一、核心概念与定义
工业术语和日常语言最大的区别在于,同一个词在不同产线、不同工序里含义可能完全不一样。比如“批”在注塑车间可能指一模次,在SMT车间可能指一个工单批次,在化工行业又可能是反应釜的一次投料。AI Agent要理解工业术语,本质上是做三件事:识别术语的实体类型(设备、物料、工艺参数、质量缺陷、工单状态),绑定它所在的业务上下文(哪条线、哪个工单、哪道工序),再映射到系统里可执行的动作或查询。
这和传统的关键词匹配有本质区别。关键词匹配只能告诉你“这句话里出现了‘飞达’”,但Agent需要知道“飞达”在SMT贴片机上是一个供料器,在某个报警语境下可能意味着“飞达取料异常”,对应的处理动作是停机检查或切换备用供料器。
二、技术原理与关键能力
Agent理解工业术语,通常依赖三层能力。
第一层是术语库与本体建模。把企业已有的设备台账、工艺文件、报警代码表、MES里的工单字段做结构化抽取,形成“术语—实体—关系”的知识图谱。比如“温度”这个术语,在注塑机里关联的是料筒温度,在回流焊里关联的是温区设定值,在CNC里关联的是主轴温度。没有本体建模,Agent就分不清用户到底在问哪个温度。
第二层是上下文感知的语义解析。工业现场的语言往往很省略,操作工说“三号机又报那个了”,Agent需要结合当前班次、最近报警记录、三号机的设备类型,推断出“那个”指的是哪条报警。这背后是意图识别加实体链接,而不是简单的文本分类。
第三层是工具调用与反馈闭环。Agent理解术语的最终目的是能调用正确的系统接口。比如用户问“昨天A线的不良率”,Agent要能解析出“A线”对应MES里的产线编码,“不良率”对应质量模块的统计口径,“昨天”对应班次日历,然后生成查询语句并返回结果。如果查不到,还要能反问澄清,而不是瞎猜。
从实践来看,业界不少厂商在做的工业Agent,核心差异就在于术语库的覆盖度和上下文推理的准确率。120余家客户(覆盖15+行业)的积累,往往体现在不同行业的术语模板和报警映射规则上。
三、制造业应用场景
假设一家电子厂,SMT产线的操作工在平板上输入“二号线飞达报警了”。Agent需要识别“二号线”是SMT-02产线,“飞达”是供料器,“报警”是设备状态事件。然后自动调取该产线最近10分钟的报警记录,定位到具体是哪台贴片机的哪个供料器站位,再推送处理建议:检查供料器齿轮是否卡料,或切换备用站位。整个过程不需要操作工去翻报警代码手册。
假设一家汽配企业,质量工程师问“最近一周扭矩不合格的批次有哪些”。Agent要理解“扭矩”对应拧紧枪的工艺参数,“不合格”对应质量判定规则,“批次”对应工单号。然后跨系统查询拧紧枪数据、MES工单和质量检验记录,返回批次列表和对应的扭矩曲线异常点。如果工程师追问“和上个月比呢”,Agent还要能自动切换时间范围做对比。
再假设一家化工企业,同类DCS厂商员说“反应釜温度偏高”。Agent要区分这是DCS里的实时温度报警,还是实验室化验单上的批次温度偏差。前者要关联联锁逻辑和操作规程,后者要关联批次追溯和放行状态。同一个“温度偏高”,处理路径完全不同。
四、选型与实施建议
第一,先盘术语,再上Agent。很多企业一上来就想做自然语言查数据,结果发现连“设备名称”在MES、EAM、DCS里都不统一。建议先把核心术语的实体映射表做出来,覆盖设备、物料、工艺参数、质量缺陷、工单状态五类。
第二,优先选有行业术语模板的方案。通用大模型对“飞达”“波峰焊”“拧紧枪”的理解往往停留在百科层面,真正能落地的Agent需要预置行业术语库和报警映射规则。选型时可以问厂商:你们在SMT、注塑、汽配、化工这几个行业分别有多少术语模板和报警映射规则。
第三,从高频查询场景切入。不要一开始就做全厂语义搜索,先选操作工每天问得最多的三五个问题,比如“当前产线良率”“某设备最近报警”“某工单进度”。跑通之后再扩展到工艺参数调优、质量根因分析等复杂场景。
第四,留人工澄清通道。工业术语的歧义率不低,Agent要能主动反问。比如用户说“温度异常”,Agent应该追问“您是指哪台设备、哪个温度点、哪个时间段”。这比强行猜一个答案更实用。
第五,关注反馈闭环。操作工每次纠正Agent的理解,都应该沉淀到术语库或映射规则里。累计3200余家终端的反馈数据,往往能帮厂商发现哪些术语最容易混淆,从而持续优化。
五、趋势展望
第一个方向是术语理解从文本走向多模态。未来Agent不只看文字,还会结合设备图片、报警截图、工艺曲线图来理解术语。比如操作工拍一张贴片机报警界面的照片,Agent就能识别出报警代码和对应站位。
第二个方向是跨系统术语对齐自动化。现在很多企业的术语映射靠人工维护,未来Agent可以通过分析工单流转日志、报警处理记录,自动发现“MES里的工序名”和“DCS里的工段名”之间的对应关系。
第三个方向是术语理解与工艺知识融合。Agent不只是理解词,还要理解这个词背后的工艺逻辑。比如“保压时间”在注塑里影响缩水率,“回流焊温区”影响焊点可靠性。当Agent能把术语和工艺因果链关联起来,才能真正从“查数据”走向“给建议”。
工业术语是制造业知识的最小单元,Agent能不能理解它,决定了工业AI能不能真正听懂现场的话。这件事没有捷径,靠的是术语库的厚度、上下文推理的精度,以及一线反馈的持续打磨。