品胜AI专利附图工具开源上线，00后团队主导，创始人称开源才是护城河

开源社区GitHub上最近多了一款AI专利附图工具。有点意外，它出自品胜——一家做充电宝、充电器多年的硬件公司。

东西做出来以后，品胜创始人赵国成一度想过商业化。但旗下AI产品负责人丛泽龙有不同看法：先别急着定怎么收费，不如把工具开放出去，让更多企业在自己的环境里用起来，也让更多开发者参与测试和迭代。赵国成最后听了他的。

要开源的AI产品不止这一个。丛泽龙说，团队还做完了一套线上“AI试炼”工具，用来筛选AI Native人才，同样计划开源。另外，品胜正在做AI Lab官网，打算把AI管理提效工具、Agent产品的下载入口和使用指南放到一起推出。

按照丛泽龙的设想，品胜以后做出来的AI创新工具都会走开源这条路。不过他没把话说满：工具做出来只是开头，后面有没有人一直用、别的公司能不能用得起来、问题是不是真解决了，都还得接着打磨。

品胜的AI实践因此有了一个不太一样的起点。它既关系到一家传统制造企业怎么用AI提效，也关系到企业自己长出来的创新成果，到底该包装成收费产品，还是放进更大的开源生态里。

打开一道AI创新的口子

丛泽龙是00后，已经在品胜带起了一支年轻的AI产品开发团队。他们的故事，可以从一张专利附图讲起。

有一次做产品研发，专利工程师和结构工程师之间沟通效率不高，进度被拖慢了。这个难题交到了丛泽龙团队手上。

专利附图看着只是研发链条里的一环，背后却牵着产品结构、工程模型和专利规范。结构工程师手里的3D模型，没法直接变成合规的专利图纸。以前，模型细节、视图选择、部件标注都要来回沟通，事情往往卡在跨岗位协作上。

丛泽龙团队的办法是把AI和开源CAD工具接起来，让系统读取3D模型、理解产品结构，辅助生成爆炸图、部件标注这类专利附图。AI负责理解人的意图、识别模型里的结构，再调用工程软件去做具体处理。它不是凭空画一张“看着对”的图，而是围着真实模型干活。

这个区别不小。专利图纸得对得上产品的实际结构，光视觉上完整没用。AI能省掉前期处理和反复沟通，但生成的结果还是要专业人员检查，质量好坏不能只让模型自己说了算。

按团队实践中的设想，原本沟通周期较长的那部分前期工作，有机会缩到几十秒或几分钟。但这不表示从产品模型到正式专利申请的整个流程都能压到几分钟，工程校验和专业审核照样少不了。

工具做出初步成果，团队才拿给老板赵国成看。一个产品要不要做，并不是公司层面先开一场AI战略会议来定。这恰恰是品胜这轮AI转型的特点：创新不是从一份自上而下的规划文件开始，而是从业务流程里一个具体、让人头疼的问题开始。

丛泽龙说，最初的尝试并没有先变成一个正式立项的项目，而是部门内部先找到需求、动手做，再把完整流程拿出来讨论。

这种做法给了团队一定的试错空间。与其先证明一个AI项目值得投入、再申请资源，不如先从真实工作里找到问题，做出能跑的东西，再看它有没有价值。

工具慢慢成形，赵国成看到了它的商业潜力。按传统软件的路子，这样一款能解决实际问题的工具，似乎可以收费。丛泽龙却提出了另一种考虑：专利涉及企业还没公开的研发信息，如果使用工具必须上传数据，潜在用户难免有顾虑；开源并支持本地部署，反而更有机会降低企业的使用门槛。

一个在制造业摸爬滚打多年的创始人，先看到的是产品的商业可能；一个年轻团队负责人，想的是把产品放进更大的生态里。两种判断在一次具体的产品决策中碰到一起，最后推动品胜选择了开源。

品胜为什么坚持开源？赵国成给出的解释是：“如果按照传统SaaS软件企业的业务模式，这个产品收费也是行得通的。”不过他心里明白，只要品胜真下决心把AI在企业里扎实落地，像专利附图工具这类AI产品创新就会一个接一个冒出来，AI Native组织也很快会出现。“开源才是我们的护城河，未来这个团队和这条路径会更具价值，收费反而自缚手脚。”

当然，产品开源并不自动等于护城河。未来能不能带来更多使用者、外部反馈和持续迭代，还是要看产品本身是否真正解决问题。但对品胜来说，这次选择至少意味着，团队的目标不再只是完成一个内部工具，而是试着把内部积累的经验变成外部也能用的能力。

从“做一个工具”到搭建工具箱

专利附图工具之后，品胜还在推进别的AI应用，其中一项来自招聘。

丛泽龙介绍了团队开发的“AI试炼”工具，希望帮公司用它筛选符合AI Native人才定义的候选人，未来也计划向外部开源。AI Lab官网也在制作中，准备集中呈现品胜AI产品创新团队开发的工具入口、下载方式和使用指南。

这些尝试都指向同一个做法：先有品胜内部的具体需求，再从中长出产品，而不是先定一个面向市场的产品、回头再找使用场景。研发和法务协作催生了专利附图工具，人才筛选对应AI试炼，其余管理提效工具想解决的则是日常工作里的重复劳动。

但内部好用的工具，不一定能直接变成外部产品。不同企业的数据结构、工作流程和安全要求各不相同，开源也不意味着别人下载完就能立刻用。丛泽龙更关心的是，工具发布后能不能拿到真实反馈，再根据使用情况继续完善。

品胜打算把相关工具收拢到一处，原因也在这里。工具要是散在各团队手里，别的员工不知道上哪儿找，外部用户也摸不清到底有哪些产品可用。官网和使用指南想解决的，正是工具做出来之后怎么分发、怎么用的问题。

这么看，品胜要的不只是一张工具清单。它想铺的是一条路：从业务需求出发，先内部试用，再走到外部验证。

工具数量本身证明不了转型成效。关键是工具能不能进日常工作、有没有人愿意一直用、省下了多少时间、改善了哪些结果。这几个问题，品胜还得靠后续实践来回答。

AI正改变管理模式

专利附图工具让人看到AI怎么解具体业务问题；“许愿池”和“还愿群”露出的是另一面：做工具的门槛降下来，企业里的需求会冒得更多，可怎么管这些需求，又成了新题。

丛泽龙的团队负责收集各部门提的AI需求，评估之后再定怎么处理。据说“许愿池”里每周大概有两三个需求能往前推。丛泽龙说：“需求并不总能立即满足，团队的人手有限，也需要判断哪些问题值得优先投入。”

靠这套机制，品胜把AI应用从少数技术人员的探索，变成了其他部门也能提、能反馈、能参与的事。员工不用先啃下复杂技术才有机会改流程；先把问题提出来，再由团队一起找办法。

需求一多，新麻烦就来了：哪些值得做？做出来的工具有没有人用？不同部门的相似需求能不能复用？每个问题都重新开发一遍，AI反倒可能带来更多维护成本。

品胜围绕Skill做的探索，正撞上这个矛盾。

Skill可以理解成一套指令、流程和知识，让AI反复完成某类任务。品胜AI产品团队去年年底开始盯上这个概念，今年3月起陆续给不同部门和同事做Skill。丛泽龙说，这么做是“希望把一些工作方法沉淀下来，让员工不必每次从头操作”。实践中，他很快发现一些问题冒了出来。

比如做一个Skill花掉的时间，有时比用它省下的时间还多；工具做出来还得持续维护，使用频率和实际效果都不太好追踪；要是每个员工各做一套，既容易重复，也难判断哪些该留。

丛泽龙的团队于是动手做SkillHub，想把分散的Skill集中起来，方便查找、复用和管理。

听着像个顺理成章的解法，真落地却不简单。Skill该在什么时机被调用？使用者能不能判断它的质量？效果不好时，该开发者优化还是使用者优化？文档、知识库和Skill之间又该怎么组织，积累下来的经验才能在需要时真被调用？

这些问题，丛泽龙手上没有现成答案。它也点出企业AI落地里一个容易被忽略的事实：AI降低了做工具、整理知识的门槛，却没有自动抹掉组织协作的成本。工具能很快做出来，不等于能长期维护；知识被存下来，也不等于会在正确的时间被正确的人用上。

对企业来说，AI不只是多了一种软件，还意味着要重新想工作流程、知识沉淀和责任分配。工具越好开发，企业越需要建起判断需求、管理工具、衡量效果的机制。

丛泽龙是从具体工具切入的，赵国成不一样，他更关心AI能不能改变品胜核心业务的效率。

赵国成不算高频使用AI工具的人。但他告诉我们，自己每天会花大量时间刷短视频，学国内外最新的AI研究成果，然后跑到丛泽龙团队的办公区，讨论、分享，碰一碰哪些成果能用到品胜等企业的实际工作里。

“我关心的重点，是研发环节的AI提效。”赵国成认为，品胜的产品研发与创新很依赖工程师经验，数据验证多、关系也复杂。AI提效要是成了，研发周期会缩短，研发成功率会提升，这才是真正的生产力提升。

品胜是硬件企业，开发一款产品不只是画完设计图或写出一段代码，还得把电子方案、元器件、采购价格、供应风险、生产组装和验证环节串起来。哪个环节一变，都可能牵动整款产品的成本和进度。

拿一款充电器来说，从产品需求文档（PRD）出发，电子工程师要挑核心部件、评估参数，采购人员要判断价格，供应链还得核查交付周期和停产风险。方案进了组装和验证阶段，团队还要看成本符不符合目标。成本超了预期，就可能得调定价，或者重新设计方案。

这条链条靠经验、靠数据，也靠跨部门配合。每个环节单看都不算复杂，串起来却可能耗掉大量时间。

按品胜团队的说法，相关方案反复沟通、评估和调整，一个月甚至更长并不罕见。

问题在于，很多经验并没有完整沉淀进系统。工程师知道某个元器件的参数合不合适，也可能记得某家供应商过去出过什么问题，但这些判断常常散在个人经验和不同资料里。人员一变、产品一换或工具一换，原有经验就可能很难复用。

品胜并不是从零开始补数据。据了解，自2015年起，品胜开始使用产品生命周期管理系统（PLM），持续积累物料信息、设计规范和风险记录。丛泽龙的团队在这些数据基础上搭起元器件数据库，并连接第三方及原厂平台，同步元器件接口、电压协议、规格等信息。

有了这些底子，AI才谈得上介入更复杂的研发环节。

丛泽龙团队现在琢磨的，是让AI从头到尾做出一款Agent遥控手柄。按设想，用户举起手柄，在电脑屏幕上圈出内容，再用语音跟它交互。围绕这个产品，团队打算把需求定义、器件选型、电路与结构设计、固件及上位机开发，连同样机试制、整机验证，串成一条连续的AI研发链路。

AI器件选型和初步结构堆叠已经做完，原理图和初步PCB Layout也由AI生成了。眼下团队正把Agent复核和工程师评审结合起来，对着器件数据手册，逐项核对接口选型、天线周边布局和布线约束，发现问题就回头改设计。

后面还有制板、焊接、上电调试要推进，外设驱动与软硬件联调也得跟上，通信传输到上位机响应这条完整链路同样要打通，屏幕里的设计才能一步步变成能上手操作的样机。

不过这套做法仍待验证。元器件数据全不全、供应商信息更新及不及时、模型判断靠不靠谱，都会左右结果。硬件产品还得过实际测试和专业评审两道关，AI给的方案绕不开这些环节。

赵国成把这个方向叫作从“Vibe Coding”走向“Vibe Engineering”。他希望“提需求，让AI写代码”这套方式能延伸到硬件产品上：AI负责生成方案、操作工程工具、检查并修改设计，人在关键节点上判断、拍板。制造企业攒下的经验，就此成了指导AI干活的依据，从一个想法到一个硬件产品的距离也就缩短了。

制造老炮与年轻团队的分工

品胜的AI探索，最后落在两种不同的工作范式上。

赵国成在硬件制造上摸爬多年，对产品、供应链和企业经营都熟。AI的最新进展他一直在看，也会追问这些技术到底能不能解决企业的问题。

丛泽龙团队则更贴近具体执行：从员工抱怨的流程里找需求，动手做出工具，再把使用中暴露的问题带回来调整。

两者并不是简单的“老板出钱、年轻人做事”。专利附图工具收不收费、开不开源，就引发过一场围绕产品路线的讨论。赵国成看到了商业化的可能，丛泽龙则提出安全、部署和生态方面的考虑，公司最后选择先把工具开放。

赵国成将团队在AI方面的探索视为一项长期投入。他的判断是，品胜把AI落地这件事做实之后，那些不断冒出来的创新工具产品背后，AI Native组织或许也会慢慢长出来。

所谓AI Native，并不只是员工会用提示词、会几款工具。更关键的是，企业能不能重新组织工作：把原本靠个人经验的环节沉淀下来，把跨部门反复沟通的问题变成可复用的流程，让员工更快发现问题、试做方案，再通过真实使用来验证。

品胜手上已经有些条件支持这种尝试。它有真实的产品研发流程，有积累多年的物料和设计数据，也有供应链及生产环节作为应用场景。团队不是在抽象地讨论AI能做什么，而是能把工具放进实际工作中，看它是否有效。

其他企业未必没做过类似的事。像专利附图工具这样的产品之所以诞生在品胜，丛泽龙感慨，是因为品胜把AI创者的优先级和投入方向，从一号位视角做了明确。

据了解，赵国成拍板之后，品胜整体的AI化转型，以及AI相关的分享、评审、招聘、考核，都由丛泽龙所在部门牵头。丛泽龙提到，公司内部办AI宣讲会、创新活动时，凡是上台分享的同事，都会拿到AI应用奖金。品胜现在愿意在AI创新方向上多试，也把部分成果开源出去，让外界一起来检验。

风险当然存在。丛泽龙在交流中也提到自己的担心：有些内部工具只贴合品胜自己的流程；各部门同事提的需求，不一定都值得做成产品；已经开源的项目，如果没有使用者、也没有人维护，照样可能慢慢停下来。AI试炼、SkillHub和专利附图工具虽然都有了初步成果，但据此说企业已经完成AI转型，还早。

摆在品胜面前的，是一串更具体的问题：AI工具能不能被持续使用，外部企业能不能顺利部署，研发流程有没有可衡量的改善，省下来的时间能不能变成更短的产品周期、更高的研发成功率。

对赵国成而言，AI最终要落到生产力上；而考验丛泽龙团队的，将是怎么把一次次具体的创新变成可以复用、持续更新的能力。

品胜这场AI变形记，现在还远不到下结论的时候。它的分量，也许不在于已经做出多少款工具，而在于一家传统硬件企业开始换一种解决问题的方式：创新不必总等正式立项，年轻团队可以从业务现场出发，内部做出来的东西也要接受更广泛的使用和检验。

从一张专利附图起步，品胜想搭起来的，是一条把真实需求、工具开发、组织协作和外部验证串在一起的路。它能不能成为新的竞争力，最终还得看使用效果。