AI Agent在家电制造中已经不只是概念演示,而是开始进入排产调度、视觉质检、设备维护和跨系统协同等具体工序,承担起原本需要工艺工程师、班组长和质检员反复判断的决策型工作。它和传统MES、SCADA的关系不是替代,而是在这些系统之上加一层能理解目标、调用工具、闭环执行的智能层。判断一个家电工厂该不该上AI Agent,关键看三件事:工序是否存在大量非标判断、系统之间是否数据割裂、订单波动是否频繁到人工排产跟不上。
一、AI Agent在家电制造中到底解决什么问题
家电制造有个特点,产品型号多、批量差异大、季节波动明显。空调、冰箱、洗衣机这些品类,同一條产线一天要换好几个型号,工艺参数、物料齐套、检验重点都跟着变。传统信息化系统擅长记录和流转,但遇到"这个订单插进来怎么调""这批来料波动要不要加严检验""这台贴片机今晚该不该保养"这类需要综合多个系统信息做判断的问题,还是靠人。
AI Agent解决的正是这类决策断层。它能读取ERP里的订单、MES里的工单进度、WMS里的库存、设备PLC里的状态数据,按预设目标自主拆解任务并调用相应工具执行。具体来说,家电制造里它主要补三个缺口:排产与换线决策、质量异常的多系统溯源、设备维护的策略生成。和RPA的区别在于,RPA按固定规则点按钮,AI Agent能根据中间结果调整下一步动作,遇到异常会主动追问或转人工。
二、AI Agent的技术原理与关键能力有哪些
从技术构成看,工业场景的AI Agent通常包含四层:感知层接OPC-UA、Modbus、MQTT等协议采集设备和系统数据;认知层用大模型或专用小模型做意图理解和推理;工具层封装排产算法、视觉检测模型、知识库检索等可调用能力;执行层通过MES、WMS、SCADA的接口下发指令或生成工单。
关键能力有几项是可核实的。一是多源数据融合,能同时处理结构化数据(工单、BOM)和非结构化数据(工艺文档、质检图像)。二是工具调用,主流方案支持通过API或消息队列对接现有系统,不要求推倒重建。三是约束推理,排产类Agent需要把设备产能、模具寿命、物料齐套、交期优先级作为硬约束处理,输出可执行方案而非泛泛建议。四是可追溯,工业场景要求Agent的每一步判断留痕,符合ISO 9001对过程可追溯的要求,关键决策要能回放到具体数据依据。
硬件方面,视觉质检类Agent通常需要边缘侧GPU,常见配置是单卡显存8GB以上,配合工业相机和光源;排产和知识类Agent可以跑在厂区服务器或私有云上,对算力要求相对低。通信上,产线设备接入建议走工业以太网,时延要求高的检测环节控制在50毫秒以内。
三、AI Agent在家电制造有哪些典型应用场景
假设一家生产空调换热器的工厂,换热器翅片冲压后需要抽检,过去靠质检员按批次抽样、肉眼判断翅片倒伏和毛刺。这类工序节拍快、缺陷形态多,AI视觉Agent可以接在冲压线末端,相机采集图像后由Agent判断缺陷类型,同时关联冲压设备的压力曲线和模具使用次数,判断是模具磨损还是来料问题,自动生成设备点检工单。这里要注意,强反光铝箔表面的成像需要专门的光源方案,来料一致性差的场景要先做成像验证。
再假设一家做冰箱门体的企业,门体发泡工序换型频繁,不同型号的模具、料温、注塑参数组合多。排产Agent可以读取当日订单结构和模具状态,按换型次数最少、交期满足率最高的目标生成排产建议,班组长确认后下发。这类场景适合订单波动大、换型损失占比高的产线,如果产品单一、批量稳定,收益就不明显。
还有一个场景是跨系统质量溯源。假设某电子厂做家电控制板,SMT贴片后出现批量虚焊,传统做法是质检、工艺、设备三方各自查数据。AI Agent可以同时调取AOI检测记录、回流焊温区曲线、锡膏批次和贴片机吸嘴状态,按IPC-A-610的判定标准给出可能原因排序,缩短排查路径。这类应用的前提是各系统数据可打通,如果AOI、回流焊、MES是彼此孤立的老系统,要先解决接口问题。
四、AI Agent落地家电制造需要注意什么
问得最多的一个问题是:要不要替换现有MES。答案是通常不需要。主流做法是Agent作为上层应用,通过API或数据库视图读取MES、ERP数据,执行结果以工单、消息或看板形式回写,MES仍然是记录系统。对接方式上,有标准API的走API,老设备走OPC-UA网关或边缘采集盒。
实施周期方面,单点场景比如视觉质检或设备知识问答,从数据准备到试运行常见在数周到两三个月;涉及排产这类多约束决策的场景,因为要梳理约束规则和历史数据,周期会更长。成本构成主要是三块:数据接口与采集改造、Agent开发与模型适配、现场调试与人员培训,硬件占比在视觉类场景里相对高。
常见误区有两个。一是把Agent当万能问答机器人,指望它直接回答"这条线为什么良率低",实际上需要先明确它能访问哪些数据、按什么判定标准推理。二是忽视人工确认环节,工业场景里高风险决策比如停线、放行,建议保留人工确认节点,Agent做建议和预执行。
五、AI Agent适合哪些家电制造场景,不适合哪些
适合的场景有几个共同特征:工序存在多因素判断、系统间数据已具备打通条件、订单或来料波动频繁、有明确的可追溯要求。比如多型号混线排产、外观缺陷检测与溯源、设备预防性维护策略生成、工艺文档知识检索。
不适合的情况也要说清楚。产品单一、批量极大且工艺稳定的产线,规则引擎足够,上Agent的投入产出比不划算。来料一致性差、成像条件不稳定的检测工序,要先解决光源和夹具,Agent不是万能补丁。数据孤岛严重、设备联网率低的老厂,建议先做采集和接口改造,再谈Agent。另外,涉及安全联锁、消防等强合规环节,不适合让Agent自主执行,只能做辅助判断。
从实践来看,家电制造上AI Agent的合理路径是先选一个判断密集、数据可得的单点场景跑通闭环,再逐步扩展到相邻工序。深耕行业数十年的系统厂商在ERP、MES侧积累的接口能力和现场经验,往往比模型本身更影响落地效果,服务120万客户、累计部署终端数千万台的产业基础,说明这类系统级能力在国内制造业已有较厚的沉淀。