Agent理解工业术语,靠的不是让大模型背词典,而是把术语放进“设备模型+工艺上下文+企业词表”三层结构里做对齐。简单说,它先识别这句话出现在哪道工序、涉及哪台设备、前后参数是什么,再结合企业自己的叫法去匹配标准术语。这样一来,“二工位那个打胶的”和“点胶工序B轴涂覆”在系统里能被认成同一件事。
一、Agent理解工业术语到底解决什么问题
工厂里的术语从来不是一套。同一道工序,工艺文件写“表面贴装”,车间叫“上贴片”,设备报警里又是“SMT段异常”;同一种缺陷,品质部记“虚焊”,产线师傅说“没吃上锡”。人靠经验能翻译,传统软件靠死规则匹配,换个叫法就失灵。
Agent要解决的就是这层“翻译”问题。它不只是做同义词替换,而是把术语和它背后的对象、动作、参数绑定起来。比如“拉丝”在注塑语境下是表面缺陷,在金属加工里是工艺动作,Agent得先判断语境再给解释。这个能力直接决定了后面能不能做故障归因、工单生成、知识问答这些事。
二、Agent靠什么技术把术语对上号
核心是三层对齐机制,缺一层都容易出错。
第一层是实体识别与设备模型绑定。Agent先从语句里抽出设备编号、工序名、参数名,再和MES、SCADA里的设备台账做映射。业界常用OPC-UA做设备语义建模,把一台贴片机的轴、传感器、报警码结构化,术语才有挂靠点。
第二层是上下文消歧。同一个词在不同工序含义不同,Agent会看前后文里的工艺段、物料类型、时间窗口。比如“保压”在注塑是合模后的一道动作,在装配线可能是压装工序,靠上下文才能定。
第三层是企业词表与标准术语的映射。企业往往有自己的俗称库,Agent用向量检索加规则约束把俗称挂到标准词上,同时保留人工确认入口。这里不追求一次全对,而是让系统在追问中收敛。
技术参数上,术语识别通常要求实体抽取准确率在产线可接受范围内,响应延迟控制在秒级,才能跟上工单和报警的节奏。具体指标要看场景,离线知识库问答可以宽松些,在线报警归因就得紧。
三、制造业里哪些场景先用得上
假设一家电子厂做SMT产线,设备报警弹出一句“3号机吸嘴取料异常”,Agent要能拆出设备是贴片机、部件是吸嘴、动作是取料、异常类型是吸取失败,再关联到IPC-A-610里对应的贴装质量条款,给出排查建议。这是术语理解直接变成运维动作的例子。
再假设一家汽配企业做机加工,工艺卡写“精车外圆”,老师傅在群里说“光一刀”,Agent得把这两个说法对到同一道工序上,才能把质量异常记录归到正确的工序节点。归错了,后面的SPC分析全是噪音。
还有一类是知识问答。新员工问“这个报警码啥意思”,Agent要能结合设备型号和企业历史维修记录给出解释,而不是甩一段通用手册。术语理解不到位,答出来的东西就没法用。
四、落地时几个高频追问
对接方式怎么选。常见做法是通过OPC-UA或MQTT接设备数据,通过API接MES和ERP的工单与物料信息,术语词表单独做服务。不建议让Agent直接读原始数据库,权限和稳定性都不好控。
硬件要求高不高。术语理解本身对算力要求不算极端,中小产线用边缘侧推理就能跑;如果要做多模态(看图识别缺陷再对术语),才需要额外评估GPU配置。多数场景先跑通文本链路更划算。
实施周期大概多久。术语对齐是个迭代活,第一版词表加规则通常几周能出可用版本,但要在产线跑稳,得跟着实际语料持续调。别指望一次上线就全覆盖。
常见误区有两个。一是把术语理解当成纯大模型任务,不给设备模型和上下文,结果模型答得挺顺但不对;二是词表只做一次不维护,新设备新工艺进来就失效。实际上词表得有更新机制。
成本构成大致分三块:数据接入与建模、词表建设与调优、推理资源。前两块是主要投入,推理资源看并发量。
五、适合与不适合的边界
适合的场景:设备类型相对固定、术语体系有文档基础、工序节拍稳定的产线,比如电子组装、机加工、注塑这类。有历史维修记录和工艺文件的企业,词表建设起点更好。
不太适合的场景:工艺频繁变更、同一词条含义随项目大幅漂移的柔性产线,术语对齐的维护成本会很高;来料一致性差、缺陷形态多变的工序,纯文本术语理解不够,得配合视觉检测一起评估。强反光、高变型件的场景,术语和缺陷的对应关系本身就不稳定,需要额外验证。
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,在设备模型和词表积累上通常有底子,选型时可以重点看它有没有可维护的企业词表机制,而不是只看模型参数。