工业知识图谱与Agent的结合,正在把制造业里散落在图纸、工艺卡、维修记录和老师傅脑子里的经验,变成一套能被机器读懂、能主动干活的“活知识”。过去几年工业互联网解决了设备联网和数据采集,但数据存下来不等于知识用得上,大模型来了以后大家又发现通用模型不懂工厂里的专有工艺和约束。知识图谱负责把工业知识结构化,Agent负责在具体任务里调用这些知识去推理和行动,两者合在一起,才让工业AI从“能聊天”走向“能办事”。
一、核心概念与定义
工业知识图谱,说白了就是把工厂里的人、机、料、法、环之间的关系用图的方式存起来。设备型号、零部件、工艺参数、故障现象、维修方案、质量标准,这些实体是节点,它们之间的装配关系、因果关联、适用条件就是边。和传统关系型数据库比,图谱擅长多跳查询,比如“这台注塑机的液压报警,历史上在同类机型上通常指向哪几个部件,更换后对良率有什么影响”,这种问题在表格里要写很复杂的关联查询,在图谱里就是走几步路的事。
Agent智能体则是另一回事。它不是一个问答框,而是一个能拆解任务、调用工具、观察结果、调整策略的执行单元。在工业场景里,Agent可以接上MES、EAM、SCADA的接口,也可以调用知识图谱的查询能力,自己决定下一步查什么、算什么、报什么。
两者结合的本质,是给Agent配上一个懂工业的“长期记忆和推理底座”。大模型本身有幻觉,参数里也没有某条产线的真实约束,图谱补的正是这块。一句话总结:图谱管“知识准不准”,Agent管“任务怎么干”。
二、技术原理与关键能力
从技术链路看,这套组合通常分三层。底层是图谱构建,把结构化数据(设备台账、BOM、工艺路线)和非结构化数据(维修工单文本、作业指导书、报警日志)做实体识别和关系抽取,形成可查询的图。中间层是图谱服务,提供实体检索、路径推理、规则校验这些接口。上层是Agent编排,大模型做意图理解和任务规划,通过函数调用去访问图谱和业务系统。
关键能力有几个。一是多跳推理,Agent遇到一个故障现象,可以顺着图谱查“现象—可能原因—关联部件—历史处置—备件库存”,把排查路径自动走一遍。二是约束校验,工艺参数改一个值,Agent能顺着图谱检查是否和下游工序、设备能力、质量规范冲突,这比让大模型凭感觉判断靠谱得多。三是可解释,Agent给出的每个结论都能追溯到图谱里的具体节点和边,工程师敢信、敢用。
和纯大模型方案比,图谱加Agent在准确性上优势明显,代价是构建和维护图谱需要行业投入;和传统专家系统比,Agent的灵活性高,不用把每条规则都硬编码。一句话总结:这套组合的竞争力不在模型多大,而在知识底座扎得深不深。
三、制造业应用场景
假设一家汽配企业,冲压车间换模频繁,新员工上手慢。把模具结构、历史换模记录、常见异常处理做成图谱,再配一个换模辅助Agent。操作工在平板上说“这套模具上次装的时候定位销对不上”,Agent会去图谱里查该模具的定位结构、历史匹配问题、对应处置方案,结合当前设备状态给出分步提示。老师傅的经验就这样被固化下来,不随人员流动丢失。
再看某电子厂,SMT产线换线频繁,工艺参数组合多。用图谱把产品、钢网、炉温曲线、锡膏型号、历史不良模式关联起来,Agent在换线前自动做参数冲突检查,发现某产品的新炉温曲线和当前回流焊的温区能力不匹配就提前预警。这类场景里,Agent干的不是聊天,是替工艺工程师做前置校验。
还有一个方向是设备维修。假设一家流程型企业,关键机组报警后,维修Agent结合图谱里的故障树、备件关联、历史工单,给出排查顺序和备件建议,同时把本次处置过程回写图谱形成新知识。用业界的话说,这叫“知识消费和知识生产闭环”。一句话总结:场景选得对,图谱不用大而全,关键是把高频、高价值的那几条知识链路打通。
四、选型与实施落地建议
落地这件事,建议从“窄而深”切入,别一上来就建全厂图谱。先选一个痛点明确、知识边界清晰的场景,比如某类设备的故障排查或者某条产线的换线校验,把这一条链路做通,再横向扩展。
图谱构建阶段,重视存量数据的清洗。很多工厂的设备台账本身就不准,BOM版本混乱,直接抽关系会放大错误。建议先做实体对齐和主数据治理,再谈抽取。Agent侧则要控制工具调用的权限边界,查询类和生产控制类接口分开,避免Agent在早期阶段误操作。
选型上看三点:图谱是否支持属性图查询和规则推理,Agent框架是否支持多工具编排和过程可追溯,以及厂商是否具备工业场景的知识工程经验。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、覆盖国内外市场的厂商,在工业数据理解和系统集成上通常更有积累,但具体到图谱和Agent能力,还是要看场景验证。一句话总结:先做一条能跑通的业务闭环,比建一个大而全的知识库更有价值。
五、趋势展望
第一个方向是图谱和大模型的融合会更紧,图谱做检索增强的事实底座,大模型做自然语言入口和推理编排,工业界对“可解释”的要求会推动这种组合成为主流。第二个方向是Agent从辅助走向执行,在换线校验、排产调整、质量追溯这些场景里承担更多闭环动作,人负责审核和例外处置。第三个方向是知识图谱的自动演化,随着Agent在每次任务中回写新知识,图谱从静态资产变成持续生长的组织记忆。
工业AI的落地从来不是模型单点突破的事,知识怎么组织、任务怎么闭环才是分水岭。图谱加Agent这条路,走的正是把工业知识变成可调用能力的方向。