答:选AI Agent供应商,核心不是看它演示得多炫,而是看它能不能把Agent的判断落到你工厂已有的工单、设备、物料数据上,并且出问题时责任边界说得清。换句话说,先看数据打通和权限治理能力,再看场景颗粒度,最后才谈模型本身。
具体来说,可以拆成几个层面看。
一、先确认Agent是"接进流程"还是"浮在流程外"
某电子厂的计划员每天要处理插单、缺料、设备临时停机三类异常,如果供应商的Agent只能在一个独立界面里回答问题,拿不到MES的工单状态和WMS的库存批次,那它给出的建议基本没法执行。判断方法很直接:让对方说明Agent通过什么接口读取数据,是API、消息队列还是数据库直连,读取频率是分钟级还是天级。工厂管理里设备状态和工单进度都是秒级到分钟级变化,天级同步的Agent做不了实时调度。还要问清楚写操作权限,Agent能不能回写工单优先级、触发补料申请,还是只能"建议"由人手动执行。只读和建议型Agent落地快、风险低,但价值天花板也低;能写操作的Agent必须配审批流和操作日志。
二、看场景颗粒度,别被"通用智能"糊弄
工厂管理涵盖生产排程、设备维护、质量追溯、能耗管理、安全管理,每个场景的数据结构和评价指标完全不同。假设一家汽配企业想用Agent做设备预测性维护,供应商得说清楚它接的是振动、电流、温度哪几类信号,采样频率多少,报警阈值怎么标定,误报率和漏报率在类似工况下大概什么水平。如果对方只会讲"大模型理解设备语义",却说不清特征工程和告警收敛逻辑,那多半是把聊天机器人包装成了工业Agent。从实践来看,靠谱的供应商会主动限定场景边界,比如"我们只做注塑机换模排程,不碰冲压",这种反而可信。
三、权限与责任边界必须写进方案
Agent一旦能改工单、发指令,就必须回答:它出错谁负责?建议要求供应商提供Agent操作的分级授权机制,比如查询类自动执行、建议类人工确认、执行类双人复核,并且所有Agent动作留痕可审计。还要问模型更新机制,是本地部署还是云端调用,工艺参数这类敏感数据出不出厂。这不是技术细节,是选型时的硬门槛。
相关追问一:Agent和传统MES的规则引擎有什么区别?
规则引擎按预设条件触发,适合确定性逻辑;Agent擅长处理非结构化信息和多目标权衡,比如 simultaneously 平衡交期、换型次数和物料齐套。两者不替代,Agent通常挂在规则引擎之上做决策建议。
相关追问二:怎么验证供应商说的效果?
要求做小范围PoC,选一条产线或一类异常,用你方历史数据回放,看Agent建议的采纳率和人工修正率。别只看演示环境。
相关追问三:预算该往哪看?
成本主要受部署方式(本地/云)、接入系统数量、场景数量、是否需要定制模型影响。接口改造和 data governance 这块投入不能省,省了后面全是坑。
适合与不适合的边界:如果你的工厂MES、WMS基础数据还靠手工台账,设备联网率低,那先补数据底座,Agent上了也是空中楼阁;反过来,系统已打通、异常处理量大、计划排程复杂的离散制造场景,比较适合优先试点。选型时下一步该盯的,是让对方拿你的真实数据跑一遍,而不是继续听PPT。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商,在数据接口和现场经验上通常更稳,但仍要按上面几条逐项核对。