现有 Demo
纯前端页面，适合沟通概念、展示交互、说明 AI 辅助研发的可能性。数据为 Demo estimate，不应作为产品承认或规格保证。
一、定位判断
当前网页已经能展示材料、结构、工况参数与容量、耐压、ESR、漏电流、纹波电流、寿命之间的趋势关系；下一步应从 Demo 转向可持续校准的平台化系统。
公司内部原型
加入后端 API、实验数据库、登录权限和基础算法服务，先跑通从工程师输入到试算输出的完整流程。
成熟研发工具
持续导入实验数据，校正数据库及模拟算法，并建立模型版本、权限审计、多厂区同步和本地 AI 辅助能力。
二、三阶段推展路线图
时间预估按研发平台常见落地节奏拆分。初期追求结构可用，中期追求数据校准，后期追求稳定、安全、可复制。
公司内部原型
把现有前端 Demo 扩展成前端 + 后端的可运行平台。试算数据仍可能不准确，但流程必须完整。
- 前端 UI 给工程师操作与查看曲线。
- 后端 API 负责接收参数并返回试算结果。
- 实验数据库先建立统一字段与样本格式。
- AI 使用国外AI顶级大模型辅助架构、写代码、整理资料。
- 网络使用公司内网或固定电脑访问。
数据校准版本
重点转为整理现有实验数据，校正资料库及训练算法，让试算结果逐渐具备参考价值。
- 导入现有实验数据、规格书、测试曲线和批次记录。
- 建立模型版本，例如 `model_v0.1` 到 `model_v0.2`。
- 若要节省成本，可逐步评估中国国产大模型。
- 跨部门访问使用 Cloudflare Zero Trust 与 OTP码认证。
- 只开放给固定同事、固定邮箱和固定权限角色。
多厂区稳定部署
数据库、算法和权限流程稳定后，降低对云端大模型依赖，并建立总部与惠州厂的自给自足架构。
- 使用本地自己部署的大模型，例如 Qwen 27B 级别模型，用于问答、报告、实验建议。
- 总部及惠州厂各部署 Mac mini Pro 64G 或等效主机。
- 数据库及算法通过多厂区同步定期更新。
- 任何一台主机故障时，不影响其他厂区继续使用。
- 持续用新实验数据改善模型准确度。
三、资源与成本规划
以下是初步估算，适合用于预算讨论。真实采购成本需依公司现有设备、账号合约和 IT 政策确认。
每月 100USDAI 大模型资源
1-2万人民币电脑主机设备
1-2个月内部原型
1年成熟阶段
| 项目 | 初期 | 中期 | 后期 |
|---|---|---|---|
| AI 大模型 | 国外AI顶级大模型，如 ChatGPT、Claude、Gemini。成本预估每月 100USD；需要模拟国外的上网环境。 | 平台已有雏形后，可评估中国国产大模型以降低成本，并减少上网环境限制。 | 平台稳定后，本地自己部署的大模型用于资料问答、报告生成与实验建议，降低对云端模型依赖。 |
| 电脑主机 | 可先用公司任意电脑，但必须 7x24 小时不关机，或使用时保持开机。 | 建议 Mac mini 16G，省电、可靠，适合作为 7x24 小时内网主机。 | 建议 Mac mini Pro 64G 或等效 GPU 主机；2万左右设备可支撑服务与本地模型实验。 |
| 网络安全 | 只允许公司内部区域网路访问，可限制固定电脑或设置账号密码登录。 | 总部或惠州工厂使用时，通过 Cloudflare Zero Trust，采用邮箱 OTP码认证和权限名单。 | 总部及惠州厂分别部署主机，数据库与算法多厂区同步，避免单点故障。 |
| 研发重点 | 前端 + 后端 + 数据库 + 基础算法服务。 | 整理实验数据，校正数据库及模拟算法。 | 模型版本治理、数据同步、权限审计和持续实验闭环。 |
四、目标系统架构
公司级版本需要把当前前端 Demo 拆成可维护的服务：前端负责操作体验，后端负责安全与计算，数据库负责实验数据，算法服务负责可解释试算，AI 助理负责加速研发流程。
关键判断：LLM 不应直接取代试算引擎。电容参数模拟的核心应是可解释算法、实验数据库和版本化校准；大模型负责辅助建构、资料整理、实验建议和报告生成。
五、AI 大模型策略
AI 的角色会随着平台成熟度改变：初期需要最聪明的模型加速搭建，中期强调成本与可访问性，后期强调数据安全和本地可控。
初期：国外顶级模型
使用 ChatGPT、Claude、Gemini 等国外AI顶级大模型协助系统架构、代码生成、资料整理和算法讨论。成本预估每月 100USD，但要考虑上网环境与资料脱敏。
中期：中国国产大模型
当前端、后端和数据库雏形稳定后，可以把部分文档整理、数据清洗、报告生成任务切到中国国产大模型，以降低成本并减少上网环境问题。
后期：本地模型
成熟期可使用本地自己部署的大模型，例如 Qwen 27B 级别，用于内部资料问答、实验记录摘要和参数解释。试算核心仍应由算法服务与数据库校准负责。
六、网络与安全策略
安全策略应从初期就设计，而不是等跨厂区使用时才补。尤其是调用云端 AI 时，真实配方、客户资料、成本和未公开实验数据必须先脱敏。
初期：公司内网
只允许公司内部区域网路访问。可限制固定电脑、固定 IP、账号密码登录，先把使用范围控制在研发小组。
中期：Zero Trust
总部或惠州工厂同事需要访问时，使用 Cloudflare Zero Trust，通过邮箱 OTP码认证登入，并只开放固定同事权限。
后期：多厂区同步
总部及惠州厂各架设一台 Mac mini Pro 主机。数据库与算法多厂区同步，任一主机故障时不影响其他厂区继续使用。
| 控制点 | 建议做法 | 目的 |
|---|---|---|
| 资料脱敏 | 不要把真实配方、客户名称、成本、完整实验批次直接送到云端 AI。 | 降低机密资料外泄风险。 |
| 角色权限 | 工程师可试算与上传实验；主管可看报告；管理员才可发布模型版本。 | 避免未经审核的模型或数据影响决策。 |
| 访问审计 | 记录登录、参数试算、数据上传、模型切换和导出报告。 | 可追踪问题与数据使用范围。 |
七、数据闭环与算法校准
平台是否有价值，取决于实验数据能否持续进入数据库，并推动算法变得更准确。AI 大模型是辅助工具，不是准确度本身。
建议收集字段
- 材料参数：铝箔、氧化膜、电解液、导电高分子比例。
- 结构参数：壳体尺寸、卷绕填充率、箔厚、封口材料。
- 制程参数：化成条件、含浸条件、固化条件、老化条件。
- 测试结果：容量、耐压、ESR、漏电流、纹波电流、寿命、温度曲线。
- 批次信息：样品编号、实验日期、设备、操作者、测试环境。
算法版本管理
- 每次校准产生独立版本，例如 `model_v0.1`、`model_v0.2`。
- 记录训练数据范围、校准参数、误差变化和适用产品类型。
- 新版本先在测试环境比较，确认误差下降后再发布。
- 保留回滚机制，避免新版模型造成试算结果突然漂移。
八、风险与对策
以下风险需要在项目启动时纳入管理，否则平台容易停留在漂亮 Demo，无法进入真实研发流程。
若实验数据量不够，模型只能表达趋势。对策是先统一数据字段，再逐步导入历史资料和新实验。
试算结果可能与实际差距大。对策是用标准样品做 benchmark，并用模型版本记录每次调整。
云端 AI 可能涉及机密输入。对策是脱敏、分级权限和限制可上传内容。
单台主机 7x24 小时运行可能故障。对策是中后期建立备援、多厂区同步和自动备份。
若每个人都能改数据和模型，结果不可追踪。对策是区分使用者、审核者、管理员。
云端大模型长期调用可能增加费用。对策是初期集中使用，中期转国产模型，后期转本地模型。
九、建议下一步
建议先做小范围内部原型，不急着追求模型精准。先把系统链路跑通，才有办法持续导入数据并校准。
建议决策：先批准雏形阶段，目标不是马上做出完全准确的试算，而是建立公司内部可持续累积实验数据的研发平台骨架。