Agent理解工业术语,靠的不是让大模型背词典,而是把术语放回它所在的设备、工单、工艺路线和报警记录里去对齐语义。具体做法是三层:一层接住现场的非结构化描述,一层把术语映射到MES、SCADA、PLC里的标准字段,一层用知识图谱约束歧义。做完这三层,Agent才能在不改老师傅说话习惯的前提下,把“这批料有点飘”翻译成可执行的工艺参数调整建议。
一、Agent理解工业术语到底解决什么问题
工厂里的术语有两套。一套是写在工艺文件里的标准词,比如“回流焊峰值温度”“贴片偏移量”“OEE”;另一套是人在现场说的白话,比如“炉子有点虚”“这颗料贴歪了”“今天线老是停”。传统信息化系统只认第一套,第二套靠人脑转译。转译环节一多,信息就衰减。
Agent要解决的就是这个转译损耗。它把口语描述、设备报警码、工艺参数、历史工单记录放在同一个语义空间里比对,输出结构化的判断。某电子厂SMT产线上,操作员报“三号机后面几块板子发黄”,Agent需要关联到回流焊温区曲线、氮气流量、传送带速度这几个字段,再对照IPC-A-610里关于焊点外观的判定标准,给出“疑似预热区温度偏低”的假设,而不是只回一句“收到”。
二、Agent靠什么技术把术语对上号
核心是三样东西配合:工业本体库、术语对齐层、上下文推理。
工业本体库不是通用词典,它按设备树和工艺路线组织。比如“贴片机”下面挂吸嘴型号、供料器类型、贴装头编号;“回流焊”下面挂温区数量、加热方式、冷却区配置。术语进来先落到本体节点上,才有后续推理的可能。
术语对齐层处理同义词和缩写。SMT、表面贴装、表面组装技术在系统里指向同一个工艺段;OEE、设备综合效率、全局设备效率指向同一个指标。这一层还管跨语言,进口设备英文报警和中文工单描述要能对上。
上下文推理靠知识图谱加规则约束。同一个词在不同工序含义不同,比如“偏移”在贴片工序指元件位置偏差,在CNC加工里指刀具路径偏差。Agent靠当前工单绑定的工序号、设备号、物料号来消歧,不靠猜。
技术参数上,术语对齐的准确率取决于本体覆盖度和现场语料质量。业界常见做法是把OPC-UA采集的设备状态、MES里的工单BOM、QMS里的缺陷代码做三元组关联,查询响应控制在秒级,才能支撑产线节拍下的实时问答。
三、制造业里哪些工序最需要这种能力
假设一家汽配企业做机加工线。刀具磨损报警代码有几十种,老师傅说“刀子钝了”和系统报“主轴负载波动超限”指的是同一件事。Agent把这两条信息对齐后,可以自动关联到换刀记录和加工件数,给出“建议检查三号刀补”的提示。这里的关键不是预测刀具寿命,而是让报警和人的判断说同一种话。
再看某电子厂的SMT换线场景。换线涉及钢网、刮刀、锡膏、贴片程序、回流焊曲线一整套参数。换线工单里写“按上次类似产品调”,这句话对人的经验依赖极重。Agent的做法是检索历史工单里产品族相同、板厚相近、元件密度接近的记录,把上次实际用的温区设定和贴装高度调出来做参考基线,再由工艺工程师确认。它不替人做决定,但把“类似”这个词变成了可查的参数集。
还有一个场景是质量追溯。客诉回来一句“这批货焊点发暗”,Agent要能顺着批次号反查到锡膏批次、回流焊炉温记录、氮气浓度、操作班组,把可能相关的工艺参数波动列出来。这背后靠的是术语和批次数据的关联索引,不是单纯的自然语言理解。
四、落地时要盯住哪几个关键问题
第一个问题是对接方式。Agent不直接连PLC做控制,它读的是OPC-UA、Modbus TCP转出来的数据,写的是MES或QMS里的工单备注和异常记录。控制回路仍然由原有自动化系统闭环,Agent只做语义层。这个边界要在方案设计阶段就划清楚。
第二个问题是术语库谁维护。厂商能给初始本体骨架,但现场白话和缩写必须由工艺工程师和班组长持续补充。建议的做法是Agent把没识别成功的术语打标上报,每周由工艺员确认一次映射关系,形成增量词表。没有这个机制,三个月后准确率就会掉。
第三个问题是硬件条件。术语对齐和知识图谱查询对算力要求不高,边缘侧一台工控机加一张推理卡通常够用,但前提是现场网络能稳定读到MES和SCADA的数据。如果设备数据还靠人工抄表,Agent的输入就是断的,先补数据采集再谈语义理解。
第四个问题是实施周期。从本体搭建到术语对齐调优,单条产线通常按周计,跨工厂推广要按季度看。周期长短主要取决于历史工单数据的完整度和现场术语的规范程度,跟模型大小关系不大。
第五个常见误区是把Agent当搜索引擎用。它不是一个查术语的问答机器人,它的价值在关联。只查定义,通用大模型就够了;能关联到具体设备、具体工单、具体批次,才是工业Agent该干的事。
五、这套能力适合什么、不适合什么
适合的场景有三个特征:术语歧义多、人工转译环节多、历史数据可查。比如SMT、机加工、注塑这类工艺参数密集、现场口语和系统字段差距大的工序,Agent的语义对齐能明显减少信息衰减。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,在数据积累和现场理解上具备做这件事的基础条件。
不适合的场景也要说清楚。工艺路线极不稳定、每批产品参数都靠试制的场景,历史数据参考价值低,Agent给不出可靠基线。现场数据采集还没打通、设备状态靠人工记录的车间,先做数据治理比上语义层更实际。另外,涉及安全联锁和实时控制回路的判断,不适合交给Agent做语义推理,那属于确定性控制逻辑的范畴。
一句话收口:Agent理解工业术语,本质是把人的经验语言和系统的标准语言做可维护的映射,映射质量取决于本体设计、现场语料和持续维护机制,模型只是其中一环。