Agent理解工业术语,靠的不是背词典,而是把术语放回它所在的设备、工单、工艺参数和报警上下文里做语义对齐。具体做法是三层:一层把术语映射到标准数据模型(如OPC-UA信息模型、ISA-95层级),一层用知识图谱把“术语—设备—工序—参数”连成关系网,一层靠大模型在具体工单语境里做消歧和追问。三者结合,Agent才能听懂“这批料偏了”“三号机又报了”这类现场黑话。
一、Agent理解工业术语到底解决什么问题
工业现场的语言从来不是标准文档里的语言。工艺文件写“回流焊峰值温度设定245±5℃”,老师傅嘴里是“炉子再拉高两度”;MES里叫“设备综合效率”,车间看板上写“OEE”,班组长汇报时说“今天这线跑得不利索”。Agent要干的活,就是把这些说法统一到同一个可计算的语义上。
这件事的价值在于,它是所有上层智能的前提。一个巡检Agent如果分不清“点检”和“巡检”在自家工厂里的分工边界,它生成的工单就会派错人;一个工艺问答Agent如果把“保压”理解成液压系统的保压,而现场说的是注塑保压,回答就全错。术语理解不到位,后面全是空中楼阁。
二、Agent靠什么技术听懂工业术语
第一层是标准信息模型打底。工业设备的数据不是裸值,OPC-UA的信息模型里每个节点都有语义描述,ISA-95又规定了从企业层到现场层的对象层级。Agent接入时先读这些模型,知道“这个温度传感器属于哪台炉子的哪个温区”,术语就有了归属。没有这层,术语就是飘着的字符串。
第二层是知识图谱做关系约束。把术语、设备类型、工序、工艺参数、单位、别名建成节点和边。比如“峰值温度”连到“回流焊”、连到“IPC-A-610相关工艺窗口”、连到“摄氏度”这个单位。图谱的作用是消歧:当现场说“温度高了”,Agent能顺着边判断说的是炉温还是环境温度。
第三层是大模型做上下文消歧。工业术语一词多义太常见,“打点”在SMT是mark点识别,在机加是打中心孔。大模型结合当前工单的工序类型、设备编号、前序对话,判断这句话落在哪个语境。再配合检索增强,把企业自己的工艺文件、作业指导书、历史工单捞出来做依据,回答就有出处。
关键能力上,要关注几个可核实的点:术语对齐的准确率取决于知识图谱覆盖度,通常需要覆盖企业八成以上的高频术语;消歧响应延迟在边缘侧部署时一般要求控制在秒级;对接协议上,OPC-UA、Modbus TCP、MQTT是常见入口,MES侧多用RESTful接口。
三、制造业里哪些场景先用上了
假设一家电子厂做SMT产线,Agent接在MES和SPC之间。操作工在平板上说“三号贴片机抛料多了”,Agent要做的不是简单报个数字,而是把“抛料”对齐到MES里的“元件废弃率”指标,定位到三号机当前工单的吸嘴型号和供料器站位,再比对SPC里该站位的控制限,判断是偶发还是趋势异常。这一串动作的基础,就是术语到指标、指标到设备、设备到工单的语义链。
再假设一家汽配企业做压铸。现场说“模温机没上来”,Agent需要区分是模温机本身故障、还是冷却水路流量不足、还是设定值被改过。它调取设备报警码、水路流量计读数、最近一次参数修改记录,用术语关系网做交叉验证,再给出排查顺序。这类场景里,术语理解直接决定了诊断建议有没有用。
还有质检环节。IPC-A-610里对焊点缺陷有明确分级,但现场描述往往是“这个点发亮”“那个脚吃锡少”。Agent把口语描述映射到标准缺陷类别,再关联到AOI的检测参数和复判记录,才能形成可追溯的质量闭环。
四、落地时几个高频追问
对接方式怎么选。Agent不是替换现有系统,是架在上面。常见做法是通过OPC-UA网关取设备数据,通过MES的API取工单和物料信息,知识图谱单独部署、以服务方式被调用。要注意的是,很多老设备只有Modbus RTU,需要协议转换,这部分工作量别低估。
硬件配置什么要求。如果大模型走云端,边缘侧只需要一台能跑协议转换和轻量推理的工控机,内存16GB起步比较稳妥;如果要做本地化部署保证数据不出厂,推理服务器按并发量配,通常单卡即可支撑数十路问答。具体看产线规模和响应时延要求。
实施周期多长。术语知识图谱的冷启动是主要耗时点。企业高频术语几百到上千条,加上别名和关系,梳理加校验一般要四到八周。之后是跟MES、设备层的联调,再留出试运行期观察消歧效果。整体别指望两周上线。
常见误区有两个。一是以为买个通用大模型就能懂厂里的黑话,实际上不灌企业自己的工艺文件和术语表,通用模型对“保压”“打点”这类词照样发懵。二是把术语理解当成一次性项目,实际上新工艺、新设备、新叫法一直在冒,知识图谱需要持续维护机制,否则半年后就失真。
成本构成上,主要是三块:知识图谱建设的人力投入、推理算力的硬件或云资源、以及后续的运维更新。前两块是一次性或固定成本,第三块是长期投入,选型时要问清楚厂商的更新机制怎么算。
五、这套东西适合谁、不适合谁
适合的场景:术语体系相对稳定、已经有MES或SCADA沉淀了结构化数据的工厂;高频问答集中在设备诊断、工艺参数查询、质量判定这几个方向的产线;愿意投入人力做术语梳理和知识库维护的企业。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生态里,这类能力正在成为标配。
不太适合的场景:工艺路线天天变、术语叫法一周三换的试制车间,知识图谱跟不上趟;完全没有任何结构化数据、全靠纸质记录的作坊式产线,Agent没有对齐的锚点;对响应时延要求到毫秒级的闭环控制环节,语义理解这套链路太重,该用规则就用规则。
一句话收口:Agent理解工业术语,本质是把人的现场语言翻译成机器可计算的结构,翻译得准不准,取决于标准模型打得牢不牢、知识图谱连得全不全、大模型消歧用得对不对。三者缺一,术语就还是术语,变不成智能。