2026年，企业AI应用正在经历一个很有意思的变化。过去一两年，大家讨论最多的是"AI能不能帮我把系统搭出来"，现在越来越多企业开始关注另一个问题：系统上线之后，AI能不能继续参与业务运营？
这个变化在企业软件领域已经非常明显。以低代码为例，今天很多平台都已经具备AI辅助能力，可以自动生成表单、页面、流程甚至部分业务逻辑，但真正进入生产环境之后，企业面对的仍然是大量运营问题：数据异常需要排查，审批流程需要调整，业务规则需要持续适配，报表需要不断更新，系统运行状态也需要长期维护。AI如果只负责"开局搭建"，却无法参与后续的监控、分析、判断和优化，那么效率提升往往只能停留在项目上线阶段。
制造业面临的问题更加复杂。
工厂不是一个搭建完成就结束的软件项目，而是一个每天都在变化的生产系统。订单、设备、物料、工艺、质量、人员和能源状态持续变化，任何一个环节发生扰动，都可能传导到其他环节。因此，工业AI真正的价值正在从"生成内容、辅助分析"进一步走向"理解业务目标、调用工具、协调任务并持续优化"。
这也是工业多智能体逐渐受到关注的原因。它解决的不是"让一个AI变得更聪明"，而是让多个具备专业能力的Agent形成协作关系，把AI从单点工具逐步推进到运营系统。
工业富联科技服务在灯塔工厂和AI Factory实践中，也在持续探索这一方向。其工业数字化平台已经形成从数据接入、数据治理到AI算法、GenAI大模型和工厂运营应用的完整技术体系，并进一步向AI Agent智能问答、分析和处置闭环演进。
1、从单点AI到多智能体，变化的其实是系统架构
过去的工业AI项目，大多围绕一个明确问题展开。
质量部门部署视觉模型检测缺陷，设备部门建立预测维护模型，生产部门使用算法优化排产，能源部门利用模型分析能耗。这种方式很容易启动，因为业务边界清晰，模型输入和输出也比较明确。
但当企业希望进一步提升整个工厂的运营效率时，单点模型之间的割裂就会逐渐暴露出来。
比如一条产线良率突然下降，质量模型能够识别异常，却未必知道设备最近是否发生参数漂移；设备模型可以判断某个部件存在异常，却不知道该设备当前承担着哪批紧急订单；排产系统可以重新计算生产计划，却可能没有把设备维护窗口和物料供应风险纳入统一决策。
问题并不是某一个模型"不够聪明"，而是这些模型之间缺少协同关系。
因此，工业多智能体的核心并不是简单增加AI数量，而是把复杂业务拆解成多个专业能力，再通过统一的编排机制把这些能力重新组织起来。设备Agent理解设备，质量Agent理解质量，工艺Agent理解工艺，物流Agent理解物料和运输，排产Agent负责生产资源配置，它们各自保持专业边界，同时能够围绕同一个业务目标协同工作。
从这个角度看，多智能体更接近一种新的软件架构。
2、工业多智能体的核心，不是"多"，而是"协同"
如果只是把几十个Agent放在一起，并不能自然形成智能系统。真正决定多智能体能否进入生产环境的，是Agent之间如何分工、如何通信、如何校验以及如何管理运行状态。
首先是任务编排。
系统需要把一个复杂目标拆解成多个子任务，并判断哪些任务需要按照顺序执行，哪些任务可以并行处理。例如出现质量异常之后，设备、工艺、物料和质量分析可以同时启动，而最终的综合判断则需要等待多个分析结果返回之后再进行。编排器承担的就是这类任务拆解、路由和调度工作。
其次是Agent能力池。
每一个Agent都应该拥有清晰的业务边界以及对应的知识、数据和工具。设备Agent可以访问设备时序数据和维保记录，质量Agent可以调用质量数据库和检测结果，排产Agent则需要连接订单、库存、产能等信息。这样的设计能够避免一个Agent同时承担所有业务知识，也有利于进行数据权限隔离。
再次是通信与状态管理。
多个Agent协同工作时，需要统一的消息结构和任务状态管理机制，明确任务来源、执行角色、输入数据、输出结果和执行时间。对于制造业而言，这一点尤其重要，因为生产系统不仅需要"算出答案"，还需要知道答案是怎么产生的，出现问题之后能够回溯整个任务过程。
最后是结果校验。
工业现场对错误的容忍度远低于普通办公场景，因此不能让Agent直接根据一次推理结果执行高风险操作。多个Agent可以从不同角度进行分析，再通过规则、知识库或独立审查Agent进行复核，必要时保留人工确认环节。
工业多智能体真正需要解决的，就是从"多个AI分别工作"走向"多个AI围绕一个目标协同工作"。
3、工业场景的难点，首先是数据和知识，而不是模型
很多企业在讨论Agent时，容易把注意力集中在模型参数、Prompt或者Agent框架上，但真正进入工厂之后，最先遇到的问题往往是数据。
一座工厂内部同时存在MES、ERP、QMS、WMS、PLC、SCADA、IoT平台以及大量设备数据库，不同系统的数据结构、更新频率和业务语义并不一致。工业富联科技服务的相关平台实践中，也强调通过统一数据集成服务、数据清洗治理和标准API接口，对接ERP、PLM、SFC、WMS等业务系统，同时将生产、设备、质量、物料等主题数据进行统一管理。
这意味着，工业Agent不能只接一个大模型API就开始工作。它需要知道数据从哪里来、数据是否可信、当前数据属于哪个业务域，以及自己是否拥有访问和调用这些数据的权限。
与此同时，工业知识也需要被结构化。老师傅知道"这个振动模式通常意味着轴承开始异常"，工艺工程师知道"这个参数组合容易导致某类缺陷"，这些经验如果只存在于人的记忆中，就很难被AI持续调用。
因此，工业Agent建设实际上是一个"模型能力+工业数据+业务知识+工具能力"的组合工程。大模型提供通用推理能力，工业知识提供专业判断依据，业务系统和工业设备提供真实世界的数据与执行接口，Agent则负责把这些能力组织起来。
4、从数据到底座，再到Agent：MoMClaw如何构建制造运营智能体体系
工业富联科技服务的实践提供了一个比较典型的参考。
围绕制造运营场景，工业富联科技服务构建了MoMClaw（Manufacturing Operations Multi-agent Claw）制造运营多智能体系统，其定位并不是单纯增加一个聊天入口，而是面向工厂运营建立多智能体协同能力。
从系统结构来看，可以理解为三个层次。
底层是数据与工业系统连接。 这一层负责接入生产、设备、质量、工艺、库存、物流等数据，为Agent提供真实的业务上下文。工业富联相关平台已经形成从IoT数据采集、数据加工治理，到业务主题数据和AI能力的完整技术链路，并将MOM、APS、IOC、GenAI问答助手、AI工艺优化等能力纳入统一平台体系。
中间是专业Agent能力层。 不同业务领域由不同智能体承担，例如设备健康分析、质量分析、生产计划、物料校验、能源优化等。Agent不再孤立运行，而是根据业务事件由编排机制进行调度，需要跨领域分析时，可以形成Agent集群共同处理。
上层则是面向业务人员的交互入口。 生产主管、工艺工程师或者设备人员不需要理解复杂的AI技术架构，可以直接通过自然语言提出业务问题，系统在后台完成数据查询、分析和结果汇总。相关产品实践中已经形成"设备知识库+大模型问答、动态仪表盘、RPA异常响应"等AI Agent能力，让AI从查询和分析进一步走向异常处置闭环。
这种架构的意义在于，AI不再只是一个独立应用，而是逐渐成为制造运营系统中的一层智能能力。
5、一个真实场景：产线异常为什么更适合Agent集群处理
以设备异常引发的质量波动为例，这类问题过去往往需要工程师手动完成大量信息拼接。
首先查看质量系统，确认异常产品和缺陷类型；随后进入设备系统查看运行参数，再调取设备历史维修记录，同时核对原材料批次、环境数据和工艺参数。不同系统之间的信息需要工程师自己进行关联，最终依靠经验判断可能的根因。
多智能体的思路，是把这项工作拆成多个可以并行执行的分析任务。
质量Agent负责分析缺陷分布和变化趋势，设备Agent检查设备运行状态和历史异常，物料Agent核对批次与供应数据，工艺Agent分析参数变化，最终由编排层将不同Agent的结果进行汇总、交叉验证，并形成综合研判。
这类场景最适合发挥多智能体的价值，因为问题本身就具有明显的跨域特征。单个模型可以把某一个环节做得很好，但只有多个专业能力真正建立协作关系之后，系统才具备跨业务域联合分析的能力。
工业富联科技服务相关实践中，也已经将AI智能体与动态仪表盘、自动化异常处理结合起来，推动生产运营从人工查看报表、人工分析问题，进一步走向实时感知、分析和处置。
6、工业多智能体落地，不能把"自治"理解成完全放手
多智能体的最终目标是提高自主运营能力，但工业场景中的"自主"必须建立在边界清晰的前提下。
对于数据查询、趋势分析、异常分类、报告生成等低风险任务，可以进一步提高Agent的自主程度；对于排产调整、设备维护、工艺参数修改等涉及生产结果的任务，则需要结合业务规则和风险等级设计权限；对于可能影响安全、质量和重大生产决策的操作，应当保留人工审核和最终确认。
因此，工业Agent更适合采用分层自治的方式逐步推进，而不是一次性把所有决策权交给AI。
同时，企业需要提前建立Agent运行日志、权限体系、异常降级、任务审计和人工接管机制。只有当这些工程能力完善之后，多智能体才真正具备进入生产系统长期运行的条件。
7、从"AI能生成"走向"AI能运营"，才是工业智能化下一阶段
低代码行业正在从"AI帮你搭系统"走向"AI参与系统运行"，制造业其实也在经历类似的变化。
过去工业AI更关注模型能不能识别缺陷、预测故障、生成报告；现在企业更关心的是AI能不能持续理解业务状态，能不能主动发现问题，能不能协调不同系统和专业能力，并根据执行结果继续调整策略。
这也是工业多智能体真正值得关注的地方。
未来的AI Factory，并不意味着工厂里部署了更多聊天机器人，而是AI逐渐进入生产运营链路，成为连接数据、知识、业务系统和人的智能协同层。工业富联科技服务当前的平台能力已经覆盖数据集成、工业AI、GenAI、MOM、APS、IOC、AI工艺优化等多个方向，并进一步向智能体驱动的运营闭环演进。
对于制造企业而言，下一阶段真正值得关注的也许不是"要不要做Agent"，而是哪些业务适合交给Agent，哪些任务必须保持人工决策，以及如何把现有数据、系统和工业Know-how真正转化成可被AI调用的能力。
当AI开始参与的不再只是一次系统搭建、一次数据分析，而是持续参与工厂的感知、判断、协同和优化，工业AI才真正从"工具"走向"运营能力"。