定义
MachinaCheck 是一个领域专用多 Agent 系统，解决 CNC 小型车间的可制造性分析痛点。用户上传 STEP 文件（标准 CAD 格式）并输入材料、公差、螺纹规格，30 秒内获得完整可制造性报告。核心架构决策：选择性 LLM 使用（仅在需要推理处用 Qwen 2.5 7B，数据库查询用纯 Python）+ 本地推理（AMD MI300X，数据不出域）。
五组件流水线架构
STEP 文件上传
↓
[Component 1] STEP 文件解析器（纯 Python / cadquery + OpenCASCADE）
↓ 几何特征（孔径/深度/平面/倒角/包围盒）
[Agent 1] 操作分类器（Qwen 2.5 7B / MI300X）
↓ 所需 CNC 操作和工具列表
[Agent 2] 工具匹配器（纯 Python / 数据库查询）
↓ 匹配结果（可用/缺失）
[Agent 3] 可行性决策 Agent（Qwen 2.5 7B / MI300X）
↓ 结构化决策（JSON）
[Agent 4] 报告生成器（Qwen 2.5 7B / MI300X）
↓
完整可制造性报告
关键数据点
- 人工耗时: 30-60 分钟/图 × 10-20 RFQ/周 = 5-20 小时/周人工投入
- MachinaCheck 耗时: 30 秒端到端（全流水线 25-40 秒）
- 特征提取精度: cadquery 直接读取数学几何，Ø6.0mm 孔就是 Ø6.0mm，无 OCR/视觉近似
- 特征提取速度: < 1 秒（50 个特征以内的零件）
- 推理栈: Qwen 2.5 7B → vLLM → ROCm → AMD MI300X（192GB HBM3）
- GPU 利用率: gpu-memory-utilization 0.5（约 96GB），留充足余量
- 推理延迟: < 3 秒/Agent 调用
- 隐私: 零字节 STEP 几何数据外传
- 测试结果: 所有测试零件可制造性评估正确（未公布样本量和复杂度）
选择性 LLM 使用
这是 MachinaCheck 最值得学习的架构决策：
| 组件 | 是否用 LLM | 原因 |
|---|---|---|
| STEP 文件解析 | 否 | 数学几何提取，100% 确定性 |
| 操作分类 | 是 | 需要制造领域推理（材料→刀具映射） |
| 工具匹配 | 否 | 数据库查询，LLM 只会增加延迟和幻觉 |
| 可行性决策 | 是 | 需要综合推理（多因素权衡） |
| 报告生成 | 是 | 需要语言组织能力 |
原则: 数据库查询不需要 LLM，用 LLM 是浪费且危险的。只在需要推理的地方使用 LLM。
前提与局限性
- 前提: 需要 AMD MI300X 级别硬件（192GB HBM3），成本较高
- 前提: 需要 STEP 文件作为输入，不支持 PDF 图纸或手绘草图
- 前提: 依赖 cadquery/OpenCASCADE 生态，安装配置门槛较高
- 局限性: 当前仅支持 3 个输入维度（材料、公差、螺纹），未覆盖表面处理、热处理、装配约束
- 局限性: 测试样本量和复杂度未公开，7B 模型对复杂 5 轴零件的推理能力未经验证
- 局限性: 未与人工评估做量化对比（准确率、召回率）
关联概念
- Hardware-Sovereignty — MachinaCheck 是硬件主权在制造业的实例：MI300X 本地推理确保客户 IP 不出域
- Agent-Orchestration — 五组件流水线是领域专用的 Agent 编排模式
- Agentic-Engineering — "选择性 LLM 使用"直接体现 Agentic Engineering 的工程原则
- Dual-Tier-LLM-Architecture — LLM Agent + 纯 Python Agent 的分层架构与双层 LLM 架构理念一致