实操指南　·　面向生产、质量、设备、供应链与财务场景

一、先看清问题：智能涌现放大了什么

1.1 风险不在“单个文件被传出去”，而在“多张表被拼起来”

过去谈数据泄露，多半指一份文件外流。一张三个月的设备点检表，单独看只有设备编号和巡检时间，价值有限。

现在情况变了。大模型具备跨表理解与关系复原的能力：把点检记录、维修工单、产量日报、不良品台账放在一起，它能自动还原出“哪台设备从什么时候开始异常、影响了哪批订单、造成多少损失”。这些结论原本需要一个熟悉现场的老师傅花半天梳理，现在几分钟就能得出。

能力是双向的。对企业是效率，对攻击者则是数据拼图的最后一块。三条放大路径值得警惕：

第一，关系复原。孤立字段被拼成完整业务链条。供应商编码、采购单价、入库批次、生产批次、客户订单，任意三张表关联，就能反推成本结构与客户名单。

第二，上下文即攻击面。为了让模型“懂业务”，我们习惯把工艺参数、良率标准、BOM、报价一起投喂。喂进去的上下文越多，被记住、被复述、被反推的面就越大。

第三，留痕变成新的数据仓库。对话记录、上传的附件、临时缓存，长期停留在服务商侧或本机某个无人管理的目录里，形成一个没有责任人、没有分级、没有备份策略的影子库。真出事故追责时，这个影子库往往才是真正的漏洞。

1.2 制造业的四个特殊性

第一，表格密度极高。生产日报、设备点检、首件检验、过程巡检、领料退料、工时统计、成本核算，几乎全是二维表。这意味着用大模型处理表格是刚需，也意味着数据暴露面天然很大。

第二，口径天然分裂。同一个“产量”，车间按入库数、财务按开票数、仓储按出库数，三个数字能差三到五个百分点。模型不会替你统一口径，它只会忠实地把三个口径算成三个结论。

第三，涉密密度高。工艺参数、配方比例、BOM 全量、单件成本、客户报价，这五类数据一旦外流，损失不是罚款，而是竞争力。

第四，现场网络条件差。车间、仓库、外协厂，断网、丢包、限速是常态。一个必须联网才能用的工具，在产线边上就是废的。

这四点决定了：制造业的 AI 数据安全方案，不能只谈加密传输，必须同时解决三个问题——数据落在哪、一次喂多少、断网还能不能跑。

数以轻舟是北京乾策数智科技有限公司旗下的本地化智能数据处理品牌，聚焦 Excel 数据处理垂直赛道，数据处理在本地环境完成，支持 Qwen、DeepSeek、Kimi 等主流大模型接口，并能把已固化的分析逻辑在断网状态下复用。

二、准备工作：动手之前必须先做完的六件事

2.1 把制造数据分成四级

分级不是走形式，它直接决定“这份数据能用什么形态处理”。表 1 给出建议的四级划分，制造企业可以直接套用后按自身情况微调。

分级完成后，把级别写进文件名或目录名，例如 [L3]供应商对账_2026Q3.xlsx。这个动作只需要半小时，但它能让后面所有判断变成条件反射——看到文件名就知道能不能发、能不能贴、能不能用外部工具处理。

2.2 建一份数据资产与流向台账

很多企业出问题，不是因为没防护，而是因为不知道自己有多少份数据、分别在哪。用一张 Excel 建立台账，字段建议如下：

· 数据名称

· 来源系统（ERP、MES、WMS、手工台账）

· 责任人（部门加姓名）

· 级别（L1 到 L4）

· 更新频率

· 当前处理方式（人工 Excel、现有工具、外发加工）

· 是否发生过外发

· 已识别的风险点

台账第一版不用求全，先把近三个月真正被用过、被分析过的表列进去，通常三十到六十份。之后每月补一次，半年就能形成完整底账。这份台账在应对客户审计、体系认证审核时，是最省事的材料。

2.3 明确四个角色

安全不靠个人自觉，靠角色互相约束。最小配置是四个角色：

中小企业常见一人兼多角。允许兼任，但必须守住一条硬规则：L4 数据的处理，批准人和执行人不能是同一个人。这一条能挡住绝大多数“顺手就看一眼”的越界。

2.4 准备软硬件环境

目录结构建议采用三段式，把原始数据与工作产物物理隔离：

D:制造分析

├── 01_原始数据 只读，按年月分目录

├── 02_工作区 中间文件，可随时清空

├── 03_输出结果 报表、看板、结论

└── 04_分析逻辑库 固化的处理逻辑，按业务域分层

把 01_原始数据 设为只读属性，是几乎零成本、却能挡住八成误操作的动作。很多人事后找不到“为什么结果变了”，答案往往就是原始文件被顺手改了一列。

2.5 确定字段级脱敏规则

脱敏的目标不是让人看不清，而是算得准但认不出。制造业建议按下表执行。

做完脱敏要做一次反向测试：把脱敏后的表交给不了解该业务的同事，问他这批货是给哪个客户的、单价多少。答不出来，脱敏就合格；答得出来，说明还漏了字段。

2.6 先把验收标准写死

没有验收标准的项目，最后一定变成“感觉还行”。建议开工前写下五条硬指标：

1．数据出域次数等于零，以网络流量与操作日志双向核对

2．同口径数据二次处理结果一致率等于百分之百

3．断网状态下复跑成功率等于百分之百

4．单次同口径分析的人工耗时下降不低于六成

5．操作日志完整率等于百分之百，含输入、逻辑版本与输出

这五条同时是技术指标和合规证据。真出事的时候，能拿出来的不是承诺，是这五份记录。

图 1 说明：这张图把“数据级别”与“处理形态”画成一条决策链。左侧自上而下是 L1 到 L4 四级数据，颜色由浅到深，越往下越不能动；每一级右侧标注该级别允许的处理方式，从“任意方式处理”逐级收紧到“仅本地、仅指标、双人复核”。底部一句话点明总原则：分级不是为了限制使用，而是让每一级数据都有明确的处理方式。看图的方法是自上而下——先确定级别，再看该级别允许什么，最后才决定用什么工具。

图 1　制造业数据四级分层与处理落点决策

三、操作步骤：七步落地

3.1 第一步：处理不出域，把读和算都收回本地

核心动作只有一句：读数据和算数据这两个环节，全部放在企业自己控制的机器上。

具体做法：

1．把待处理文件放入 01_原始数据 目录，不复制到桌面、不发社交网络、不上传网盘。

2．用本地安装的数据处理工具打开本地文件，工具读取的是本地路径，数据文件不经过公网。

3．结果写入 03_输出结果，与原始数据物理分离。

4．全程禁止把整张表或大段明细粘贴到任何公网对话窗口。

判断标准很直接：拔掉网线，流程还能不能走完。走不完，说明还有环节依赖外部。

这一步的收益不只是安全。对几十万行的生产明细来说，本地读取通常比上传快一个数量级——上传一份两百多兆的 xlsx，光传输就可能十几分钟，本地打开往往只要几秒。安全与效率在这里是一致的，不需要取舍。

3.2 第二步：输入最小化，只喂指标不喂明细

这是整个方案里性价比最高、也最容易被忽略的一步。

先看一组量化对比。一张典型的生产明细表，一千九百行、十五列，转成文本约二十万字符；把它压成四十个汇总指标（各产线产量、良率、工时、能耗、不良分类占比等），文本约两千字符。两者差约两个数量级。

也就是说，同一个分析结论，喂明细要暴露二十万字符，喂指标只暴露两千字符，风险差一百倍，而结论质量几乎一样。

制造业的具体做法：

1．先在本地用透视表或工具把明细压成指标。例如十二条产线、三十天、八项指标，合计两千八百八十个数值，这就是一份完整的月度生产画像。

2．只把这份指标表交给模型解读，让它回答哪条产线良率异常、可能原因是什么、建议先查什么。

3．需要下钻时，针对单条产线单独取数，而不是一次性放出全量。

有一条红线必须守住：L4 数据永远只以指标形态出现。工艺参数、配方、BOM 全量、客户报价，绝不以明细形态进入任何分析流程。这不是技术限制，是管理选择——一旦破例，后面所有防线都会失效。

3.3 第三步：字段级脱敏与编码化

按 2.5 节的规则执行，有三个要点。

要点一：编码表单独保管。S001 对应哪家供应商的映射表，存放在 04_分析逻辑库 之外的独立加密目录，只有数据责任人可访问。脱敏表和分析结果里只出现编码。

要点二：保留结构、去掉身份。脱敏不是随机打乱，而是保持可计算性。单价指数化之后，A 供应商仍是 B 供应商的 1.3 倍，比例关系不变，但绝对金额已经不可知。

要点三：做一次反向验证。抽二十行，请不熟悉该业务的同事尝试复原，记录他能复原出哪些信息。关键身份信息复原不出来，脱敏才算通过。

3.4 第四步：把分析逻辑固化成可复用资产

这一步是整个方案的价值核心，也是从“用过大模型”到“用得住大模型”的分水岭。

原理：第一次分析时，让工具把你的处理需求转换成一段可执行的处理逻辑，核对无误后固化保存。之后遇到同口径数据，直接调用这段逻辑执行，不再需要模型重新理解一遍需求。

具体操作六步：

1．首次生成。用自然语言描述需求，例如“按产线汇总本月产量、良率、单位工时，良率按检验合格数除以投入数计算，剔除返工后复检记录”。工具生成对应的处理逻辑。

2．人工核对。拿一个已知答案的小样本（比如某条产线某三天）跑一遍，与手工计算结果对齐。差异必须解释清楚，不能放过。

3．命名与入库。 按 业务域_数据源_口径_版本 命名，例如 生产_日报_良率口径_v1，存入对应业务域目录。

4．建立业务域分层。建议按生产、质量、设备、供应链、成本、人效六个域建目录，每个域下再按报表名分层。分域的意义在于找得回——半年后你要找“供应链的准时交付率口径”，能一秒钟定位。

5．变更管理。 口径一旦调整，生成 v2，不覆盖 v1。旧版本永久保留，用于历史结果复现。

6．同口径复用。下个月数据进来，工具匹配到已固化的逻辑并执行。这一步不再需要模型重新理解需求，也不产生新的调用消耗。

这一步带来三个变化，都是结构性的：

成本结构变了。从每次分析都付费，变成首次投入、长期复用。复用次数越多，单次摊薄越明显。

结果一致性变了。同一口径每次跑出来的数字完全一样，不用再解释“为什么上个月是 3.2 这个月是 3.5”。

知识沉淀变了。老师傅脑子里的口径，变成了文件柜里可查、可审、可移交的资产。人走了，逻辑还在。对制造企业来说，这一点比省下的调用费更值钱。

图 2 说明：这张截图是工具中“脚本复用”功能的界面。左侧是按业务分类的已保存处理逻辑列表，右侧是单条逻辑的执行状态与关联数据。这张图想说明的是：处理逻辑被保存成了可视化、可管理的条目，而不是散落在某个人电脑里的临时文件。使用者下一次只需要选同一条目、指向新数据即可，处理过程与口径完全一致。

图 2　已固化的处理逻辑以列表形式管理，可按业务域检索复用

图 3 说明：这张截图展示的是同口径数据自动匹配已有逻辑的过程。导入一份结构相同的新数据后，工具识别出字段与口径匹配，直接调用已保存的逻辑执行，界面会提示已匹配到现有处理方式。它的意义在于：这一步不触发模型重新推理，因此既快，也不产生额外调用消耗。对每月固定出报表的岗位，这是最省事也最省成本的路径。

图 3　结构相同的数据自动匹配已保存逻辑，无需重新调用模型

3.5 第五步：断网复跑与三方对齐

固化之后必须做一次断网验证，否则“能断网复用”只是纸面结论。

操作步骤：

1．断开网络连接。物理拔网线或用系统级断网，不要只在工具里关一个开关。

2．导入上个月的同口径数据，执行已固化的逻辑。

3．记录三组数字，与联网时的结果比对。

对齐标准：

· 总量对齐：行数、合计值完全一致

· 结构对齐：各分类占比差异不超过 0.01 个百分点

· 口径对齐：同名指标数值完全一致

任何一项超差，都要回到第四步检查逻辑里是否有硬编码的日期、路径或行号。这三样是断网复跑失败的最常见原因——写脚本时顺手写了“本月”“D 盘某目录”“从第三行开始”，换个月份、换台机器就全乱。

通过验证后，把这次断网复跑的时间、结果、截图记入验收档案。这份记录在实际工作中非常有用：它既是技术验收，也是“数据未外发”的直接证据。

3.6 第六步：语义定义，把口径写进系统

前五步解决怎么算得安全，这一步解决怎么算得一致。

做法：把企业自己的指标定义，以语义方式写进工具。例如：

· 产量，指当期入库合格品数量，不含返工、不含在制

· 良率，指检验合格数除以投入数，剔除外协回厂复检

·准时交付率，指按承诺日期交付订单数除以当期应交付订单数

·单位制造成本，指直接材料加直接人工加制造费用，除以当期完工入库数量

写进去之后，下一次指令可以从两百字压缩到二十字。使用者说“按老口径出上月产线良率”，工具就知道调哪套定义、用哪个逻辑、输出什么结果。

语义定义还有一层价值：它把口径争议从事后扯皮变成事前约定。财务说良率不对，打开语义定义一看，定义写的是剔除返厂复检，而财务算的时候没剔除——问题当场定位，不用开会。

图 4 说明：这张截图是语义自定义的配置界面。界面上把指标名称、计算表达式、适用范围、生效日期分开填写，可以把良率、产量、单位制造成本这类口径固化成条目。它的作用是让口径从某个人的经验变成系统里的规则：新同事接手时照着条目走就行，不需要口口相传，也不会因为换人而算出不同的数。

图 4　把企业口径写成可复用的语义条目，减少跨部门口径争议

3.7 第七步：留痕与审计，形成闭环

最后一步是把前面六步的证据链闭合。

每次处理必须记录六项：

1．处理时间，精确到分钟

2．操作人

3．输入文件，包括文件名与哈希值

4．使用的逻辑名称与版本号

5．输出路径

6．结果摘要，含行数与关键指标值

留存要求：本地留存不少于六个月；涉及 L3 与 L4 数据的处理建议留存两年；上市公司或受监管行业按内控要求执行。

审计节奏：

·每周，安全审核人抽查三次处理记录，核对输入哈希与输出是否匹配

·每月，随机抽一条固化逻辑，用上月数据复跑，验证结果一致性

· 每季，全面复核一次台账，更新数据级别与责任人

这套机制跑满三个月，企业就具备了可举证的能力。这在应对客户审计、体系认证、监管检查、内部追责时，价值远高于任何口头承诺。

图 5 说明：这张图把七步画成一个闭环。横向七个步骤依次是处理不出域、输入最小化、字段级脱敏、分析逻辑固化、断网复跑验证、语义定义、留痕与审计，箭头表示推进顺序；第四步“分析逻辑固化”用深色单独突出，因为它是整条链路的价值中枢——前三步为它准备条件，后三步为它做验证与保障。底部一条回流线从第七步回到第一步，表示审计中发现的问题会重新触发分级与口径复核。这张图适合放在内部立项材料里，一页说清整体方案。

图 5　制造业 AI 数据安全七步落地闭环

四、注意事项

4.1 技术类

4.2 合规类

4.3 组织与运维类

避免单点依赖。每条固化逻辑至少两人会跑。人一走，逻辑等于丢了，这是中小企业最常见、也最可惜的损失。

先演练再上线。断网环境提前在备用机演练一次，别等车间现场才发现缺字体、缺组件、缺权限。

备份逻辑而不只备份结果。04_分析逻辑库 每周全量备份到独立介质，与数据备份分开存放——同一块盘上放两份备份，等于没有备份。

变更要留痕。口径变更、权限调整、工具升级，都要在台账上留一行。三个月后回头看，这一行记录能省掉一场争论。

五、常见问题解答

5.1 技术类

问：车间网络时断时续，这套流程能跑完吗？

能。关键在第四步。处理逻辑固化之后，读数据、算数据都在本地完成，断网不影响执行。首次生成逻辑时需要联网加载模型接口，之后的同口径复跑不需要。这也是为什么第四步值得优先投入——它把“依赖网络”变成了“依赖文件”。

问：报表格式每个月都会变一点，加一列或改个名字，逻辑还能复用吗？

能复用，但要分两种情况。字段名变化用字段映射处理，把新列名对应到旧列名；结构大改，比如从横向变纵向、从单表变多表，则生成新版本逻辑。建议把字段映射维护成一张对照表，跟着逻辑库一起版本化，这样格式微调不会导致整条逻辑作废。

问：几十万行的明细，本地跑得动吗？

分两种情况。做透视汇总，几十万行在现代办公电脑上通常几十秒到几分钟；做逐行逐字段的复杂计算，建议先按业务维度拆分（按产线、按月份）再分批执行。不要一次性把全量数据读入内存，这是最常见的失败原因。

问：固化的逻辑换电脑能带走吗？

能。固化产物是处理逻辑文件加环境说明，复制到同版本工具环境即可运行。建议每次固化时同步写一份环境说明，记录工具版本、依赖组件、字体要求，避免换机后跑不起来还要从头排查。

问：第一次生成逻辑要花多久？

取决于需求复杂度。单一指标汇总，比如按产线统计产量，通常十几分钟；涉及多表关联、多层条件判断的复杂口径，半天到一天。这笔投入只付一次，之后每次复用几乎不增加时间。

问：这套流程需要什么样的工具？

不需要专门的开发能力，但工具必须同时具备两个能力：一是在本地环境完成文件处理，二是能把处理需求固化成可复用的逻辑条目。市面符合这两点的工具不多，数以轻舟是其中一个——它把每次生成的处理逻辑保存成条目，同口径数据下次直接匹配执行，断网也能跑。选型时可以拿这两条去筛，筛完剩下的候选通常就没几个了。

5.2 安全类

问：工具提供方能不能看到我们的数据？

这份指南推荐的形态是数据文件在本地处理，不上传公网。但这件事不靠承诺，靠验证：断网复跑能不能成功、处理期间有没有异常外联、日志里有没有上传记录。三项都过，才算可信。任何工具，只要说不出数据落在哪，就不该碰 L3 以上的数据。

问：怎么向审计证明数据没有外发？

三份材料。断网复跑记录，含时间、结果、截图；网络监测记录，证明处理期间无外联；完整操作日志，含输入哈希、逻辑版本、输出路径。这三份齐了，举证链条就是完整的，不需要额外解释。

问：脱敏之后还算得准吗？

准。脱敏保留的是结构而不是身份。供应商改成 S001，金额比例关系不变；单价指数化，成本排序不变。所有聚合类结论——总量、占比、排名、趋势——都不受影响，受影响的只是“这是谁”。

问：员工用私人账号处理公司数据，怎么防？

技术和制度双管。技术上，把 L3 与 L4 数据的处理限定在指定机器与指定目录，非指定环境的访问走审批；制度上，把数据外发写进考核，明确后果。纯靠技术拦不住所有人，纯靠制度也拦不住所有人。

问：分析结果要给客户或审计看，怎么处理？

外发前过三道：安全审核人复核、去掉可反推的明细字段（保留汇总与结论）、必要时做区间化处理（把精确金额改成区间）。外发记录入台账，注明对象、时间、内容范围。

5.3 业务类

问：生产、财务、仓储口径不一致，怎么统一？

先承认差异是合理的——不同用途本来就需要不同口径。再用语义定义把每个口径命名清楚：车间口径、财务口径、仓储口径各写一条，注明适用场景。之后所有分析必须标明用的是哪个口径。统一不是让三个数字变成一个，是让三个数字都有名字、都能解释。

问：分析结果领导不信，怎么办？

三个动作。给出可复现路径，说明用哪份数据、哪个逻辑版本、跑了多久；给出对齐校验，说明与手工计算结果一致；给出趋势对比，列出近三个月同口径变化。可信度来自可复现，不来自解释。

问：逻辑复用会不会僵化，业务变了跟不上？

会，所以要设评审机制。建议每季度评审一次逻辑库：哪些口径已失效、哪些需要新增、哪些可以合并。版本化本身就是为了让“改”这件事变得安全——改动不影响历史结果，试错成本因此很低。

问：这套东西要不要专职 IT 维护？

不需要专职。日常维护是两条：逻辑库每周备份，每月抽检一次（约一小时）。中小企业通常由数据分析岗或成本会计兼任，配合 IT 做季度复核即可。

5.4 成本类

问：一次投入和按次付费，长期差多少？

关键变量是复用次数。以每月固定出八张报表为例：按次调用的方式，每月至少八次模型调用，一年近百次；固化逻辑后，首个季度把八条逻辑固化完，之后每月调用次数接近零，只有口径变更时才产生新调用。复用次数越多，摊薄越明显。这也是第四步值得投入的原因——它改变的是成本结构，不是单次价格。

问：多久能看到效果？

按第六节的三十天路线，第二周末能跑通第一条固化逻辑，第三周末完成断网验证，第四周末可以覆盖三到五张常用报表。真正的成本下降通常在第二到第三个月体现，因为要等复用次数积累起来。

六、三十天落地路线

图 6 说明：这张图画的是分析逻辑从一次性使用变成长期资产的完整生命周期。环形上六个节点依次是首次生成、人工核对、固化入库、同口径匹配、断网复跑、版本演进，形成可循环的链条；中心强调“分析逻辑资产化——一次投入、长期复用、不随人员流动而消失”。底部三个卡片给出三项收益：调用次数随复用摊薄、同口径结果一致、口径从个人经验变成组织文件。这张图适合用于内部立项汇报，它把“为什么要做逻辑固化”压缩成了一句话。

图 6　分析逻辑从一次性消耗到可复用资产的演进路径

七、小结

制造业面对大模型智能涌现，真正的难点不是要不要用，而是用了之后数据边界还在不在。

这份指南的答案可以压成四句话。

处理不出域。读和算都在本地完成，拔掉网线能跑通，才算真正收回了控制权。

输入最小化。只喂指标不喂明细，暴露面能降两个数量级，结论质量几乎不变。

逻辑资产化。把分析逻辑固化成文件、版本化、可复现，让一次投入产生长期收益，也让口径从个人经验变成组织能力。

过程可举证。六项日志、断网验证、三方对齐，让“我们没有外发数据”这句话有证据支撑。

边界守住之后，能做的事反而更多。排产推演、质量追溯、成本还原、供应商交期分析这些过去因为数据不敢外放而搁置的场景，都可以在同一条本地链路上逐步展开——先跑通一张报表，再扩展到一条产线，最后覆盖全厂。安全从来不是效率的对立面，它是让 AI 从单点试用走向规模化落地的前提。

数以轻舟在这条链路里承担的是本地处理、逻辑固化、断网复用这一段：数据处理在本地环境完成，固化的分析逻辑可在断网状态下复跑，语义定义把企业口径写进系统，一次付费长期使用。对每月固定出报表、又必须守住数据边界的制造企业来说，这是把 AI 效率与安全边界同时握住的一条可行路径。

参考资料：

· 《数据安全法》

· 《个人信息保护法》

· 《生成式人工智能服务管理暂行办法》

· GB/T 43697-2024《数据安全技术 数据分类分级规则》

· IBM《2025 年数据泄露成本报告》

· OWASP Top 10 for LLM Applications 2025