飞书 AI Agent 在汽车行业跑起来了，比外界想象得更快

撰文 | 王 菁

编辑 | 张 南

设计 | 甄尤美

开发周期从五六年压到两年，发布频率从两三年一次变成一年两三次——车企要用消费电子的速度造车，同时还得守住汽车行业对安全和质量的严苛标准。时间更短，工作量没少，标准不能降——这是今天汽车行业最大的组织效率难题。

而 AI 恰恰在这两年里连续跨过了三道门槛。从 ChatGPT 爆火、DeepSeek 横空出世，到今年年初 OpenClaw 带来的 " 龙虾热 "，AI Agent 拥有了记忆、判断和协作能力，开始像一个真正的员工一样持续工作。

一边是行业在加速，一边是 AI 在进化。两条线在 2026 年交汇：车企拥抱 AI，已经从 " 要不要做 " 变成了 " 怎么做得快 "。

4 月 21 日，" 飞书 AI 先锋大赛先进制造专场 " 决赛在北京举行——决赛现场也是汽车行业交流 AI" 抄作业 " 的现场，东风奕派、东风康明斯、阿维塔、北汽福田、亿咖通、四维图新等案例从 146 个参赛项目中脱颖而出成为年度 " 制造 AI 先锋 "，北汽、上汽、理想、奇瑞等主机厂专家汇聚评审。

值得注意的是，这些案例不是停留在 PPT 上的 demo，而是已经跑在真实产线上的方案——不少选手现场展示了自己 " 手搓 " 的企业级智能体与 skill。从设备运维、整车研发到工厂管理，AI 进入汽车行业的速度远超外界想象，而且已经开始真正改变这个行业的运转方式。

" 龙虾 " 打 6 分，领导拍板照此执行

OpenClaw 爆火仅仅过了两个月，在北汽福田长沙工厂，一只 " 龙虾 " 已在工作群里有了实实在在的管理话语权。

有一回，它给一项业务打了 6 分（满分 10 分），还逐条列出问题和改进建议。业务领导看过之后当即表示，大家就按照它制定的目标和策略执行。

这份话语权不是高层硬推出来的，而是它凭借解决一个个实际问题逐步赢得的。

北汽福田的场景，在汽车行业里格外特殊。作为商用车制造企业，它和乘用车有着本质区别：乘用车厂通常只有五六个车型、少量配置，而福田长沙工厂要同时生产轻卡、重卡、客车、专用底盘等 200 多种车型，而且要按订单柔性化生产。

高度柔性化带来了极致的复杂度：前一辆是城市轻卡，后一辆就是重卡，装配工艺、零部件、工序完全不同；零部件版本极多、专用件比例高，既不能缺件导致停线，也不能多产造成呆滞积压，供应链、物流、库存、质量、订单都需要极度精细的管控。

36 岁的文伟在北汽福田流程与数字化部，工龄 15 年。他很清楚，在汽车工厂，管理最难的地方不是形成决策，而是把决策真正落地。领导在会上讲完要求，大家都说 " 收到 "，但 " 收到 " 不等于 " 做到 "，精益闭环常常悬在半空。

问题的根子，是数据散。工厂几千人，订单在 ERP、生产在 MES、质量在 QMS、考勤在 Excel，没有全局视图。以前出一份运营日报，要 6 个人跨系统找数、汇总、分析，快则 2 小时、慢则半天，拿到的还是昨天的数据。管理者看不清现状，更谈不上闭环。

文伟和团队首先着手的并非接入 AI，而是利用飞书多维表格搭建数据底座。每个员工把工作内容迁到多维表格里，这张表既是工作清单，也是绩效结果。一千多张多维表跑起来，数据随工作实时流动，AI 才有了可以分析和判断的基础。

2026 年初，OpenClaw 全球走红，飞书因其易用性迅速成为国内开发者承接 " 养虾 " 热潮的核心平台之一，北汽福田也积极拥抱这股趋势。文伟把 OpenClaw 理解为一个 " 对业务不太熟悉，但学习能力超强的新员工 "，并依托飞书为长沙工厂打造了专属的 " 龙虾 " 智能体，取名为 " 长超小福 "。

它不再是被动问答，而是主动感知、自主决策、持续追踪的 " 数字管理员 "。日报从 6 人 2 小时变成 3 分钟，更关键的是，龙虾会把订单、生产、库存串起来，直接给出问题与调整建议，管理者拿到的是带决策的报告。任务追踪、精益闭环也交给龙虾，它不讲情面、持续盯办，" 收到不等于做到 " 的老问题被死死盯住。

减负随之而来：审批、日程、会议、安全巡查全部交给 AI。领导一天上百个审批，语音交代即可；AI 24 小时盯控现场安全，春节期间还主动发现设备未断电并及时处置。产线缺料，工人对 AI 说一句话就能完成领料，系统复杂度全由 AI 消化。

" 我们最近还完成了龙虾的最厉害的一次进化，我们把工业系统喂给了龙虾，我们这些工业系统 ERP、 MPS 没有一个是省油的灯，大家应该都深有体会。怎么办？我们让龙虾去盘它，我们把复杂的系统图形界面变成龙虾可以用的 CLI。" 大赛现场，文伟说。

这套方案已在北汽福田全面复制，帮助北汽福田成功申报了汽车行业首个两化融合 5A 级认证。文伟把方案完全开源，他说：" 让人从系统里解放出来，让 AI 把整个制造业的系统重做一遍。这一轮 AI 浪潮，不能只有互联网行业远远跑在前面。"

" 让 AI 来找人 "

阿维塔质量体系副总监龚成入行 14 年，经历过 6 年造一款车的时候。而现在，一款车的开发周期已压缩到 2 年甚至 18 个月。

这背后，还有软件定义汽车的大背景，与 IPD 模式的流行。

作为深度践行 IPD 的品牌，阿维塔的整车研发就是这样一场挑战。由于强调全周期打通与评估评审，IPD 的复杂度远高于传统研发模式：传统车企是 " 交钥匙工程 "，研发做完再逐级交接；而 IPD 强调跨领域全程协同，市场、研发、供应链必须深度参与，角色多、评审节点多、对齐成本极高。

在阿维塔，1300 多份关键交付物、几千家供应商参与、2000 多人协同，任何一个问题如果不能及时解决，都可能影响量产节点。在这种极限压力下，信息同步的成本被放大了。

2024 年 7 月起，阿维塔花近一年，将整套 IPD 体系完整搬上飞书项目，把设计、供应商、客户、安全等全维度拉通，构建端到端整车开发流程。2500 名研发人员统一在一个界面协作，交付物、问题单、变更记录全部留痕，彻底告别 " 各看各的 Excel 和各种恼人的对齐会 "。

也正是这一步，让后面的一切成为可能。当体系跑顺、数据在飞书项目上持续沉淀之后，AI 落地的土壤就有了——智能体不再面对一堆散落在不同系统里的碎片信息，而是一套结构清晰、数据完整、流程在线的研发全景。

怎么在这个基础上落地 AI，阿维塔走过弯路。团队最初在飞书之外单独开发了几个 AI 智能体，功能并不差，但访问量最高不过几百次。原因很简单：工程师不会因为多了一个 AI 功能，就愿意再打开一个系统、多走一步流程。

转折发生在 2025 年 4 月之后。团队换了思路，用飞书 aily 搭建智能体，直接嵌入飞书项目里已经跑通的 IPD 流程——工程师正常提单、正常审签，AI 的分析结果自动出现在界面上，零额外操作。

这件事之所以能做到，是因为飞书项目原生支持 IPD 研发流程，智能体可以直接嵌入审签节点——这不是在任何 IM 上挂一个聊天机器人能实现的，它需要 AI 和业务流程之间有原生的咬合。换句话说，没有前面那一年把 IPD 搬上飞书项目的苦功夫，后面的 AI 嵌入根本无从谈起。

" 关键转变在于，不是让人去找 AI，而是让 AI 来找人。" 阿维塔质量工程师董思维总结。

而搭建速度也远超预期。2025 年 8 月的一个下午，龚成和董思维给几十名工程师做了次培训，内容是怎么用飞书 aily 搭建智能体。两个半小时后，一个变更评审的智能体 demo 已经跑了出来——一项变更会影响哪些模块、要补充哪些测试，现在一分钟内就能完成初步评估。

在这个基础上，几类高频场景很快跑了出来。

交付物上传后，AI 会先做预审，提示问题和修改方向，审签效率提升 30%；质量问题提单后，AI 自动查询历史案例，并给出参考方案，问题工单关闭时间缩减至 48 小时，累计已调用超 6 万次；面对数千份用户开放性问卷，现在提交后即可生成结果，效率提升超过 99%。

在通过飞书搭建智能体的过程中，阿维塔业务人员逐渐意识到，AI 并不是那么高大上，自己也可以轻易使用。截至目前，阿维塔内部已有 30 多人自己动手搭建了智能体，同时 AI 智能体搭建方法对外赋能 20 余次。

" 经验，站起来上班了 "

" 没个两三年你上不了手。" 汤俊在设备保全岗深耕十一年，比谁都明白，这句话不只是经验之谈，更是产线模式、人力困局、信息孤岛牢牢困住的无奈。

东风奕派工厂覆盖冲压、焊装、总装、涂装四大工艺，仅焊装一车间就有 2 条产线、200 多台机器人、超 1000 台在册设备，激光焊、大型压机、PLC 控制柜等设备原理天差地别。

2 万平米的车间里，产线环环相扣，哪怕 " 流水线该走不走 " 的小故障，都要跨程序、硬件、图纸层层排查，一步卡顿即全线停摆。

而科班出身的新人到现场依然无从下手，机器人复杂故障修复动辄四五小时，老师傅常年疲于救火；同时，产线不停人不离岗、停产即检修的情况，让团队几乎无暇做预防性维护。长达三年的上手期，导致岗位留人难，人少活多的压力，更是全部压在岗人员身上。

汤俊知道问题出在哪里：" 经验这个东西，说不出来就传不下去。"

工厂有十几年积攒的 140 份长停工报告、2000 多条故障一元化表、275 份原理原则课件，但全躺在文件夹里，新人找不到，找到了也看不懂，老师傅下班了更是什么都没有了。

团队早年尝试本地部署大模型，折腾数月无果；后来又在其他 AI 平台上做了智能体，发布成微信机器人，但机器人没有记忆，每次对话都要重新确认信息。不是方向不对，是没有找到真正贴合制造现场的工具。

2025 年 11 月，工厂全面接入飞书，保全团队当周提出 "all in 飞书 "。选飞书，不仅因为它能接入 AI，更看重的是以 " 事 " 为中心的协作逻辑——故障处理本来就是一件完整的事，从发现问题、诊断原因，到派工、维修、记录、复盘，最好都围着同一条流程走，飞书提供的正是这样一个把知识和流程接在一起的环境。

在此基础上，汤俊团队用飞书 aily 搭建了 " 设备大师 " 智能体，将历史记录全部导入飞书知识库。和之前在其他 AI 工具上的体验完全不同——飞书知识库能被智能体直接调用，维修工用语音描述故障，系统就能精准匹配历史案例，给出原因分析、处理步骤和设备点位。因为飞书知识库和飞书 aily 智能体共享同一套数据底座，不需要跨系统调接口。

" 行为模式的转变是顺滑的、没有阻力的。" 汤俊说。原本大约需要 10 分钟的处理流程，缩短到了 6 分钟。" 躺着的经验，站起来上班了。"

他们并未止步于此，进一步，汤俊通过 Webhook 打通设备报警与飞书，让 Agent 从 " 被动应答 " 变为 " 主动找人 "。设备一报警，智能体自动分析、派单、生成记录，无需人工操作，6 分钟再压至 4 分钟，工人最烦的记录闭环被 AI 默默完成。

真正的质变，是把 " 救火 " 变成 " 预防 "。汤俊团队给关键设备加装振动与温度传感器，用神经网络模型分析趋势，实现异常提前预警，冲压机预警提前 4.2 天、准确率 92%，从 " 坏了再修 " 变为 " 防患未然 "，维修时间从 4 分钟走向 0 分钟。

这还不够。" 龙虾 " 火了以后，汤俊和他的团队更进一步，引入 OpenClaw 来完成多 Agent 协作。

这套自进化体系，让故障发生率直接下降 25%，每年减少停机损失约 179 万元，并已在奕派武汉一厂和二厂两个工厂全面落地。

两条线，终于交汇了

当车企拥抱 AI 从 " 要不要做 " 变成了 " 怎么做得快 "，真正跑在前面的企业很快发现，AI 能不能落地，不在于买了多贵的模型，而在于一个更底层的条件：组织有没有一个让 AI 能运行、能介入的数字底座。

回看这几年，车企对飞书的使用本身也经历了几个阶段。

2021 年，" 蔚小理 " 最早选择飞书，看重的是用飞书解决组织 " 熵增 " 的能力。2021 年春季飞书未来无限大会上，李想就曾提到，" 飞书最大功能是超级感知工具，流转的不仅是办公流和信息流，还是认知和知识，并把知识和认知通过有效共创的方式连在一起。"

此后，飞书不断长出新能力，从多维表格、飞书项目到 aPaaS，飞书逐渐从协作工具演进为业务的数字化底座。2023 年，蔚来借助飞书多维表格落地 1000 + 座换电站，建设周期从原本的 1058 天缩短至 355 天。

从 2025 年开始，随着 AI 能力的提升和飞书 AI 功能的跟进，越来越多车企开始通过飞书在企业内落地 AI。吉利汽车研究院基于飞书 AI 开发的 " 尺寸检测智能化 " 系统，实现了语音生成测量值和 AI 智能分析，支持映射 18 种问题模型，提效超 100%。

截至 2025 年，包括吉利汽车研究院在内的市值 TOP10 中国车企，已有 9 家选择飞书。

如今，OpenClaw 春节的爆火代表了 AI 能力的又一次跃升。以飞书 aily 为代表的 AI Agent 相当于让 AI 的 " 大脑 " 长出了 " 手和脚 "。而仅仅在 OpenClaw 诞生的 2 个月后，飞书 AI 先锋大赛的决赛现场上，企业级 AI Agent 就已经进入车企，变成真正能帮业务一线干活的数字员工。

说到底，变化并不是突然发生的，一边，汽车行业的竞争越来越快，把企业推到了必须寻找新解法的位置；另一边，飞书也在这些年里一点点从协同工具成长成了企业在 AI 时代最需要的那个业务底座。而这个底座真正的价值，不只某一轮表现上的优异——随着 AI 能力的持续迭代，车企不需要每一轮技术浪潮都重新开发一套系统，飞书能够持续接住最新的 AI 能力，让前沿技术最快地落进真实业务流。AI 越强大，这个底座对企业就越重要。

当两条线开始交汇，AI 不再停留在展示层，而开始进入汽车制造的各类复杂现场。而飞书 AI 先锋大赛的价值，恰恰在于把这些原本散落在各家工厂里的探索，集中搬上了同一个舞台——从设备预测性维护到整车交付物 AI 预审，从 " 龙虾 " 值班巡检到供应链端到端协同——都不只属于某一家企业。它们正在成为整个汽车产业链可以借鉴的公共经验。

AI 的能力还在加速迭代。下一轮新能力出现时，那些已经在飞书上完成数据沉淀、跑通业务流程的企业，依然会是最先接住它的人。

AI 改变时代 , 她关注改变

请关注《汽车商业评论》兄弟媒体

参加

2026 第十八届轩辕汽车蓝皮书论坛

共论转折

点击扫码报名

▼