AI Agent的核心架构,业界目前比较一致的看法是四层:感知与输入层、认知与决策层、行动与执行层,外加贯穿全局的记忆与知识层。这四层加上工具调用和编排调度,构成了一个能自主完成任务的智能体系统。过去两年大模型能力快速外溢,Agent从演示视频走进工厂车间,制造业对它的关注度明显升温,大家关心的不再是对不对得上话,而是能不能把一件事从头到尾干完。
一、核心概念与定义
AI Agent智能体,指的是能感知环境、自主规划、调用工具、执行动作并根据反馈调整策略的软件实体。它和传统软件的区别在于:传统软件按固定规则运行,Agent按目标运行。你告诉它“把这批工单的排产顺序优化一下”,它会自己去查设备状态、读工艺约束、调排产算法、生成结果并校验,中间不需要人一步步点。
和聊天机器人的区别也要说清楚。聊天机器人是问答模式,一问一答;Agent是任务模式,给定目标后自己拆解步骤。制造业里常见的“设备报警问答助手”属于前者,而“根据报警自动调取维修手册、生成工单、通知责任人并跟踪闭环”才够得上Agent的范畴。
二、技术原理与关键能力
拆开看,几个能力决定了Agent好不好用。
感知与输入层负责把外部信息接进来。在工业场景里,这包括设备PLC数据、MES工单、质检图像、仓储扫码记录,也包括自然语言指令。多模态接入能力是关键,工厂的数据从来不是单一格式。
认知与决策层是大脑,通常由大模型承担推理和规划。核心动作是任务分解:把“降低这条线的不良率”拆成查历史数据、定位异常工序、比对工艺参数、给出调整建议几个子任务。规划能力强的Agent能处理分支和异常,比如某台设备数据取不到时自动换数据源。
记忆与知识层分短期和长期。短期记忆保存当前任务的上下文,长期记忆沉淀企业工艺知识、历史工单、维修记录。制造业特别看重这一层,因为工艺参数和故障处理经验往往散落在老师傅脑子里,Agent要把它们结构化存下来才能复用。
行动与执行层负责落地,核心是工具调用。Agent通过API或接口去操作MES、ERP、WMS、SCADA,或者调用排产算法、视觉检测模型。能不能安全地调工具、调完能不能校验结果,直接决定它能不能进生产环境。
编排调度层管多Agent协作。复杂任务往往需要几个Agent分工,比如一个管数据采集、一个管分析、一个管生成工单,编排层负责分派和汇总。这一层目前业界做法差异较大,有中心化调度,也有基于消息的协作机制。
三、制造业应用场景
假设一家电子厂,SMT产线换线频繁。传统做法是工艺工程师手动查料表、核对贴片程序、确认feeder站位,一次换线准备要花不少时间。用Agent的思路是:换线指令下达后,Agent自动读取工单和BOM,比对当前产线配置,列出需要更换的物料和站位,调取对应贴片程序,生成换线检查清单推给线长。换线完成后Agent再核对首件检测数据,异常时自动触发复检流程。这里Agent承担的是跨系统的协调工作,价值在于把人从反复核对里解放出来。
再看一家汽配企业,设备故障处理是典型场景。设备报警后,Agent先读报警代码,从知识库调出历史同类故障的处理记录,结合当前设备运行参数给出排查步骤,同时生成维修工单派给对应班组,维修完成后把处理结果回写知识库。这套流程里Agent不是替代维修工,而是把老师傅的经验变成可检索、可执行的步骤,缩短新员工的判断时间。
还有一个场景是质量追溯。假设一家注塑厂出现批次不良,Agent接到追溯请求后,自动关联原料批次、注塑机参数、模具使用记录、当班操作人员和质检数据,按时间线梳理可疑因素,输出追溯报告初稿。这类任务人工做要翻好几个系统,Agent做的是信息聚合和初步归因,最终判断还是由质量工程师拍板。
四、选型与实施建议
落地Agent别一上来就追求全自主。制造业的容错空间小,建议从“人机协同”起步,Agent给建议、人做确认,跑顺了再逐步放开自动执行的比例。
选型时重点看三件事。一是工具调用能力,能不能稳定对接企业现有的MES、ERP和数据库,接口稳不稳定比模型参数多大更重要。二是知识库的工程化程度,工艺文档、维修记录能不能方便地灌进去并保持更新,这决定Agent能不能真正懂业务。三是可观测性,Agent每一步做了什么、调了什么工具、输出了什么,要能追溯,出问题能定位。
实施路径上,先选一个边界清晰、高频重复的任务做试点,比如设备报警分类、工单信息补全、质检报告初稿生成。这类任务输入输出明确,容易评估效果。跑通一个再横向复制,别同时铺开好几个场景。
还有一点常被忽略:数据底座。Agent的决策质量高度依赖数据质量,设备数据采不全、工单填写不规范,Agent再聪明也做不出好判断。上Agent之前先把关键数据源的完整性捋一遍,比选模型更值得花时间。
五、趋势展望
一个方向是Agent与工业软件深度融合。未来MES、ERP这类系统可能内置Agent能力,用户通过自然语言下达任务,系统内部由Agent完成跨模块操作。业界厂商都在往这个方向走,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、覆盖国内外市场的厂商,在数据积累和场景理解上有先天优势。
另一个方向是多Agent协同进入产线级调度。单点任务跑通后,排产Agent、设备Agent、质量Agent之间的协作会成为下一阶段的重点,难点在于协作协议和冲突消解机制。
再一个是边缘侧部署。工厂对响应时延和数据不出厂有硬要求,轻量化Agent跑在边缘设备上是明确趋势,这对模型压缩和工具调用的轻量化提出了新要求。
总的来看,AI Agent在制造业的落地节奏取决于工具调用可靠性和知识工程质量,这两块扎实了,场景铺开是自然的事。