- 行业
- 智慧园区
- 规模
- 园区级 · 重点点位优先
- 地区
- 华南
监控预警没人看得完：识别完直接派单，冒烟 3 分钟到场
客户把监控系统的预警图片放进中间数据池，FMClaw 用连接器读取、接进行业数据本体，识别完由工具箱直接开工单派单。识别范围覆盖消防、电动车充电区、设备间与 VIP 区域，一次电动车冒烟在 3 分钟内有人到场。
- 采用产品
- FMClaw 物业智能体—AI 预警预审
识别出来的事，直接变成派出去的活
摄像头不缺，缺的是预警之后有人管
这个园区的摄像头装得很齐，监控系统也是主流品牌。问题出在预警报出来之后：值班室每天面对成百上千条，人不可能逐条看完。看不完的部分，等于没装。
客户此前也评估过纯视觉算法方案，结论是不解决他的问题。算法能把烟、占道、渗水认出来，但认出来之后仍然只是一条预警，还是要靠值班人员自己判断、自己找人、自己跟进。预警从一天上千条变成一天几十条，看不完变成跟不完。
- 看不完就当没看见预警量远超值守人力，实际处置的只是很小一部分，剩下的没有下文。
- 多一条预警不解决问题识别准不准是算法问题，识别完谁去、什么时候去、有没有做完，是运营问题。
所以客户要的不是一套更准的算法，而是让识别结果能直接落到人身上：谁去、多久到、做完没有，都能查到。
视觉数据接进数据本体，工具箱直接派活
做法分两段。前一段是让数据进得来：客户把监控系统的预警图片放进一个中间数据池，FMClaw 的连接器从池子里读取，接进行业数据本体。我们不进客户的监控系统，也不接视频流，两边只共享这个池子。
后一段才是关键。视觉数据进了数据本体之后，和服务感知、设备感知的数据在同一个地方，用的是同一套项目、空间、设备对象。智能体判断完之后调用工具箱，直接产生业务动作，而非给一条预警了事。
- 图片放进中间池
客户从监控系统的预警数据里，把图片放进约定的中间数据池，给哪些点位、什么频率由客户定。
- 连接器接进数据本体
FMClaw 从池子里读取，图片映射到具体项目、空间与设备对象，成为可查、可调的数据。
- 智能体判断
逐张判断现场状态，没问题的滤掉，疑似有问题的说明疑点并定位到点位。
- 工具箱产生动作
调用工具箱直接开工单、派给对应岗位、通知值班，跟进与验收都在原有工单流里。
这一步是和纯算法方案的分界线。同一件事，算法方案交付的是一条预警，这里交付的是一张已经派到人头上的工单，附带识别依据。
项目做下来最意外的收获，是识别范围一直在往外扩。起初只想解决安保看不完的问题，后来发现只要那个位置有图片，能判断的事就不止安保。
- 消防点位通道被占、器材移位，图片里一眼可辨，不必等到月度检查。
- 电动车充电区违规充电、飞线，以及冒烟这类刚开始出问题的迹象。
- 设备间渗漏、堆放遮挡、仪表与指示灯状态，本来要靠人一间间走。
- VIP 区域卫生与陈设是否到位，评估依据从主观印象换成图片。
这两类原本都属于人工巡检的范围。图片先过一遍之后，人不再需要每个点位都跑一趟，而是按派下来的工单去该去的地方。
中间池这件事，客户内部也要商量
- 起初以为
- 不接系统、不碰视频流，放几张图片到池子里总比开接口容易。
- 实际发生
- 图片一旦离开监控系统，同样算数据流出：谁有权放、放哪些点位、留存多久，客户内部同样要走一遍确认。
- 后来怎么过的
- 先只放重点点位、按固定频率，范围小、边界清楚，确认起来快得多。跑通之后再谈要不要扩大范围。
从看不完，到每一张都有下文
变化不在识别技术本身，而在识别完之后。原先看不完的部分默认无人处置，现在每一张图片都有一个明确去向：滤掉，或者变成一张派出去的工单。
最能说明问题的是电动车充电区那一次。车停在自己的充电位上，充电也合规，只是开始冒烟，这种画面人工翻监控最容易划过去。识别之后工单直接落到值班岗位，人 3 分钟到场，事情止在了那里。
另一层价值是客户没有被锁住。摄像头是谁家的、以后换不换，都不影响这套判断继续用，因为进来的只是中间池里的图片。
适合谁，什么情况下不适合
- 摄像头已经装齐，预警量远超值守人力，看不完的部分默认没人处置
- 已经评估过纯视觉算法，发现瓶颈不在识别，而在识别完之后没人接
- 除了安保，消防点位、设备间、重点区域也想有人定期看一眼
- 需要毫秒级实时拦截：图片按频率进池，发现延迟取决于这个间隔，追不上实时视频流分析
- 客户内部连图片离开监控系统也不允许，或没有人能维护中间池这个环节
- 识别出问题后没有可派的岗位：工单能开出来，到场处置仍然要人
- 不动原有系统
- 监控系统不改造、不开接口、不换摄像头，已花的设备钱不用再投。
- 中间池要有人管
- 图片进池这个环节省不掉，需要客户侧有明确的人和固定频率。
- 先重点后全量
- 从几个重点点位起步，一天一两百张，跑通再决定扩不扩。
再看几个在运行的项目
关于这个案例，常被问到的
监控预警一天上千条没人看得完，AI 视觉能解决吗？
能识别，但光识别不解决问题。纯视觉算法方案能把烟、占道、渗水认出来，认出来之后仍然只是一条预警，还要靠值班人员自己判断、自己找人、自己跟进——预警从一天上千条变成一天几十条，看不完变成跟不完。FMClaw 的区别在于识别之后：视觉数据进了行业数据本体，智能体判断完直接调用工具箱开工单、派到对应岗位，跟进与验收都在客户原有的工单流里。交付的不是一条预警，是一张已经派到人头上的工单。
视觉数据是怎么接进来的，要接视频流吗？
不接视频流，也不进客户的监控系统。客户把监控系统的预警图片放进一个约定的中间数据池，FMClaw 的连接器从池子里读取，接进行业数据本体，映射到具体项目、空间与设备对象。两边只共享这个池子，给哪些点位、什么频率由客户决定。这也是 FMClaw 接入企业已有系统的通用方式：连接器接入，不替换、不重建。
这和海康威视、大华自己的 AI 视觉有什么不一样？
不是替代关系，是接在它们后面。海康、大华的智能能力长在它们自己的设备与体系里，做的是「拍到并报出来」；FMClaw 处理的是报出来之后的事——谁来看完、看完了谁去、去了有没有做完。所以客户已有的设备投资不用动，FMClaw 用的是它们报出来的结果。对客户来说，这也意味着不被某一家厂商锁住：摄像头以后换不换，都不影响这套判断继续用。
一天要处理多少张图片？
取决于接入范围，差别很大。只接重点点位（比如消防通道、电动车充电区、几个关键设备间），一天一两百张就够用；把全部摄像头的预警都纳进来，量级会到每天上千张。建议先从重点点位开始，跑通了再决定要不要扩。图片量不是越大越好，范围越聚焦，派出去的活就越集中。
除了安保，还能识别什么？
只要那个位置有图片，能判断的事就不止安保。这个园区实际用到四类：消防点位（通道占用、器材异位）、电动车充电区（违规充电、异常冒烟）、设备间（渗漏、堆放遮挡、仪表与指示灯状态）、VIP 区域（卫生与陈设是否到位）。其中设备间与 VIP 区域本来靠人工巡检，现在图片先过一遍，人按派下来的工单去现场，不用每个点位都白跑一趟。
识别出问题之后，谁去处置？
人去，但派活这一步是自动的。智能体做的是滤掉没问题的、把疑似有问题的定位到点位并说明疑点，然后调用工具箱直接开工单派到对应岗位。到场核实、现场处置、判断要不要升级，全部由人完成。这个园区最有代表性的一次是电动车充电区一辆车冒烟被识别出来，工单直接落到值班岗位，人 3 分钟内到场，没有酿成更大的事。AI 争到的是时间，不是决定权。
图片里有人脸、车牌怎么办？
识别只针对场景状态，不做人脸识别、不建人像库、不做身份比对。图片范围在中间数据池这一层由客户自行限定，不该出去的内容留在客户自己的系统里。我们判断的是「这个位置现在是什么状态」，不是「这个人是谁」。
这种做法有什么做不到的？
有三条边界，值得先说清。一是图片只能反映拍摄的那一刻，看得到状态、看不到过程，所以进池频率直接决定发现延迟，追不上实时视频流分析；二是夜间、逆光、镜头脏污会影响判断，这类点位仍需要人复核；三是工单能开出来，到场处置仍然要人，如果没有可派的岗位，派单这一步就落空了。
带你的难题来，
带一个 Agent 走
从你的一个真实业务开始。