大模型在企业中的应用可划分为三大类型：内容生成、智能问答以及执行行动。
基于制造业具体场景，我们将通过三期内容，结合典型落地案例，深入解析每种应用类型在实际业务中的落地策略和技术实现方案。
本文将重点探讨第三种应用类型——执行行动。在数据层方面，这不仅仅涉及企业内部IT系统的结构化数据和文档类非结构化数据，还包括外部数据资源及工具（如MCP工具）。
应用场景：
经过深入调研，我归纳出以下需要通过工作流或多智能体系统实现的制造业应用场景。
高频应用场景包括：
销售管理中的订单信息提取 采购管理的交货期追踪 品质管理的改善建议
这些应用已超越简单的内容生成和问答范畴，需要系统完成输入信息提取、多步骤中介处理，最终将处理结果回写至数据库的完整闭环。
应用案例：
举一个订单信息提取案例，这是一家日本制造业龙头企业的真实案例，该企业在细分领域处于国际领先地位。
该企业订单具有以下特点：
单笔金额小 订单数量庞大 格式种类繁多
该企业订单处理现状：
30%订单实现自动化处理 70%仍需人工提取并录入系统
企业目标： 通过AI技术实现剩余70%订单的处理自动化。
技术方案架构：
数据输入层：多样化订单数据源
PDF/文本/图像 微信截图等非标准格式
处理流程：
多模态大模型（图像识别） 文档解析工具（PDF/Word等） 文本直读处理 后处理：
提取文本填充至提示词模板 大语言模型进行结构化数据抽取处理 抽取结果管理界面展示确认 最终录入订单系统 解决方案：整合多模态大模型与文档解析工具，实现异构数据统一文本化处理 解决方案：上下文语义理解和主数据匹配（含产品/客户字典数据及历史订单样本） 双管齐下确保数据准确性 解决方案：持续使用历史订单数据微调模型，通过数据积累循环提升生成精度
方案实施三大技术难点及解决方案：
难点一：订单格式复杂多样
难点二：信息提取精度不足
难点三：模型缺乏行业知识影响输出质量
