从“每次投入产出两样东西”讲起
当AI进入企业经营和生产场景，问题早已不只是“能不能用”，而是“怎样把一次投入变成组织可以持续复用的能力”。厦门地铁创新科技有限公司给出的答案，是先建立一条清晰的投入标准，再以两条路径推进落地。
作为厦门轨道交通集团全资科技子公司，厦门地铁创新科技没有把讨论停留在模型选型、平台采购或席位数量上，而是先把投入产出关系想清楚：
每一次 AI 投入，都应该同时产出两样东西：一个能用的应用，和一份可复用的能力。
这不只是一句方法论，更是一条明确的投入纪律：如果能力不能沉淀，智能体做得越多，一次性建设和重复投入也会越多。基于这一原则，厦门地铁创新科技将 AI 需求划分为两条路径——赋能型拓展应用广度，生产型深挖业务价值。
从集团 20 多家子企业梳理出的 105 项真实需求，厦门地铁创新科技用这条标准进行划分：大致一半是知识问答、政策检索、报告生成等员工可自助完成的场景；另一半则涉及设备故障预警、合约审计、方案合规审查、排班排程等，需要工程化建设、绑定业务流程并持续运营。
前者归入“赋能型”，解决 AI 应用的广度；后者归入“生产型”，解决 AI 价值的深度。两条路径需要协同推进，却不能采用同一套建设方式。给员工一个 AI 平台，并不会自动形成组织级生产能力，正如给每个人一台电脑，并不等于企业就拥有了一套 ERP。
路径一：做广度，让更多岗位便捷用上AI
赋能型路径的目标很明确：让业务、运营、产品、财务、HR 等不同岗位都能便捷使用 AI。员工只需用自然语言描述需求，平台即可自动生成技能，并快速发布使用。
不过，赋能不等于简单发放工具。厦门地铁创新科技一方面通过平台降低使用门槛，另一方面设置统一护栏：数据权限、内容安全和使用追踪由平台统一管理，哪些岗位在使用、使用效果如何、哪些场景高频出现，都能够被持续观察和评估。
因此，赋能型平台的价值不只是生成了多少个智能体，更在于通过使用数据回流，帮助公司识别高频、刚需且值得持续投入的场景，为生产型项目筛选方向。
路径二：做深度，把 AI 嵌进生产线
生产型路径面向设备维护、生产调度、客流运营等核心场景。它要解决的不是单次问答，而是构建“感知异常—推理根因—执行处置—学习沉淀”的业务闭环，让知识和模型在持续运营中不断优化。
这条路径释放的是 AI 的纵深价值：既把 AI 真正嵌入业务流程，也为“项目交付 → 能力运营 → 平台化服务输出”的长期模式演进提供支撑。
赋能型与生产型并非二选一。前者沉淀的高频场景数据，构成后者的选题池；后者形成的数据底座、知识库和模型能力，又会反哺前者，让业务人员构建智能体时能够调用更准确的知识。两条路径共享同一底座，形成持续增强的正向循环。
从研发线开始：先在自己身上跑通方法
想清楚方法论只是第一步，验证它的最好方式是先在自己身上做一遍。
对一家科技公司来说，软件研发本身就是最高频的“生产场景”。从 2025 年 11 月开始，厦门地铁创新科技引入 Qoder作为核心研发工具，用生产型的思路来改造自己的生产线。
他们做的事情，用一句话概括，就是把「小团队 + AI Agent」定成基本交付单元，用 Qoder将“规格 → 构建 → 门禁 → 交付”四个环节固化为可复用的 Agentic 研发工作流。围绕这一流程，团队封装了 5 个标准 Skills：
- init-proj-rules：拉起新项目时，先把工程规范和设计基线沉进去；
- write-spec：把需求规格写清楚，给 AI 一份没有歧义的施工蓝图；
- start-dev：进入编码环节，AI 承担 CRUD、接口对接、单测这类高频工作；
- review-mr：合并前的评审门禁，让 AI 先跑一遍规范和常见问题；
- summarize-learnings：交付完成后，将实践经验沉淀回团队知识库。
再叠上 RepoWiki 这条知识线，每个项目跑完都能自动生成一份可读的仓库文档，工程经验回流为可复用的资产。
实践带来的改变已经足够具体：团队成员不再只是“按工序各管一段”，而是能够贯穿一个需求的全生命周期；单功能模块的编码交付周期平均缩短约 30%，重复性编码更多由 AI 承担；在存量项目中，新人上手周期从“以周计”缩短至“以天计”。这套从研发线跑通的工作流程，也成为公司内部理解“AI 如何改变工作方式”的参照样板。
从研发到业务：地铁数智检修的复杂场景实践
如果说研发线是内部试验田，那么地铁数智检修管理系统，就是厦门地铁创新科技将 AI 推向业务纵深的代表性工程。设备维保是地铁运营的核心业务，人力成本约占运营总人工成本的一半；长期以来，纸质规程、经验依赖、线下协调、手工录入和数据孤岛等问题，持续制约计划统筹与精准决策。
核心方法是「先治理、再智能」
在该项目中，研发团队与业务团队先从空间与设备数据入手：围绕轨行区、非轨行区逐级统一全线网空间命名，以“框架统一、专业自主”的模板治理设备字段，并将每一项设备精准绑定到具体点位，把地基打好。
底座扎实之后，AI 才真正开始发挥作用。系统基于数字化规程与编排规则，自动生成覆盖 15 个专业的月度和每日检修计划；通过规则、参数与算法解耦，实现参数调整后的自适应；在千万级数据量下，分钟级完成全专业冲突检测，对无法自动排解的冲突及时提示人工介入。同时，系统支持四班两运转、三班六运转等常见班组模式，并可自动生成作业任务。
跑到今天，这套系统已覆盖地铁 3 条线路、15 大专业，纳入设备 20 万个，入库计划包 4 万余个，全年生成计划工单超过 16 万单。计划编制、申报和审批效率明显提升，全线网计划统筹管理能力也随之增强。
这是一个跨越两年、涉及多个专业、数据量达到千万级的复杂生产项目。Qoder在其中承担核心研发工具角色，通过Vibe Coding 加速智能排程、冲突检测、工单与计划自动生成等关键模块的开发；同时借助知识沉淀机制，将字段口径、空间命名和作业标准固化为可复用资产，降低长周期项目中人员轮换与新人上手带来的成本。
更重要的是，它让一支规模并不庞大的团队，也具备了承接行业首创型复杂工程的能力。
把一次交付变成下一次创新的起点
回看这套实践，真正值得借鉴的并不是采用了多先进的模型，而是厦门地铁创新科技把“如何使用 AI”转化为了一套清晰、可执行的方法：
一是区分应用广度与业务深度，不用一套方式解决两类问题；二是要求每次投入同时产出应用与能力，避免一次性消耗；三是先在自身研发线上验证方法，再向核心业务场景纵深推进。
在这套方法中，Qoder与厦门地铁创新科技的实践形成了良好匹配：一方面，它承接生产型场景中最重的一环——研发本身，将规格、构建、门禁和交付固化为可复用的 Agentic 工作流；另一方面，又通过 Skills、RepoWiki 和知识沉淀机制，让每一次交付形成的能力持续留在组织中。
在越来越多企业认真思考 AI 落地的今天，厦门地铁创新科技提供了一个具体、可参照的样本：衡量 AI 工具的价值，不能只看单席位价格或单次使用效率，更要看它能否沉淀流程、知识与组织能力。基于研发线跑通的 Agentic 工作流，正在逐步转化为组织级 AI 提效样板，让每一次投入都成为下一次创新的起点。
