她来找我之前，刚删掉一个文件夹。
三百多份电池包检测报告，七年攒下来的。文件名从"报告_v1"一路排到"报告_最终版_真的最终版_v3"。
她说了一句话，我记到现在：
这些是我七年的工作成果。但真正从头到尾看过它们的，可能只有两个人——我，和我的主管。
她本科热能与动力工程，毕业先在一家电池企业做电芯和模组测试，后来转到电池包检测与三电验证，再后来做了几年换电侧的运营支持。算下来七年出头。
电芯曲线、模组一致性、BMS 报文、热管理数据、充放电工况，这些她比大多数人都熟。
但她的焦虑不是"我不会 AI"。
她的焦虑是——我干的这七年，产出到底去了哪里。
真正让她慌的，不是 AI 抢活，是报告没人看
很多人以为工科人转 AI，是因为怕被替代。
她不是。
她跟我说过一个很具体的场景。有一块电池包在某个站的检测数据里一直有点"怪"，SOH 掉得比同批次的快。她花了两周，把这块包的充放电曲线、温度历史、每次换电前后的数据全拉出来，写了一份六十多页的报告，结论是某一组电芯的一致性在退化，建议提前下线检测。
报告交上去，走流程，最后这块包在正常轮换里被换掉了，没有人因为她这份报告提前做任何动作。
她说那件事之后她想了很久：
我不是判断不了，我是判断完了，说出来没人接得住。
这是很多技术岗的人真正的困境。不是能力不够，是产出没有落点。
一份报告要有人读、有人信、有人据此行动，它才成立。而一个站点网络每天产生的数据量，早就超过了"有人读"这个前提能承载的上限。
我跟她说了一句可能有点扎人的话：
你不是写得不好，你是写给了读不过来的人。
以后这些东西不该写成报告，应该写成规则。
她愣了一下。
蔚来这条线，真正的难题不在车，在站
大家聊车厂智能化，说的都是智驾和座舱。
但蔚来手里还有一张别人没有的牌：一张覆盖全国的换电网络。
几千个站点，7×24 小时自己运行。
这句话听起来没什么，但你把它拆开想一下就会发现一个很硬的事实——
换电站出故障的时候，现场一个人都没有。
工厂里的设备出问题，旁边有操作工、有班组长、有设备工程师。换电站没有。它出问题的那一刻，站在它面前的是一个等着换完电就走的用户。
这就决定了蔚来这个场景里的 AI，和工厂里的 AI 不是一回事：
工厂里，AI 是给人当助手的。
换电站里，AI 得先顶上一个不在现场的人。
一次换电失败，用户看到的是 App 上四个字。背后要判断的是：锁止机构卡了？电池包通讯超时？某个仓位温度保护？站端供电异常？还是这块包本身有问题？
这些判断现在靠什么？靠工程师远程登系统、翻日志、调历史工单，有时候还得直接派人跑一趟。
快的十几分钟，慢的一两个小时。而用户对换电的容忍度，大概是三分钟。
所以蔚来真正缺人的地方，不是一个会调模型的人。
是一个能在三十秒内替工程师做判断、并且说得清楚依据是什么的人。
她后来补的三件事
第一，重新认识数据的"身份"。
这是她跟我说过最有意思的一个转变。
工厂里的设备数据，是"这台设备的数据"。但电池包不一样——每一块电池包是有身份的。
它什么时候出厂、在哪些车上待过、进过哪些站、每次充放电曲线什么样、有没有被检测过、上一次异常是什么时候。它是一条完整的生命周期。
她说她以前看数据，看的是"这一批"。后来才开始看"这一块"。
我以前做检测，看的是这批次合不合格。做 AI 方案的时候我才发现，真正值钱的是：能不能在三十秒之内，把这块包的整个人生调出来。
第二，把"判断"拆成"能执行的判断"。
这是最难的一步，也是她卡得最久的一步。
以前她的结论是"这块包建议提前下线检测"。这句话是给人看的，人看了知道该怎么办。
但系统看不懂"建议"。系统需要的是：
- 判定依据是什么（哪几条曲线、哪个阈值、对比了哪些同批次数据）
- 置信度多少
- 达到什么级别触发什么动作（继续观察 / 标记待检 / 请求调拨 / 立即下线）
- 哪些级别可以直接执行，哪些必须人工确认
她说她花了将近三周，才把自己脑子里那套"看着不对劲"的判断，拆成十几条能被系统执行的规则。
拆完之后我才发现，我以前很多判断其实是"我觉得"，不是"我算过"。这个拆的过程，反而把我自己训练了一遍。
第三，搞懂无人值守场景下的边界。
换电站没人，所以 AI 的每一句输出都必须回答一个问题：这句话说完之后，谁去做？
能远程恢复的，系统直接推指令；需要派人去的，自动生成派工单并附上已经查过的证据，别让工程师到了现场从头查；可能涉及电池包安全的，直接触发下线和检测流程，同时锁定这块包不许再流转。
还有一条是她自己加上去的，我觉得特别关键：
判断不了的时候，不要给一个看起来专业的答案。直接说"判断不了，需要人工"。因为派一个工程师跑一趟的成本是几百块，而换电站因为误判停两个小时的成本，用户会用朋友圈来结算。
三个月她具体干了什么
前 25 天：把 AI 能力贴回补能场景
大模型、Prompt、RAG、Agent、Tool Calling、时序数据与异常检测——不学原理，只问一句：这东西能替我干哪件我现在手动干的事？
RAG 对应的是电池包手册、检测规范、历史工单和维修案例；Agent 对应的是串起站端系统、电池管理系统和工单系统；异常检测对应的是充放电曲线和温度序列里的偏离识别。
同时建一套自己的指标：一次定性准确率、平均定性时长、误派工率、漏判率、电池包误判成本、远程恢复率。
这组指标里有两个是她这个场景独有的：
- 误派工率：派了工程师去现场，结果发现远程就能解决
- 漏判率：该派工没派，导致站点长时间不可用
工厂场景里通常说"漏报比误报严重一百倍"。但换电这两个指标是贵法不一样——误派贵的是钱，漏派贵的是口碑。而口碑这件事，一次就够用户发一条朋友圈。
中间 25 天：只啃蔚来的补能体系
不背公司新闻，只拆三件事：
这张换电网络的运行逻辑——站点、电池包、车、用户四者之间数据怎么流转；一次异常从被发现到闭环，中间经过哪些系统和哪些人；它在智能座舱、智能驾驶之外的"智能化"，到底还有哪些没被人注意到的地方。
目标只有一个：面试官提到任何一个补能相关的场景，她能接住——数据从哪来、调什么系统、判断不了的时候怎么办、什么情况下必须派人。
后 40 天：做两个项目
项目一｜换电异常智能定性 Agent
一次换电失败或异常工单进来，Agent 自动去拉站端日志、BMS 报文、设备自检记录、这块包的历史工单，然后给出故障归因排序，每一条都附上证据，最后给出处置建议：远程可恢复 / 必须派工 / 需下线检测。
这个项目最难的地方不在模型，在两个非常脏的工程细节上：
一是时序对齐——站端时钟、BMS 时钟、工单系统的时间戳经常对不上，几十秒的偏差就能让归因完全跑偏。
二是电池包身份追溯——要回答"这块包上一次在哪座站、被谁换下来、当时有没有异常记录"，就得把分散在几个系统里的数据按包号串起来。而这件事，只有做过电池检测的人才知道该从哪儿串。
项目二｜电池包健康度评估与调度 Copilot
基于充放电曲线、温度历史、SOH 趋势，判断哪块包该继续流转、哪块该标记待检、哪块该调拨到功率要求低的站点、哪块该退役。
只给"判定 + 依据 + 置信度 + 建议动作"，最终处置必须人工确认。
这个项目的难点是两边的代价不对称：把一块健康的包判成退役，直接损失几万块；把一块有风险的包留在流转里，代价是安全。
她说做这个项目的时候才真正理解一句话：工业 AI 不是在追求更准，是在决定错了以后往哪边错。
面试那天被问到的 5 个问题
- 一次换电失败，AI 怎么判断是站的问题还是电池包的问题？
- 站端日志和 BMS 数据的时间戳对不上，你怎么处理？
- 什么情况下必须派工程师去现场？依据是什么？
- 一块电池包 SOH 掉得比同批次快，怎么判断是电芯本身的问题还是使用工况的问题？
- 换电站无人值守，AI 给的处置建议如果错了，责任怎么算？
这五道题没有一道考算法。
但有四道在考同一件事：你有没有真的处理过一次换电异常。
第 2 题尤其典型。一个没在电池侧干过的人会回答"先做时间同步"。而她的答案是——先确认这次判断到底需不需要精确到秒；如果只是定性"站的问题还是包的问题"，几十秒的偏差可以容忍，那就不要为了对齐时钟把整个链路拖慢；但如果要判断"是充电仓温升导致保护，还是电池包自身放热"，那这个偏差就不能接受，必须换数据源。
能区分"什么时候可以不精确"，这本身就是经验。
她的简历，前后差在哪
以前写的是：
负责电池包性能测试、三电系统验证、换电站运营支持与故障工单处理、电池检测数据分析
后来写的是：
- 换电异常智能定性 Agent 设计（多源时序对齐 + 证据链归因 + 派工决策）
- 电池包健康度评估与调度 Copilot（SOH 趋势判定 + 处置建议 + 人工复核闭环）
- 无人值守场景下的 AI 兜底与远程处置机制设计
- 七年三电检测经验向可判定规则的结构化沉淀
同一段经历。
前一份，HR 看到的是"一个做了七年电池测试的"；后一份，HR 看到的是"一个能把电池经验变成系统能力的人"。
中间隔的不是能力，是描述能力的语言。
她最后拿的到底是什么岗
不是算法岗。
是AI+智能化方向的产品 / 解决方案岗，聚焦补能与能源网络。
日常干什么：跟换电运营、电池工程师、站端运维聊场景，判断哪些环节值得上 AI，做方案，做 PoC 验证，推动系统和业务流程落地，算投入产出。
不考什么：不考你 LeetCode 刷了多少，不考你能不能手推 Transformer。
考什么：你能不能把一个无人值守场景里的真实故障，翻译成一套能自动定性、能说清依据、能决定下一步谁去做的 AI 方案。
而这恰恰是你过去七年一直在干的事——只是以前它叫"写报告"，现在它叫"设计规则"。
她后来说的一句话
我以前一直觉得，换电站那点事就是修设备。
后来才发现，一个没人值守的站点，需要的不是维修工，是一个能在三十秒内替工程师做判断的东西。
为什么我建议工科背景的人认真看这条路
车厂智能化这条赛道上，纯做算法的人搞不定换电——他不知道一次换电失败背后有多少种可能，也不知道其中哪几种其实远程发个指令就能恢复。
纯做换电运营的人也不一定搞得定——他习惯的是"出问题我去现场"，没想过要把自己脑子里那套判断逻辑，写成系统能执行的规则。
刚好站在中间的人，才是真正缺的人。
你做过的电池检测，让你知道一条曲线"怪"在哪里。你处理过的工单，让你比纯 AI 背景的人更清楚什么叫有效证据。你熬过的那些现场，也全都是 AI 产品的真实业务场景。
这些东西不需要你重学。它们就在你过去几年的工作经验里——只是以前它们躺在一份没人看的报告里。
蔚来这条线只是其中一个切口。补能网络、电池资产管理、车端与站端的协同、能源调度，这些方向未来几年都会有大量岗位出来。它们共同的特点是：既不够"互联网"，所以互联网人进不来；又不够"传统制造"，所以纯工艺背景的人也够不着。
这个夹缝，恰恰是工科人的位置。
我本人 6 年 Java 后端转大模型产品，现在在大厂做 AI 产品，业余时间一直在带机械、自动化、电气、车辆、材料、工业工程背景的朋友转 AI+行业复合岗。
最近准备再带一批真正想往 AI+智能化、AI+制造、AI+能源方向走的人，从 0 到 1 把这套能力搭起来。
几个硬条件：
- 是我的粉丝（现在关注也算）
- 22-45 岁，机械 / 自动化 / 电气 / 车辆 / 材料 / 动力 / 工业工程背景优先
- 每晚能稳定拿出 1-2 小时，时间不够勿扰
- 已经认真考虑转型，不是单纯想了解一下 AI
评论区留个「想学」，我把 AI+智能化学习路线、补能与电池场景的 AI 方案模板、蔚来 / 理想 / 小鹏这类车企的 AI 岗位拆解、工业与能源 AI 项目案例、以及面试真题整理好了，微信扫描下方二维码添加，免费发给你。
