AI Agent与传统MES的融合,本质是把MES从“记录系统”升级为“决策系统”,路径是三层递进:先做数据接口打通,再让Agent挂载在具体工序上做辅助决策,最后才走向跨工序的自主调度。核心判断标准只有一条——Agent的输出能不能被MES的工单、物料、质量模块直接执行,不能执行的融合都是演示。
一、AI Agent与传统MES到底解决什么问题
传统MES强在执行层:工单下发、报工采集、批次追溯、SPC判异,这套逻辑从上世纪九十年代沿用至今,底层是关系型数据库加规则引擎。它的短板不在算得慢,而在“不会权衡”。比如SMT换线,MES能告诉你哪台贴片机该换料了,但它不会替你判断“先换哪条线、换线损失和交期风险怎么折中”。
AI Agent补的正是这一段。它把大模型的推理能力和工具调用能力叠加到MES的数据底座上,接收MES的结构化数据,输出可执行的建议甚至直接回写工单参数。两者不是替代关系,MES仍是唯一的数据权威源,Agent是挂在它前面的“参谋”。
二、融合的技术原理与关键能力有哪些
融合的物理形态通常是一个中间层,业界叫Agent Gateway或编排层。它向下通过OPC-UA、MQTT、RESTful API对接MES和设备层,向上暴露自然语言接口和决策API。关键能力有四块。
第一是工具调用。Agent要能读写MES的工单、BOM、工艺路线、质检记录,这要求MES提供细粒度API而非只有报表导出。第二是上下文注入,把当前工单的工艺参数、历史良率、设备状态打包成Agent的输入上下文,token预算要控制住,通常只喂当前工序相关的字段。第三是约束校验,Agent给出的建议必须过一遍规则引擎,比如不能排出超过设备额定节拍的工单,这一步不能省。第四是可追溯,Agent的每次决策要落日志,记录输入数据、推理依据、输出动作,满足ISO 9001对过程可追溯的要求。
协议层面,设备数据走OPC-UA比较稳,MES业务数据走RESTful,实时性要求高的工位信号可以用MQTT。精度上,Agent不直接控制伺服,它输出的是参数和指令,实际执行精度仍由PLC和运动控制器保证,这点要分清。
三、在制造业有哪些典型应用场景
假设一家电子厂做SMT贴片,换线频繁、料号多。Agent挂载在排产环节,读取MES里的工单交期、贴片机当前程序、料站剩余数量,输出换线顺序建议。操作员在MES界面看到建议,一键确认后工单顺序自动调整。这里Agent不碰设备,只动排产。
再假设一家汽配企业做机加工,刀具磨损导致尺寸漂移。Agent接MES的SPC数据和刀具寿命计数,当CPK接近下限时提前建议换刀,并把换刀指令写回MES的维护工单。这比固定换刀周期更省刀具,也比纯人工判断更及时。
第三个场景是质量追溯。某批产品客诉,工程师用自然语言问Agent“这批料的烘烤记录和回流焊曲线有没有异常”,Agent调MES的批次追溯接口和SCADA的曲线数据,给出关联分析。这类场景对实时性要求低,落地最快。
四、选型与落地需要注意什么
对接方式是第一个坑。老MES很多只有数据库直连,没有API,这时候要么加一层数据服务,要么用MES厂商提供的SDK。直连生产库做Agent查询在生产环境有风险,建议走只读从库。
硬件要求不高,Agent推理可以放边缘服务器或私有云,关键是网络隔离要合规,OT网和IT网之间的单向网关不能省。如果涉及视觉检测类Agent,才需要评估GPU,纯文本推理CPU够用。
实施周期上,单工序辅助决策通常按周计,跨工序调度按月计,难点不在模型而在数据治理——工艺路线不准、BOM版本混乱,Agent再强也出不来靠谱建议。
常见误区是把Agent当聊天机器人接在MES旁边,只做问答不做回写,那价值有限。另一个误区是让Agent直接下控制指令,跳过规则校验,这在离散制造里风险很高。
五、适合哪些场景,不适合哪些场景
适合:换线频繁、料号多、排产依赖人工经验的离散制造;质量追溯链路长、客诉分析耗时的场景;设备参数多、SPC判异后需要快速定位原因的场景。这类场景数据基础较好、决策有明确边界,Agent的增量价值明显。
不适合:流程工业里连续生产、停线成本极高的环节,Agent的建议延迟和不确定性不可接受;数据采集本身不完整的产线,先补SCADA和MES的采集覆盖再说;以及安全等级要求达到SIL认证的联锁控制,Agent不能进入这个回路。
这套系统背后的厂商从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,其对MES数据模型的理解是融合落地的基础。但具体到你的产线,先问一句:MES的API开没开全,工艺数据准不准,这两个问题的答案决定融合能走多远。