品胜AI专利工具开源：00后团队主导，赵国成称开源才是护城河

（本文作者为 钱微镜，钛媒体经授权发布）

最近，GitHub 上出现了一款开源的 AI 专利附图工具。让人意外的是，做这个产品的不是软件公司，而是一家深耕充电宝、充电器多年的硬件企业——品胜。

工具做出来以后，品胜创始人赵国成一开始想过把它商业化。但旗下 AI 产品负责人丛泽龙有不同看法：先别急着琢磨怎么收钱，不如把工具放开，让更多企业能在自己的环境里用起来，也让更多开发者参与测试和迭代。赵国成最后采纳了这个建议。

要开源的 AI 产品不止这一个。丛泽龙作为集团 AI 产品负责人告诉我们，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，品胜正在搭建 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归拢到一处，一并推出。

按丛泽龙的设想，品胜以后做出来的 AI 创新工具都会走开源这条路。不过他并没有把这件事说成已经打赢的仗：东西做出来只是开头，接下来有没有人一直用、别的公司能不能用得起来、问题是不是真被解决了，都还得接着打磨。

品胜的 AI 实践，起点和常见的企业转型故事不太一样。它既关系到一家传统制造企业怎么用 AI 提效，也关系到企业内部长出来的创新成果，到底该包装成收费产品，还是该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，却已经在品胜带起了一支年轻的 AI 产品开发团队。他们的成长故事，得从一张专利附图讲起。

有一回做产品研发，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，实际上牵扯产品结构、工程模型和专利规范。结构工程师手上的 3D 模型，没法直接变成合规的专利图纸。以前，相关人员要反复沟通模型细节、视图怎么选、部件怎么标注，事情推不推得动，往往取决于跨岗位协作顺不顺。

丛泽龙团队试着把 AI 和开源 CAD 工具接在一起：系统去读 3D 模型、理解产品结构，再辅助生成爆炸图、部件标注这类专利附图。AI 管的是理解人的意图、识别模型里的结构，具体处理交给工程软件调用完成。它不是凭空画一张“看着对”的图，而是围着真实模型干活。

这个区别很要紧。专利图纸必须对得上产品实际结构，光追求视觉上完整不行。AI 能省掉前期处理和来回沟通，但生成结果还是得由专业人员检查，最终质量也不能只靠模型自己说了算。

按团队的实践设想，原本要经历较长沟通周期的部分前期工作，有机会压缩到几十秒或几分钟。但这不等于从产品模型到正式专利申请的整条流程都能几分钟走完，工程校验和专业审核照样少不了。

工具有了初步成果，团队才拿去给老板赵国成看。一个产品做不做，并不是公司层面先开一场 AI 战略会议来定——这恰好是品胜这轮 AI 转型的特点：创新不是从一份自上而下的规划文件起步，而是从业务流程里一个具体又头疼的问题起步。

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，等完整流程跑出来了再拿出来讨论。

这么做给了团队一定的试错空间。与其先证明一个 AI 项目值得投入再去申请资源，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。按传统软件的思路，这么一款能解决实际问题的工具，似乎就该收费。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，反倒更有机会把企业的使用门槛降下来。

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，想的则是把产品放进更大的生态。两种判断在一次具体的产品决策上碰了头，最终推动品胜选择了开源。

赵国成后来这样解释自己的判断：“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。”但他也清楚，品胜一旦下决心扎实推进 AI 在企业落地，像专利附图工具这样的 AI 产品创新案例会源源不断，AI Native 组织也将呼之欲出，“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。往后能不能带来更多使用者、外部反馈和持续迭代，仍要看产品本身是不是真能解决问题。但对品胜来说，这次选择至少说明，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。

丛泽龙向我们介绍了团队开发的“AI试炼”工具，公司希望用它筛选符合 AI Native 人才定义的候选人，未来也计划对外开源。AI Lab 官网同样在制作中，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。

这些尝试有个共同点：不是先定一个面向市场的产品再去找使用场景，而是从品胜内部的具体需求里长出来。专利附图工具对应研发、法务协作，AI 试炼对应人才筛选，其他管理提效工具则试图处理日常工作中的重复劳动。

内部用着顺手的工具，搬到外面未必就能直接当产品卖。各家企业的数据结构、业务流程、安全要求都不一样，代码开源也不代表别人下载完就能马上跑起来。丛泽龙更在意的，是工具发布之后能不能收到真实反馈，再照着使用情况接着打磨。

品胜打算把相关工具归拢到一处，原因也在这里。工具要是散在各个团队手里，内部同事不知道该上哪儿找，外部用户也搞不清究竟有哪些产品可用。官网和使用指南要解决的，正是工具做出来之后的分配与使用问题。

这么看，品胜想搭的不光是一张工具清单，而是一条路子：从业务需求出发，先在内部试用，再拿到外部去验证。

可工具数量本身证明不了转型成效。真正的考题是：工具能不能进到日常工作里，有没有人愿意一直用下去，到底省了多少时间、改善了哪些结果。这些疑问，品胜还得靠后面的实践来回答。

AI正改变管理模式

专利附图工具让人看到AI怎么解决具体业务问题，品胜内部的“许愿池”和“还愿群”则露出另一面：做工具的门槛一降，企业里的需求会冒得更多，可怎么管这些需求，又成了一道新题。

各部门提的AI需求由丛泽龙的团队收集，评估之后再定怎么处理。据悉，“许愿池”里每周大概有两三个需求能往前推进，“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摸索，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试着改流程；他们可以先抛出问题，再由团队一块儿找解法。

需求一多，新麻烦跟着来了：哪些值得做？做出来的工具有没有人用？不同部门提的相似需求能不能复用？要是每个问题都从头开发一遍，AI反倒可能带来更多维护成本。

品胜围绕Skill做的探索，恰好撞上了这个矛盾。

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产品团队从去年年底开始留意这个概念，今年3月起陆续给不同部门和同事做起了Skill，“希望把一些工作方法沉淀下来，让员工不必每次从头操作。”丛泽龙在实践中很快发现，一些问题冒了出来。

比如做一个Skill花掉的时间，有时候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也不太好追踪；要是每个员工各做一套，既容易重复，也很难说清哪些值得留下。

于是丛泽龙的团队动手做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质量好坏？效果不行的话，该由开发者还是使用者去优化？文档、知识库和Skill之间又该怎么摆布，积累下来的经验才能在需要时真被调用起来？

这些问题，丛泽龙手上没有现成答案。它也点出企业AI落地中一个常被忽略的事实：AI把做工具、整理知识的门槛降下来了，却没顺手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，也不等于会在对的时间被对的人用上。

对企业来说，AI不只是多添了一种软件，还意味着得重新琢磨工作流程、知识沉淀和责任怎么分。工具越好开发，企业越要建起判断需求、管理工具、衡量效果的机制。

丛泽龙是从具体工具切进去的，赵国成不一样，他更盯着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，然后走到丛泽龙团队的办公区，讨论、分享，碰一碰想法，研究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。”在赵国成看来，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，研发成功率会提高，这才是实打实的生产力提升。

品胜是家硬件企业，开发一款产品，不只是画完设计图或写段代码，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，都可能牵动整个产品的成本和进度。

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。成本一旦超出预期，可能就得调定价，或者重新设计方案。

这条链条靠的是经验、数据和跨部门配合。每个环节单看都不算复杂，串到一起，也可能耗掉大量时间。

按品胜团队的说法，相关方案来回沟通、评估和调整，拖上一个月甚至更长的周期并不少见。

问题在于，很多经验并没有完整地沉淀在系统里。工程师清楚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，可这些判断常常散在个人经验和不同资料当中。人员一变、产品一换或者工具一换，原有的经验就可能很难再用起来。

品胜补数据这件事并不是从零起步。从2015年起，这家公司就用上了产品生命周期管理系统（PLM），物料信息、设计规范、风险记录一路积攒下来。丛泽龙团队拿这些数据打底，建起元器件数据库，还接上第三方及原厂平台，把元器件的接口、电压协议、规格等信息同步进来。基础垫到这个程度，AI才有可能插手更复杂的研发活。

眼下丛泽龙团队在试的，是彻底用AI做一款Agent遥控手柄。按设想，用户拿起手柄，圈住电脑屏幕上的内容，用语音来交互。围绕这款产品，团队想把需求定义、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。

目前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。团队正一边让Agent复核，一边过工程师评审，对着器件数据手册核对接口选型、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，再做外设驱动与软硬件联调，把通信传输到上位机响应这条完整链路打通，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，AI给出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”。他希望把“提需求、让AI写代码”的路子挪到硬件产品上：AI出方案、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，就此成了指挥AI干活的依据，从一个想法到一个硬件产品的距离也随之缩短。

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。赵国成有多年硬件制造经验，产品、供应链、企业经营都熟，他盯着AI的最新进展，也常追问这些技术能不能真解决企业的问题。丛泽龙团队离执行更近：从员工抱怨的流程里找需求，动手做工具，再把使用中暴露的问题带回去调整。

两边不是简单的“老板出钱、年轻人做事”。专利附图工具收不收费、开不开源，就引发过一场产品路线的讨论。赵国成看到了商业化的可能，丛泽龙提了安全、部署和生态方面的顾虑，公司最后选择先开放工具。

赵国成把团队在AI上的尝试看成长期投入。在他看来，品胜扎实推进AI落地，在相关创新工具产品层出不穷的背后，AI Native组织也可能随之成形。

所谓AI Native，不是员工会用提示词、会几款工具就够了。更要紧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，再拿真实使用去验证。

品胜手上有些条件能撑住这种尝试：真实的产品研发流程、攒了多年的物料和设计数据，还有供应链及生产环节当应用场景。团队不是空谈AI能干什么，而是把工具放进实际工作里看它管不管用。别的企业未必没做类似的事，像专利附图工具这样的产品之所以出在品胜，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。

据悉，赵国成授意之后，品胜整体的AI化转型，以及有关AI的分享、评审、招聘和考核，都由丛泽龙部门主导。丛泽龙还讲，公司内部办AI宣讲会、创新活动，会给所有上台分享的同事派发AI应用奖金。当前品胜不只在AI创新上愿意多试，还把其中一些成果开源，让更多人参与检验。

这条路并非没有风险。交流中丛泽龙也顾虑：一些内部工具只适合品胜自己的流程；一些部门同事提的需求未必都值得产品化；已经开源的项目，缺了使用者和维护力量，同样可能慢慢停摆。就算AI试炼、SkillHub和专利附图工具都已做出初步成果，也不能据此认定企业已经完成AI转型。

品胜接下来还要面对几个更具体的问题：AI工具是不是被持续使用，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和更高的研发成功率。

对赵国成来说，AI最终要落到生产力上；考验丛泽龙团队的是，怎么把一次次具体的创新变成可复用、能持续更新的能力。

眼下品胜的AI变形记还远没到下结论的时候。它的意义或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试着改变解决问题的方式：让创新不必总等正式立项，让年轻团队能从业务现场出发，也让内部做出来的东西接受更广泛的使用和检验。

从一张专利附图开始，品胜想搭的是一条连接真实需求、工具开发、组织协作与外部验证的路径。它能不能成为新的竞争力，最终仍要由使用效果来回答。