工业知识图谱与Agent结合,本质是把工厂里分散的设备参数、工艺规则、物料属性和历史故障记录组织成一张可推理的关系网络,再让AI Agent在这张网络上做任务规划与工具调用,从而把“查资料、辨原因、给建议”这类工作从人脑记忆变成可复用的系统能力。它解决的不是“有没有数据”的问题,而是“数据之间什么关系、下一步该做什么”的问题。对于设备密集、工艺路线长、老师傅经验难以传承的离散制造场景,这套组合是目前比较务实的一条落地路径。
一、工业知识图谱到底解决什么问题
工业知识图谱是把工业领域的实体和关系显式建模出来。实体包括设备型号、工序、工艺参数、物料批次、缺陷类型、备件、工装夹具、标准条款;关系包括“某工序使用某设备”“某缺陷由某参数越界导致”“某备件适配某机型”“某标准条款约束某检测项”。这和传统关系型数据库的区别在于,图谱擅长多跳查询和路径推理,比如从“某批次产品出现虚焊”出发,沿着缺陷—工艺参数—设备状态—维护记录这条链路追溯可能原因,而不需要事先把关联字段全部设计成表结构。
制造业沉淀的知识有三类很难进ERP和MES:设备手册里的故障树、工艺文件里的参数窗口、老师傅脑子里的“什么声音代表什么毛病”。知识图谱的价值是把这三类半结构化、非结构化内容做成机器可读的节点和边,让后续的Agent有地方“查”和“推”。
二、Agent在知识图谱之上做了什么
Agent不是简单的问答机器人。它的核心能力是任务分解、工具调用和状态维护。放在工业知识图谱场景里,Agent接收一个目标(比如“排查3号线贴片不良率上升”),会先把目标拆成子任务:查该产线近三班次的缺陷分布、查对应设备的参数漂移记录、查同型号物料的其他批次表现、比对工艺文件规定的参数窗口。每个子任务对应一次图谱查询或一次MES/SCADA接口调用,Agent根据返回结果决定下一步查什么。
关键技术点有三个。一是图谱查询接口要支持自然语言到结构化查询的转换,常见做法是把图谱的schema和少量示例查询一起给到模型,让它生成Cypher或SPARQL类查询语句。二是工具调用的边界要清晰,Agent能查什么、不能改什么必须限定,涉及设备控制指令的写操作通常不开放给Agent自动执行。三是推理链条要可回溯,每一条结论都要能指回图谱里的具体节点和边,否则现场工程师不会采信。
协议层面,图谱侧常用图数据库承载,对外通过REST或GraphQL暴露查询服务;设备数据侧走OPC-UA采集到SCADA,再经消息队列进入图谱的更新管道。知识图谱的更新频率通常是分钟级到小时级,不适合做毫秒级实时控制。
三、制造业里哪些工序真的用得上
假设一家电子厂做SMT贴片,换线频繁、料号多。知识图谱里建好“产品—工艺路线—贴片程序—飞达型号—物料批次”的关系,Agent在换线前自动核对程序版本与物料清单是否匹配,发现某颗料的历史批次在同类机型上出现过抛料率偏高,就提前提示核对飞达状态。这里Agent做的是核对与提示,不直接改程序。
再假设一家汽配企业做机加工,刀具磨损是主要变量。图谱里把“工件材料—刀具牌号—切削参数—磨损形态—更换阈值”连起来,Agent在接到刀具寿命预警时,能沿着图谱查出同材料同参数下的历史磨损记录,给出“提前换刀还是降参数继续跑”的建议,并说明依据来自哪几条历史记录。这类场景的节拍相对稳定,知识复用价值高。
第三个场景是设备维修辅助。把设备手册的故障树、历史工单的处置记录、备件库存做成图谱,维修人员描述现象后,Agent沿着“现象—可能原因—排查步骤—备件需求”给出排查顺序。适合故障模式相对固定、手册资料较全的通用设备,比如空压机、变频器、减速机。
四、落地时要盯住的几个实操问题
第一个高频追问是集成对接方式。图谱本身不产生数据,数据来自MES、SCADA、EAM、QMS和工艺文件。常见做法是先做一轮实体对齐,把各系统里的设备编码、物料编码统一到同一套主数据上,这一步的工作量往往被低估。接口层面,读操作走API,写操作(比如工单状态回写)要单独授权并留审计日志。
第二个是知识从哪来。冷启动阶段靠人工建模加规则抽取,把工艺文件、手册、标准条款做成初始图谱;运行阶段靠Agent的查询日志反哺,哪些查询频繁、哪些结论被采纳,用来判断哪些关系需要补全。不要指望一开始就建全,按工序逐个扩展更现实。
第三个是硬件与部署条件。图谱服务和Agent推理服务可以部署在厂内服务器或私有云,对算力的要求取决于模型规模;如果调用外部大模型接口,要评估数据出厂的合规边界,涉及工艺参数的查询建议走本地化部署。边缘侧通常只做数据采集和预处理,不做图谱推理。
第四个是实施周期与常见误区。单工序的图谱加Agent辅助查询,从主数据对齐到上线试用,通常以月为单位推进;跨工厂推广的周期更长。最常见的误区是把Agent当成“万能问答”,期望它回答图谱里根本没有的关系;另一个误区是忽视图谱的时效性,设备参数已经变了但图谱没更新,Agent给出的建议就会失真。
第五个是成本构成。主要落在主数据治理、图谱建模与抽取、Agent的工具封装与评测三块,模型调用费用只是其中一部分。评测环节不能省,要用历史工单做回放,看Agent给出的排查顺序和实际处置是否一致。
五、适合与不适合的边界
适合的场景有几个共同特征:设备与工序数量多、工艺参数窗口明确、历史工单和手册资料有一定积累、故障模式可归类、对建议的实时性要求是分钟级而非毫秒级。电子制造、汽配机加工、通用设备运维都落在这个区间内。
不适合的情况也要说清楚。强反光、高变型件的视觉检测工序,知识图谱能提供的帮助有限,瓶颈在成像而非知识;节拍在毫秒级的高速产线,Agent的推理时延跟不上,只适合做离线分析;工艺知识主要存在于少数老师傅脑中且尚未整理成文的场景,先做知识萃取再谈图谱,顺序不能反;涉及安全联锁和设备控制指令的环节,Agent只做提示不做执行。
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、覆盖国内外市场的这类厂商,在主数据治理和系统集成上有积累,做图谱的实体对齐会顺一些,但这不改变一个基本判断:工业知识图谱加Agent的落地效果,七成取决于知识建模的质量和数据更新的及时性,三成才是模型本身。