MachinaCheck: Building a Multi-Agent CNC Manufacturability System on AMD MI300X
编译摘要
1. 浓缩
- 核心结论1: MachinaCheck 把 CNC 可制造性审查从人工经验流程改造成“确定性几何解析 + 选择性 LLM 推理”的领域 Agent 流水线。
- 关键证据: 文章描述小型 CNC 车间通常需要每张图 30 到 60 分钟检查 STEP/CAD 文件、材料、公差和工具可得性；MachinaCheck 上传 STEP 文件并输入材料、公差、螺纹规格后，在 30 到 40 秒内生成 manufacturability report。
- 关键机制: 系统不是把整件事交给 LLM，而是先用 pure Python、cadquery、OpenCASCADE 精确解析几何特征，再把需要语义判断的部分交给 Qwen 模型。
- 核心结论2: 该案例的多 Agent 价值不在“Agent 越多越聪明”，而在把不同风险类型拆给不同组件。
- 关键证据: 架构包含 STEP Parser、Agent 1 Operations Classifier、Agent 2 Tool Matcher、Agent 3 Feasibility Decision、Agent 4 Report Generator。Agent 2 是纯 Python deterministic database query，不使用 LLM；LLM 只用于操作分类、可行性判断和报告表达。
- 关键含义: 这是一种可验证工程取向：数学几何和工具匹配保持确定性，LLM 负责模糊推理和解释，减少幻觉影响核心事实链的机会。
- 核心结论3: AMD MI300X 的本地推理能力让制造业客户的 IP 保护成为架构前提，而不是部署之后的附加项。
- 关键证据: 文章强调 STEP 文件包含专有几何 IP，制造业客户和 NDA 通常不允许文件离开本地；系统用 MI300X、ROCm、vLLM、本地 Qwen 推理，目标是实现 zero bytes of geometry leaving the workstation。
- 对本库的意义: 这补强了 Hardware-Sovereignty 主线：在制造、医疗、金融等高敏感场景，AI 部署不是单纯模型选择，而是数据驻留、推理位置、审计和客户信任共同决定架构。
2. 质疑
- 关于正确性的质疑: 文章称测试零件全部给出正确 manufacturability assessment，但没有披露测试集规模、零件复杂度、材料范围、与资深 machinist 的盲测对照，也没有说明失败案例。
- 关于场景覆盖的质疑: 当前输入主要覆盖材料、公差和螺纹规格，真实制造报价还涉及表面处理、热处理、装配约束、夹具、供应链、设备排期和客户风险偏好；demo 还不能直接等同于生产级 quoting system。
- 关于硬件 ROI 的质疑: MI300X 提供隐私和吞吐优势，但小型车间是否愿意承担本地 GPU、运维、模型更新和安全维护成本，需要和云 API、私有云、第三方 MES/CAM 插件方案比较。
- 关于多 Agent 命名的质疑: 该系统更像领域流水线或 typed workflow，并非自由协商的 agent society。其成功恰恰来自限制 Agent 自由度，而不是放大自主性。
3. 对标
关联概念