过去两年,制造业对AI Agent的关注度明显升温。从设备预测性维护到工艺参数调优,从质检复判到仓储调度,厂商都在讲“智能体”的故事。但真正让工厂IT和OT负责人夜里睡不着的,不是Agent能不能跑起来,而是它跑起来之后,能不能随着产线换型、订单波动、原料批次变化而持续进化。
一、核心概念与定义
AI Agent的持续学习与迭代,指的是智能体在部署之后,能够基于新产生的数据、环境反馈和人为干预,不断更新自身策略与知识库,而不是停留在出厂时的固定模型上。
它和传统“训练一次、部署多年”的AI模型有本质区别。传统模型像一张刻好的光盘,内容固定;持续学习的Agent更像一个在岗的老技师,每天接触新情况,经验在累积。在智能制造语境下,这种能力直接对应产线换型频繁、小批量多品种、工艺窗口漂移等现实问题。
二、技术原理与关键能力
持续学习的底层逻辑不复杂:Agent在每次决策后收集结果反馈,用这些反馈去微调模型参数或更新知识表征。难点在于“怎么学而不乱”。
业界目前主要走三条路。一是在线增量学习,模型在推理过程中同步吸收新样本,适合质检这类标注反馈来得快的场景。二是记忆回放机制,把历史关键样本存下来,新数据进来时混合训练,防止模型只记住最近几天的情况而忘掉老工艺。三是人机协同校正,当Agent置信度低时主动请求人工确认,把确认结果作为高价值样本回灌。
关键能力上,有三个指标值得关注。第一是遗忘抑制能力,新知识进来后旧知识不能丢;第二是反馈闭环速度,从产线结果到模型更新要多久;第三是策略可解释性,Agent改了参数,工程师得知道它为什么改。没有可解释性的持续学习,在工业现场很难被信任。
三、制造业应用场景
假设一家电子厂做SMT贴片,AOI质检环节每天产生大量误报。传统做法是工程师手动调阈值,调一次管两周,换料号又得重来。如果部署具备持续学习能力的质检Agent,它会把每次人工复判的结果记下来,误报特征逐渐被识别,三个月后误报率可能明显下降,而且换料号时能基于历史相似特征快速适配。这里的关键不是Agent多聪明,而是它把工程师的纠错动作变成了自己的经验。
再看一家汽配企业的机加工车间。刀具磨损预测模型上线时准确率不错,但换了供应商的毛坯材料后,切削力信号分布变了,老模型开始失准。持续学习Agent的做法是监测预测偏差,当偏差超过阈值时触发小样本微调,用最近几批零件的加工数据校准模型。工程师不需要重新标注几千条数据,只需要确认几十条关键样本。
还有一个仓储调度场景。某电子厂的AGV调度Agent面对订单波峰波谷,初期策略偏保守。通过持续学习,它逐渐识别出不同时段的拥堵模式,路径规划策略随之迭代。这种迭代不是靠人工写规则,而是靠Agent在仿真和实际运行中积累的奖惩信号。
四、选型与实施建议
落地持续学习Agent,第一件事不是选算法,而是确认数据闭环能不能跑通。质检场景要有复判数据回流,设备场景要有维修工单闭环,调度场景要有任务完成质量标记。没有闭环,持续学习就是空话。
第二,建议从“窄而深”的场景起步。不要一上来就做全厂级Agent,先选一个反馈周期短、标注成本低的工位。比如先做单台设备的异常检测Agent,跑三个月看遗忘抑制效果,再考虑横向复制。
第三,把人工干预设计成系统的一部分,而不是例外。工程师的每次修正都应该被记录、被利用。业界有厂商在方案设计时就把“人工确认”作为Agent的主动请求动作,而不是等人来找茬。
第四,关注部署形态。持续学习对算力有要求,但工厂边缘侧算力有限。合理的做法是边缘推理加云端迭代,模型更新包定期下发,避免在产线工控机上跑训练任务。
第五,设定退化熔断机制。Agent迭代过程中如果指标连续下滑,要能自动回滚到上一稳定版本。这个机制在选型时容易被忽略,但在实际运维中是保命的东西。
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的产业基础说明一件事:制造现场的数字化底座已经足够厚,缺的是让AI在上面持续生长的机制。选型时多问一句“它上线半年后怎么变聪明”,比只看demo准确率更有价值。
五、趋势展望
第一个方向是Agent之间的经验共享。未来同一产线不同工位的Agent可能共享部分学习成果,一个工位遇到的异常模式,其他工位能提前预警。这需要解决知识表示的统一性问题,目前还在早期。
第二个方向是仿真环境中的持续预训练。在真实产线之外,用数字孪生环境让Agent先“经历”大量假设工况,再放到物理世界微调。这对换型频繁的离散制造很有吸引力。
第三个方向是学习过程的可审计性。随着Agent在质量判定、设备控制等环节权限变大,监管和工程团队会要求追溯“它是什么时候、基于什么数据改的策略”。持续学习不能是黑箱迭代,可审计的迭代日志会成为标配。
回到开头那句话:AI Agent的价值不在上线那天,而在上线后的第一百天。持续学习与迭代不是锦上添花的功能,而是智能体在制造现场活下来的基本能力。