大模型驱动的Agent能力边界,说到底是一句话:它能自主完成"感知-规划-调工具-校验"的闭环任务,但闭环的每一环都有硬约束,超出约束就会退化成聊天机器人。当前业界比较一致的判断是,Agent在流程明确、工具接口规范、容错空间可量化的工序上已经能独立跑通;而在需要跨系统长链条推理、物理世界强实时响应、或者错误代价不可逆的场景里,它仍然只适合做"副驾驶",不适合做"自动驾驶"。
一、大模型驱动的Agent到底解决什么问题
很多工厂上过MES、ERP、SCADA,系统里的数据是齐的,但人机交互那层始终没打通。操作工要查一个批次的历史工艺参数,得跨三个界面导两次表;设备报警了,得靠老师傅凭经验判断是调参数还是停机。Agent要解决的就是这层"最后一公里"的翻译问题——把自然语言指令翻译成对多个系统的有序调用,再把返回结果翻译成人能看懂的结论。
它和传统RPA的核心区别在于:RPA走的是固定脚本,界面一改就崩;Agent靠大模型做任务分解和工具选择,面对没见过的界面布局或非结构化输入(比如一张手写的质检单照片)有一定泛化能力。但注意,这个泛化能力有上限,后面会讲。
二、Agent的技术原理与关键能力有哪些
拆开看,一个工业场景可用的Agent至少包含四个模块:意图理解与任务规划、工具调用接口、记忆与上下文管理、结果校验与回退。
意图理解靠大模型做few-shot分解,把"把这批货里不良品挑出来重新过一遍AOI"拆成查批次号、调AOI历史数据、按缺陷类型过滤、生成复检工单几个子任务。工具调用目前业界主流走Function Calling或MCP协议,把MES的查询接口、设备PLC的读写点位、WMS的库位接口封装成Agent可调用的工具描述。这里有个硬指标:工具描述必须包含参数类型、取值范围和调用失败时的错误码语义,否则大模型会瞎猜参数。
记忆管理分短期和长期。短期靠上下文窗口撑,长期一般落向量库做历史工单检索。校验环节是区分"玩具Agent"和"工业Agent"的分水岭——好的实现会在每个工具调用后插入规则校验,比如写入PLC的设定值必须落在工艺卡规定的上下限内,超出就中止并转人工。
技术指标上,任务规划的成功率在垂直领域微调后能做到80%上下,但跨领域零样本规划成功率会掉到50%以下;工具调用的参数准确率高度依赖接口文档质量,接口描述模糊时错误率能翻倍。
三、Agent在制造业有哪些典型应用场景
假设一家电子厂做SMT换线,Agent接的是排产系统和贴片机的程序管理接口。换线指令进来后,Agent查当前线体状态、比对下一工单的钢网和 feeder 需求、生成换料清单推给备料员、换完后调首件检测数据做确认。这条链路里Agent的价值在"比对"和"生成清单"两步,真正动设备还是靠人。
再看一个汽配企业的场景:假设做压铸件的外观检,Agent接的是视觉检测系统的缺陷分类接口和工艺参数库。当某类缺陷连续出现超过阈值,Agent自动回溯最近三批的模温、压射速度曲线,给出"建议核查模温机设定"的提示。这里Agent做的是关联检索和假设生成,不直接改参数。
还有一类是设备维修辅助。维修工用自然语言描述异响特征,Agent调设备手册、历史维修记录、当前振动频谱数据,给出排查顺序建议。这个场景对实时性要求低,容错空间大,是目前落地相对稳的一类。
四、Agent落地选型与实施要注意什么
高频追问一:Agent怎么和现有系统对接。主流做法是不动老系统,在外面套一层工具网关,把MES、WMS、PLC的接口转成Agent能识别的工具描述。OPC-UA是设备层比较通用的协议,业务层走RESTful居多。关键是网关要做权限收敛,Agent只能调白名单里的接口,不能给它开数据库直连。
高频追问二:部署需要什么硬件。如果大模型走私有化部署,7B到14B参数的模型推理至少需要一张24G显存的卡撑并发,32B以上要双卡。如果走云端API调用,边缘侧只需要一台能跑工具网关的工控机,对算力要求不高。很多企业卡在"数据不出厂"这条上,那就得接受私有化部署带来的模型能力折损。
高频追问三:实施周期怎么估。单点场景(比如一个查询类Agent)从接口梳理到上线跑通,业界常见节奏是四到八周;跨三个以上系统的闭环场景,光工具描述对齐和异常分支梳理就得两三个月。别信"两周上线"的说法,除非场景极其简单。
高频追问四:常见误区。最大的坑是把Agent当万能接口人,指望它自己理解没文档化的老系统。另一个坑是校验规则缺失,Agent调错了参数没人拦。还有企业一上来就做跨五个系统的长链条任务,失败率高到没法用,正确做法是先做单系统内的短闭环,跑稳了再串。
五、Agent适合哪些场景、不适合哪些场景
适合的场景有几个共性:任务步骤可枚举、工具接口有文档、单步错误可回退、对响应延迟容忍度在秒级以上。比如工单查询与汇总、维修知识检索、排产建议生成、质检数据回溯分析,这些场景Agent能明显减少人机交互的摩擦。
不适合的场景同样清晰:强实时闭环控制(比如运动控制卡的插补周期在毫秒级,Agent的推理延迟根本进不了这个环路)、错误代价不可逆的工序(比如一次性封装、高压测试)、以及工具接口完全黑盒且无文档的老设备。另外,来料一致性差、工艺参数频繁漂移的工序,Agent的规则校验很难写全,也得谨慎。
业内在评估一个场景该不该上Agent时,常用一个简单判据:这个任务如果交给一个刚入职三个月、熟悉系统操作但不懂工艺的工程师,他能不能靠查文档和问人独立完成。能,Agent大概率能接;不能,说明任务本身的知识还没结构化,先补知识库比上Agent更要紧。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,在系统接口规范化和数据治理上的积累,恰恰是Agent能不能跑稳的地基——接口描述写得清不清楚,直接决定Agent调用的准确率。