工业软件架构正在经历一轮新的代际演进。
早期工厂依赖硬编码规则引擎，把工艺参数和业务逻辑写成固定的if-then条件。这种方式确定、稳定，但规则之外的非结构化经验很难表达，比如老师傅对设备异常声音、振动变化的判断，很难直接转化为固定规则。
随后，微服务架构逐渐普及，业务能力被拆分成独立服务，系统获得了更好的扩展性和松耦合能力。但新的问题也随之出现：当一个复杂制造问题跨越多个业务系统时，人仍然需要在MES、QMS、IoT等平台之间切换，把分散的信息重新拼装起来。
规则引擎解决"已知的确定问题"，微服务解决"系统的弹性拆分"，但它们都无法完全回答一个新的问题：当问题跨越多个领域、依赖大量工业知识，同时还需要调用多个系统和工具时，谁来理解任务，并把数据、知识、工具和业务逻辑组织起来？
Agentic Layer正在成为一种新的答案。
它并不是替代MES、ERP、QMS等业务系统的又一个应用，而是叠加在既有数字化基础之上的智能编排层，将分散在不同系统中的数据、知识和工具连接起来，再由一组专业化AI Agent围绕具体任务协同工作：理解任务、获取数据、检索知识、调用工具、推理分析，并根据结果继续推进任务。
工业富联自主研发的MoMClaw（Manufacturing Operations Multi-agent Claw），正是围绕这一思路构建的制造运营多智能体系统。其探索的并不只是"给制造系统增加AI"，而是让AI进入制造运营任务链，从单点分析进一步走向跨域协同和闭环执行。
一、为什么一个AI Agent很难解决一座工厂的问题？
工厂里的复杂问题，很少只属于一个业务领域。
一次产线良率下降，可能同时涉及设备状态、工艺参数、物料批次和生产过程；一次设备异常，进一步可能影响产能、排产和订单交付。设备工程师关注振动、温度、维修记录和设备健康状态，质量工程师关注缺陷、工艺参数、批次和FMEA，生产人员则更关注节拍、产能和订单。
如果把所有任务交给一个"超级Agent"，它不仅需要掌握不同领域的专业知识，还要连接大量异构系统。随着场景扩大，模型能力、工具管理、权限控制和运维复杂度都会迅速增加。
因此，工业场景更适合专业化Agent协同。设备Agent负责设备状态和故障分析，质量Agent负责质量异常，生产Agent关注产能与排程，能源Agent分析能耗与运行状态。每个Agent拥有明确的知识和任务边界，再通过统一的协同机制完成跨领域任务。
也就是说，传统工业软件按照业务域组织系统能力，多智能体架构则开始按照任务组织智能能力。
二、MoMClaw的核心变化：在数字化系统之上增加一层Agentic Layer
工业企业已经建设多年的MES、ERP、QMS、EMS、IoT等系统，并不会因为Agent出现而失去价值。这些系统仍然是工业Agent获取业务事实、执行既有流程的重要基础。
Agentic Layer所增加的，是连接这些系统的任务级智能编排能力。
可以将这一架构理解为：
工业数据 → 工业知识 → Agent理解与推理 → 多Agent协同 → 工具调用 → 决策与执行 → 反馈优化
底层是企业已有的数字化系统和工业设备，负责提供真实业务数据；Agentic Layer位于中间，负责理解任务、组织上下文、选择工具、调度Agent和管理任务状态；上层则是面向不同制造业务的专业Agent。
例如质量Agent发现良率异常后，可以进一步判断需要哪些设备数据、工艺参数和物料信息，并调用相应系统获取数据；如果发现需要深入判断设备状态，还可以将任务交给设备Agent。
因此，Agentic Layer的核心价值不是增加一个新的数据孤岛，而是让原有数字化基础具备面向任务进行智能编排和跨系统协同的能力。
三、数据只是基础，工业知识决定Agent能不能"懂工厂"
工业Agent进入生产环境后，很快会遇到一个问题：数据很多，但数据本身并不会自动变成工业知识。
设备采集的温度、压力、振动、电流等数据，需要结合设备类型、工艺状态和历史故障才能产生意义。一张维修工单包含故障现象和处理过程，但如果没有与具体设备、故障模式和维修结果建立关联，模型很难直接利用其中的经验。
因此，工业Agent需要建立面向制造场景的知识增强能力。
MoMClaw的相关研发思路，是围绕设备维修手册、SOP、FMEA、故障记录、维修工单等工业知识进行整理和结构化，再结合大语言模型与RAG能力，让Agent能够在具体任务中检索和利用这些知识。
关键并不是简单建立一个文档库，而是让知识形成明确的工业语义关联：知识内容与设备、故障现象、工艺参数、物料等实体建立关系，同时保留来源，使Agent形成判断时能够追溯依据。
经过这样的处理，过去沉淀在工程师经验、操作手册和历史工单中的知识，才能逐步变成Agent可以检索、理解和调用的能力。
四、多智能体真正解决的是"跨域问题"
假设某条产线突然出现良率下降。
传统流程中，质量工程师首先发现异常，然后寻找生产数据，再进一步查看设备参数、物料批次和历史维修记录。大量时间消耗在不同系统之间的信息查找和关联。
在多智能体架构下，任务可以由质量Agent发起。它首先识别良率异常，并提出进一步分析需求；设备Agent获取设备状态和历史故障信息，工艺Agent分析关键参数变化，物料Agent核查相关批次信息。各Agent将分析结果返回到同一任务上下文，再进行综合判断。
如果设备Agent发现某设备的振动特征与历史故障模式相似，工艺Agent同时发现异常时段存在参数偏移，而物料Agent没有发现明显批次异常，那么多个维度的证据就可以共同支撑根因分析。
这里的关键，是Agent之间传递的不只是最终结论，还包括任务上下文、数据依据和阶段性分析结果。
因此，多Agent解决的并不只是"多个AI同时回答问题"，而是让不同专业能力围绕同一个制造任务形成协同。
单点AI解决一个分析任务，多智能体开始处理一条跨领域的问题链。
五、从"分析"走向"任务"：Agent需要具备工具调用能力
如果工业Agent只能根据数据生成一段分析文字，它仍然更接近一个智能查询和报告工具。
真正进入制造运营过程的Agent，还需要具备工具调用能力。工具可以来自MES、QMS、ERP、IoT平台、设备数据接口，也可以来自企业内部已经建设的业务服务。
Agent需要根据任务判断应该获取什么数据、调用什么工具，再根据返回结果继续推理。
完整任务链可以概括为：理解任务 → 获取数据 → 检索知识 → 调用工具 → 推理分析 → 协同其他Agent → 输出决策建议
进入执行阶段后，还需要增加：权限判断 → 系统校验 → 执行 → 结果反馈
这也是工业Agent与普通聊天机器人的重要区别：聊天机器人主要解决信息交互，而工业Agent需要在权限和业务边界内推动任务完成。
六、从L3向L4演进：自主性需要随着风险逐步释放
工业生产决定了AI不能简单按照"能力越强、权限越大"的方式发展。
MoMClaw从L3向L4演进，核心并不是一次性赋予Agent更多操作权限，而是在风险可控的前提下逐步扩大自主任务范围。
对于报表生成、信息汇总、低风险分析等任务，可以提高自动化程度；对于排程调整、设备维护建议等具有一定业务影响的任务，可以增加系统校验或人工审核；涉及生产安全和关键工艺参数的任务，则需要严格限制执行权限，必要时通过仿真验证后再进入现场。
例如，订单排程可以结合订单、产能和设备状态生成方案，并在满足既定规则和权限条件后推动执行；涉及高风险工艺优化时，则更适合采用开环推荐模式，由工程人员审核后执行。
因此，工业Agent的自主化不是简单"放权"，而是建立与业务风险匹配的分级自治机制，让AI从"能够分析"逐步走向"能够独立完成更多任务"。
七、从MoMClaw走向Factory Brain：让Agent形成制造运营网络
当质量Agent只负责质量分析、设备Agent只负责设备诊断时，它们仍然是独立的专业能力。真正的变化发生在这些Agent开始共享数据、知识和任务上下文之后。
质量异常可以触发设备分析，设备状态可以影响生产排程，生产计划又可能影响能源负荷。原本分散在不同业务系统和部门中的判断，由Agent逐渐连接成制造运营网络。
这也是MoMClaw进一步发展的重要方向：持续扩展质量、设备、生产、能源、供应链等领域的Agent和Skill，将成熟能力沉淀为可复用的场景组件，同时强化多Agent之间的任务协同，使局部分析结果能够进一步参与全局优化。
最终形成：数据获取 → 知识理解 → 多Agent协同 → 决策 → 执行 → 反馈 → 优化
这条链路成熟之后，工业AI的角色也会发生变化。
过去的数字化系统主要解决"数据在哪里""流程怎么走"；工业Agent进一步参与"问题如何判断""下一步做什么"；而Agentic Layer与多智能体架构结合之后，AI开始具备连接业务系统、工业数据和现场执行的能力。
因此，工业AI Agent的规模化落地，并不是简单增加几个聊天机器人，也不是把大模型直接接入MES、QMS或IoT平台，而是在既有数字化基础上增加一层面向任务的智能协同架构。
一个Agent解决一个专业问题，多Agent协同解决一条业务链，而当这种协同进一步覆盖生产、质量、设备、能源和供应链，制造企业才开始拥有面向全局运营的智能能力。
从规则引擎到微服务，再到Agentic Layer，工业软件正在从"系统承载业务"进一步走向"智能组织任务"。数字化让工厂拥有了数据，工业Agent让数据开始参与判断，而多智能体则让这种判断逐步进入真实的制造运营流程。