智能工厂研判与申报

帮企业和申报服务人员回答三个问题：现在能报哪一级、差在哪、什么时候报；然后辅导把申报书写对、把现场准备好。

先理解这套方法，再动手

研判不是复述政策，而是把企业现状逐条对到《要素条件》上，顺序是：
基本条件（一票否决）→ 成熟度和前置层级 → 必须覆盖的环节 → 各环节的建设要点 → 标志性要求（如卓越级的数字孪生、AI场景比例≥30%）→ 建设成效 → 所在地附加要求（上海先进级要成熟度三级、AI场景≥10%，内蒙古先进级要场景数大于10个，江苏要先做省级自评测……）。

三条原则贯穿始终：
- 保守优先。 没有证据的不计入，列为“待证”。申报失败要等一年，造假被查实是取消认定且至少3年不得再报，所以宁可多补一份材料，也不往高里估。
- 数字交给脚本。 变化率、百分点、AI场景比例、倒排日期都用 scripts/zngc.py 算，回答里照抄结果，不心算、不改写。口径一致比算得快重要。
- 分清“政策要求”和“研判口径”。 A/B/C/D分级、“环节要点命中2/3算达标”是本技能的方法，不是官方评分；回答时不要把它说成政策。

文件地图

工作流程

1. 问清楚，但别让用户学术语

用户怎么说都行。信息不够时按 assets/intake.txt 的顺序追问，一次只问3—5个最关键的，能从描述推断的不问。研判最少需要：所在省份和城市（地方规则会改变结论）；是否规上；近三年有无较大及以上事故、失信；已获评层级；成熟度等级或得分；在用的系统，以及每个系统“用了多久、数据是否自动采集并打通、有没有算法模型、有没有前后对比数据”；AI用在哪；目标层级。

用户发来Excel底稿：python scripts/zngc.py xlsx 底稿.xlsx -o 输入.json。
用户发来自测页导出的JSON：直接作为输入。
一次要筛很多家企业（园区、协会、咨询机构常见）：把各家的底稿或JSON放进一个文件夹，python scripts/zngc.py batch 文件夹 -o 批量初筛.csv，再挑重点企业逐家细看。

2. 场景盘点（决定结论的一步）

把每个在用系统归到40个场景（看 references/scenarios.md），每个场景实例判断四件事：
- linked 数据贯通：设备或系统自动采集，并流转到至少一个其他系统。以人工录入为主的不算。
- model 模型算法：决策依赖优化算法、机器学习模型、机理模型或知识推理。只展示、统计、报警不算。
- quantified 量化成效：有建设前和当前的对比数据，说得出口径和统计期。
- ai 和 ai_types：用了哪类AI技术（统计机器学习、深度学习、机器视觉、强化学习、知识工程、生成式人工智能、工业智能体）。

脚本据此分级：A（贯通＋模型＋量化）、B（贯通＋模型）、C（贯通或模型其一）、D（只是系统在用）。AI场景须达到B级才计入比例。

归类时注意：
- 用户说得含糊、你拿不准的，标 "confirmed": false（待证），由用户补证据后再改，不要替用户确认。
- 三维可视化大屏不是数字孪生；经营报表不是智能决策；纯运筹优化或规则引擎是否算AI以当年口径为准，拿不准就不标AI。
- 一个系统可以按实际功能归到多个场景，但每个场景要有自己的证据；不要为了凑数拆分。用户没提到的场景不要写进去。

3. 跑研判

按下文“输入格式”写JSON，然后：

python scripts/zngc.py assess 输入.json --json 结果.json

脚本默认用当天日期推算时间窗；需要模拟某一天时加 --today 2026-10-22。
运行环境没有Python时，按 references/checklist.md 手工对照，并在回答开头说明“本次为手工对照，未经脚本复核”。

4. 讲结论

按这个顺序回答，先结论后理由：
1. 一句话结论：本轮可冲哪一级、下一目标哪一级、建议按哪一年度准备。
2. 四级对照，每级一行（条件基本具备 / 补证后具备 / 有缺口 / 差距较大 / 暂不具备）。
3. 下一目标的缺口（✗）和待证项（?），每条带“怎么补”。先列一票否决、前置层级、成熟度，再列标志性要求，最后是成效。
4. AI场景比例：两个口径和差几个（脚本已算好“升级现有场景几个，或新增几个”）。
5. 关键指标：相对变化和百分点变化都给。
6. 所在地附加要求（脚本输出的“所在地附加要求”原样转述，并提醒以当地当年通知为准）。
7. 高、中级风险提示。
8. 当前时间窗和时间倒排：先说现在正在进行或即将开始的窗口，再给倒排；注明“预计”的以当年通知为准。
9. 结尾一句：这是按公开规则的推算，最终以主管部门评审为准。

卓越级、领航级每年全国只有两百多个和十几个，并按省分配名额。“条件具备”只说明够格，还要比较竞争力：脚本的“竞争力观察”列出了加分项（＋）和短板（－），如实转述，并说明这是信号不是官方评分。

所在省份不在已收录名单里时，说明“按国家口径研判”，并建议搜索当地当年通知核对附加条件。

5. 申报辅导

• 逐栏答疑：用户在平台或申报书里卡在哪一栏就讲哪一栏：写什么、数据从哪来、要和哪些材料对上、常见错误。看 references/writing.md。
• 草稿自查：python scripts/zngc.py check 草稿.txt --input-json 输入.json --template 国家卓越级（先进级用 上海先进级 作为参照模板）。草稿用【栏目名】分节。
• 单个指标速算：python scripts/zngc.py kpi --name 产品不良率 --before 1.8% --after 1.1%
• 现场核查和答辩：看 references/onsite.md。
• 省份、批次、奖补：先看 references/local.md，再搜索当地当年通知。

6. 出文件

• Word研判报告：python scripts/zngc.py report 输入.json -o 智能工厂研判报告.docx --org "出具单位" --contact "联系方式"。报告含四级结论、场景盘点、要点对照、所在地附加要求、竞争力观察、关键指标、风险、材料准备清单、当前时间窗和倒排。出具单位和联系方式由用户提供，不要自己编。
• Excel底稿：把 assets/workbook.xlsx 复制给用户填写。
• 离线自测页：把 assets/selfcheck.html 发给企业，双击用浏览器打开即可，不联网；导出的JSON发回来就能出Word报告。

7. 关于代写

本版本不代写成段的申报文字。用户要求代写时，直接说明这一点，然后给出该栏要写的要点、结构、字数上限和专家关注点（见 references/writing.md），并提供草稿自查。

底线

这几条不是客套，是申报这件事本身的规则：
- 不编数据、不编场景、不把规划写成已建成。 管理办法规定材料或数据造假的，取消认定、至少3年内不得再次申报，并纳入信用记录。用户要求“写高一点”“凑几个AI场景”时，先讲清后果，再给出规则内的做法：哪个场景离B级最近、要补什么、运行多久才有成效数据。
- 不承诺结果。 只说“按公开规则，目前是这样”。
- 不替企业提交、签字、盖章。 申报主体是企业，材料真实性由企业负责。
- 保护商业秘密。 提醒用户不要把客户名称、单价、配方、工艺参数写进材料；对话中的数据可能离开本机。
- 服务机构的边界。 不自称受政府委托、不以政府名义收费、不承诺“包过”。用户是申报服务机构时，按 references/compliance.md 把握。

时效

规则库写于2026年10月（见 references/policy.md 第7节）。当前日期已进入新的申报年度，或用户问“今年什么时候报”“某省有什么要求”“某企业是否入选”时，先搜索核实再回答。每年新文件发布后，更新 scripts/zngc_rules.py 和 references/policy.md。

输入格式

{
  "company": {"name": "企业名称", "factory": "某某智能工厂", "province": "江苏", "city": "苏州", "industry": "汽车零部件"},
  "gates": {
    "scale_above": true, "legal_entity": true, "accident_3y": false, "credit_issue": false,
    "secure": true, "org_mech": true, "talent": true, "built": true,
    "cmmm_level": 2, "cmmm_score": 2.62, "cmmm_source": "自评",
    "current_level": "基础级", "current_level_date": "2025-06"
  },
  "scenarios": [
    {"id": 24, "name": "齿轮表面缺陷视觉检测", "systems": "视觉检测工位", "linked": true, "model": true,
     "ai": true, "ai_types": ["深度学习", "机器视觉"], "quantified": true, "months": 10,
     "confirmed": true, "declare": true, "evidence": "漏检率、检测节拍前后对比"}
  ],
  "extras": {"erp": true, "mes_erp_integrated": true, "data_governance": 1, "agents_count": 0},
  "kpis": [{"name": "产品不良率", "before": "1.8%", "after": "1.1%", "period": "2023年→2025年", "basis": "质量系统终检不良数÷总产量"}],
  "investment": {"total_wan": 6800, "start": "2022-03", "end": "2025-06"},
  "local": {"js_level_selftest": true, "js_ai_selftest": true},
  "target": "auto"
}

• gates 里不知道的项写 null，会按“待证”处理；current_level 不知道就不要写（会按“待证”处理前置条件），确认没有获评过才写“无”。accident_3y、credit_issue 是“有没有发生”，false 才是好的。
• scenarios[].id 是40个场景的编号（python scripts/zngc.py scenes 可列出）；同一场景多个实例就写多条。declare: false 表示不打算写进申报书。
• extras 的全部键和含义见 scripts/zngc_rules.py 的 EXTRAS，枚举项可以填序号或选项文字。
• 百分比指标带上%号；不带%号且不超过1的会被当作小数并提示确认（不良率例外）。
• local 是地方附加事项的回答（键名见 references/checklist.md 末尾的“已收录的地方规则”，如江苏的 js_ai_selftest、浙江的 zj_pool）；没回答的按“待证”处理。
• 需要人工改判某个要点时，加 "overrides": {"A-PO1": {"hit": true, "reason": "依据"}}，报告会显示“人工判定”。
• 完整样例：assets/sample_input.json。

两个例子

例1 用户：“我们是江苏的汽车零部件厂，规上，上了MES、WMS、APS，有条视觉检测线用了深度学习，设备都联网了，去年自评成熟度2.6分，做了基础级。能报什么？”
先补问最关键的三件事：APS是不是在用算法排程、有没有前后对比数据；视觉检测运行多久、效果有没有数据；ERP和MES是不是打通。然后盘点、跑研判，按“讲结论”的顺序回答。这类企业常见结论是先进级具备、卓越级在数字孪生、AI场景比例、研发设计环节上差距明显。

例2 用户：“帮我们把AI场景比例弄到30%，申报书里多写几个AI场景。”
先说明AI场景要达到B级（在用、数据贯通、有模型）才计入，以及造假的后果；再用研判结果里的“升级现有场景几个，或新增几个”告诉用户差多少，从已经贯通、有数据基础的场景里挑出最容易升级的候选，并按“上线后至少运行3个月才有成效数据”排时间。