壁厚、表面处理、热处理、数量、交期要求。工程上通常分两条路：
- 矢量 PDF / DWG：优先做文本层与图层提取，配合规则匹配标题栏与技术要求，准确率最高，成本最低。
- 扫描件 / 拍照图纸：走 OCR + 版面分析 + 视觉模型识别视图与标注，再人工抽检修正。这一层的错误率决定了整个系统的可信度，必须做人工复核闭环。
关键经验：不要追求”全自动解析 100%”，而是让系统把置信度低的字段高亮出来，让工艺员只花 1 分钟改那 2–3 个字段，而不是从头读一张图。
2. 相似件检索层
用”向量 + 结构化过滤”的混合检索：几何特征、材料、工艺标签作为硬过滤条件，图纸语义向量做相似度排序。输出 Top 5 历史相似件及其当时的实际成本与报价。
这一层是整个系统投入产出比最高的部分——它把老师傅的经验从”人脑”变成”可检索的案例库”，而且不需要训练任何模型。
3. 成本模型层
非标件成本一般拆成五项：材料费、加工工时费、外协费、损耗与不良、管理与利润加成。系统要做的是把每项都变成可计算的公式，而不是一个经验系数：
| 成本项 | 计算依据 | 数据来源 |
|---|---|---|
| 材料费 | 体积 × 密度 × 单价 × (1 + 损耗率) | 材料库 + 每日料价 |
| 加工工时 | 工序工时 × 设备费率 | 工艺规则库 + 相似件实测工时 |
| 外协费 | 表面处理/热处理按面积或重量计价 | 外协供应商价目表 |
| 损耗与不良 | 按工序难度分档的历史不良率 | MES / 质检记录 |
| 管理与利润 | 按客户等级与批量分档 | 企业定价策略 |
4. 报价解释层
大模型在这里的作用不是”猜价格”，而是把计算结果翻译成人能读懂的报价说明：为什么这个件比上次贵 18%、贵在材料还是工序、哪些假设需要客户确认（例如公差未标注按国标几级执行）。
一条硬规则：模型不直接对外发价。所有报价必须经人工确认后发出，模型输出只作为建议与解释。
三、准确率怎么定：可验收的指标
报价系统最容易翻车的地方，是供应商承诺”准确率 95%”却无法定义什么叫准确。建议在合同里就写清下面四个指标。
| 指标 | 定义 | 一期目标 | 验收方式 |
|---|---|---|---|
| 报价偏差率 | |系统建议价 − 实际成交价| / 实际成交价 | 中位数 ≤ 15% | 抽 50 张历史询价单回测 |
| 相似件召回 | Top 5 中出现真实同类件的比例 | ≥ 80% | 人工标注 100 个样本比对 |
| 解析字段覆盖率 | 关键字段（材料/尺寸/公差/表面处理）成功提取比例 | ≥ 90% | 200 张图纸抽样统计 |
| 单张报价耗时 | 从上传图纸到系统出建议价 | ≤ 3 分钟 | 系统埋点统计 P90 |
注意偏差率的评价口径：非标件报价本身存在议价空间，用”与最终成交价对比”比”与老师傅报价对比”更可靠，因为后者本身就带主观偏差。
四、四阶段落地路径
阶段一：数据盘点（2–3 周）
收集近 12 个月的历史询价单、图纸、报价单、实际成本单，确认能对齐多少张（图纸↔报价↔实际成本）。这一步决定项目可行性：如果历史数据少于 300 组且无法对齐，建议先补数据再做系统。
阶段二：解析 + 检索 PoC（4–6 周）
先不做成本模型，只做”上传图纸 → 输出结构化字段 → 返回 Top 5 相似件”。让工艺员实际用一周，统计他们改动了多少字段。这个 PoC 成本最低，也最能验证数据质量。
阶段三：成本模型并行验证（4–6 周）
系统出建议价，同时保留原有报价流程，两条线并行 4–8 周。每周对比系统价与人工价，把偏差大的样本拉出来分析原因，迭代成本规则。这个阶段不要急着上线，先让报价员建立信任。
阶段四：切换与运营（持续）
系统出”建议区间 + 报价说明”，报价员做终审并留痕。每月回顾偏差率，更新材料库与工时费率。
五、五个常见失败点
- 只做图纸识别，不做成本闭环。识别出字段只是中间产物，不能算出价格，业务部门不会用。
- 历史数据没对齐。图纸、报价、实际成本三者对不上，模型学出来的都是噪声。
- 让模型直接定价。大模型对数字的计算不可靠，价格必须由成本公式算，模型只做解释。
- 忽略图纸格式分布。如果 70% 询价是扫描件，却按矢量 PDF 做方案，上线即失败。
- 没有人工复核入口。报价员无法快速修正字段，用两次就弃用。
六、预算与选型建议
这类系统的合理预算区间在 15–50 万元，取决于三个变量：图纸格式复杂度、历史数据可对齐比例、是否需要与现有 ERP 打通（报价单回写、客户信用额度校验）。
选型时建议重点考察三件事：一是服务商有没有做过制造业非标件场景（而不是通用 OCR 项目）；二是能不能提供可验收的偏差率承诺；三是是否支持私有化部署——图纸属于核心商业资产，多数制造企业不接受上传到公有云。
私有化部署的架构选型可参考 国产大模型私有化部署实战指南；如果同时在做产线视觉质检，可参考 AI 机器视觉质检系统建设指南，两套系统的图纸与图像数据管线可以复用。
结语
非标件报价的难点从来不是”算得精”，而是信息从图纸到价格之间的三次损耗：图纸读不全、工艺靠人脑、历史查不到。AI 的价值在于把这三段损耗压到最小，让报价员从”读图算价”变成”审价格、谈客户”。
如果你正在评估这类项目，建议先用 30 张历史图纸做一个最小验证：能不能自动提出材料、尺寸、公差，能不能找到相似件。这一步如果需要外部支持，可以通过 联系我们 获取一份针对你所在行业的落地评估表。
