真正的工业智能，不是从大模型开始，而是建立在可信数据、受控能力和可靠闭环之上。
当大模型开始调用工具，很多人自然会想到：能不能让 AI 直接查询设备、分析告警，甚至控制工业现场？
从技术演示来看，这件事似乎并不困难。把设备接口封装成工具，再交给模型调用，一个能够用自然语言操作设备的 Agent 很快就能运行起来。
但演示能够运行，不代表系统能够落地。
如果传感器数据已经延迟，AI 是否知道？如果同一台设备同时收到两条冲突指令，由谁仲裁？如果模型选择了错误工具，平台能否阻止？如果命令下发后迟迟没有回执，智能体应该重试、回滚，还是交给人工处理？
这些问题指向一个容易被忽略的事实：**工业智能体的起点不是大模型，而是可靠的设备接入、可信的数据基础和受控的平台能力。**大模型改变了人与系统交互的方式，却没有取消工业系统原有的工程约束。相反，当 AI 从"提供建议"走向"调用工具"，身份、权限、审计、确认、降级和安全联锁变得更加重要。
工业智能体的有效性取决于数据可信度、工具可控性和闭环可靠性，任何一项接近于零，整体效果都会接近于零。
一条设备告警，暴露出 AI 之下的七层能力
假设智能体收到一个任务：
3 号电机温度异常，请分析原因并处理。
在演示环境里，让模型读取温度，再调用一个"降低转速"的工具，几轮对话之后任务看起来就完成了。但在真实工业现场，执行任何动作之前，系统至少需要回答这些问题：
- 温度来自哪个传感器，单位和量程转换是否完成？
- 数据是什么时间采集的，设备当前是否在线？
- 是持续升高，还是网络恢复后批量补传的历史数据？
- 当前账号只有读取权限，还是允许调整运行参数？
- 降低转速是否会影响正在执行的生产任务？
- 这项操作是否触及 PLC 控制逻辑或安全联锁？
- 命令下发后，谁来确认设备真正执行成功？失败时重试、回滚还是转人工？
这些问题都不是大模型能够独立解决的------它们分别属于设备接入、协议适配、数据治理、身份权限、业务规则、控制边界和运维闭环。只有底层平台先把这些能力建立起来，AI 才可能在真实系统中发挥价值。
从数据质量、上下文判断到权限校验和执行回执，工业 AI Agent 的每一步都需要经过明确边界。
工业智能体的有效性，是三个因素的乘积
工业智能体的有效性 = 数据可信度 × 工具可控性 × 闭环可靠性
这不是用于计算的数学公式，而是一种系统设计方法：用乘法表达"任何一项接近于零，整体就接近于零"。
数据可信度------智能体首先要知道自己读到了什么。一条设备数据不仅应该包含数值，还应该包含设备身份、位号定义、采集时间、单位、质量状态和数据来源；断线、时间漂移、重复上报、异常跳变和历史补传也要被正确识别。否则，AI 可能基于一条过期数据，给出逻辑上合理、工程上危险的结论。
工具可控性------Tool Calling 让大模型获得了行动能力，也让风险从"回答错误"升级为"执行错误"。工业工具不能只有名称和接口，还需要明确调用身份、操作对象、参数范围、前置条件、超时策略、审批规则和审计记录；高风险动作经过规则校验或人工确认。智能体拥有的不是设备的无限控制权，而是平台在最小授权原则下开放的受控能力。
闭环可靠性------命令成功发送，不等于设备成功执行。完整闭环需要记录命令标识、下发状态、设备回执和最终结果，并处理超时、重复执行、网络中断和服务故障，准备失败回滚、能力降级和人工接管。AI 可以参与决策和任务编排，但不应该绕过 PLC、实时控制系统和安全联锁。
AIoT 的演进，不只是给物联网加一个模型
早期物联网系统解决的是"连接与采集"：设备接入平台，规则引擎判断阈值，人通过仪表盘观察运行状态。随着大模型和工具调用能力成熟，系统进入"智能分析"阶段：人可以用自然语言查询数据、分析异常，并让 AI 调用经过授权的平台能力。再往后，智能体可能主动监测、规划任务并参与执行------但自主程度越高，对数据、权限和闭环的要求也越严格。
AIoT 从连接采集走向智能分析和受约束决策。智能化程度越高，越需要可靠数据和安全边界。
AIoT 不是把大模型接到物联网平台旁边，而是把智能逐步注入原有的数据与能力链路。
一条不能跳级的技术路线
要真正理解工业智能体，需要顺着系统的依赖关系逐层向上：
工业软件 → 设备感知 → 协议通信 → 数据平台 → 云原生服务 → 受控工具 → AI 智能体 → 可靠闭环
这条路线不是技术名词的堆叠，而是从底层事实逐层开放能力，不能跳过前置依赖直接进入智能体阶段。
从工业软件出发。 SCADA、DCS、MES 和 PLC 已经在工业现场承担了监控、控制和生产管理等职责。物联网平台不是简单替代这些系统，而是补充跨设备接入、数据归一、能力开放和跨系统协作。理解这些系统原有的职责和边界，才能判断哪些能力留在现场控制层，哪些可以上移到平台，哪些任务适合交给 AI。
从设备和协议建立可信数据。 传感器、PLC、智能网关使用不同接口与协议，I²C、SPI、串口、Modbus、OPC UA、MQTT、CoAP 和 HTTP 所解决的问题并不相同。平台需要接住这些差异，把原始报文转换为统一的设备、位号、状态和指令------协议接入不是可以省略的"底层细节"，而是数据可信度的来源。
用平台和云原生承接复杂性。 当设备规模和业务类型持续增长，单体系统很难同时处理接入、权限、存储、消息、规则和对外服务。微服务、容器化和云边协同的价值不仅是扩展能力，更重要的是划分职责边界、故障边界和权限边界。
数据从感知层逐层向上流动，指令向下执行，安全能力贯穿设备、网络、平台和应用。
让 AI 在边界内参与系统。 到了这一层，Spring AI、Function Calling、MCP、RAG 和 Agent 才有了可靠的落点。智能体可以理解意图、查询数据、分析异常和编排任务，但调用过程需要接受身份认证、权限校验、参数验证、审计记录和执行确认。AI 是平台能力的一种新入口，而不是绕过平台边界的超级管理员。
设备、边缘驱动、消息基础设施、数据中心和智能中心各自承担不同职责。AI Agent 建立在平台能力之上。
这本书沿着这条路线展开
《从工业软件到 AI 智能体》：构建面向智能体演进的多协议、云原生、开源工业物联网平台。
《从工业软件到 AI 智能体》没有从大模型讲起，而是严格沿着上面的依赖关系展开：先回答物理世界的设备和信号怎样成为平台能够持续理解和使用的数据，再回答平台怎样把这些能力以受控的方式开放给智能体，最后回到智能制造、智慧城市、车联网、农业物联网和 IoT DC3 项目实战，把整条链路连成闭环。
作者自 2016 年起维护的开源工业物联网平台 IoT DC3 贯穿全书作为工程参照------全书三篇、14 章、200 张图表，重点不是罗列热门名词，而是说明每一层解决什么问题、依赖哪些条件、把什么能力交给下一层。即使协议、框架和模型继续变化，掌握这些稳定的职责边界，仍然能够判断一项新技术应该放在系统的什么位置。
上线前的五分钟自查
在选择模型或编写 Prompt 之前，先逐条勾选：
□ 每条数据都带设备身份、采集时间、单位、来源和质量状态
□ 断线、延迟和历史补传能被系统正确识别
□ 每个工具的调用者、对象和参数范围有明确授权，高风险动作有二次确认
□ 命令下发后有可关联、可追踪的执行回执，失败时能安全降级或转人工
□ 全过程可记录、可审计、可复盘，AI 无法绕过 PLC 逻辑与安全联锁
如果多项无法勾选，当前最需要补充的可能不是一个更强的模型，而是更可靠的平台基础。
这本书适合五类读者
- 正在学习物联网，希望建立完整工程框架的开发者；
- 从事 SCADA、MES、工业互联网或设备接入的工程师；
- 正在设计云原生物联网平台的架构师；
- 希望把大模型和 Agent 接入真实设备场景的 AI 开发者；
- 想理解 MQTT、MCP、工具调用和工业安全之间关系的技术人员。
时间有限时，推荐路径：第 1 章建立全局认识 → 第 2 章理解体系架构 → 第 7 章了解 AIoT 与智能体 → 第 14 章查看端到端项目实践。
写在最后
AI 正在改变人与软件交互的方式，但当软件开始影响真实设备时，可靠性、安全和工程边界仍然不能被跳过。
工业智能体不是一个悬浮在系统上方的"大脑"，而是物联网平台长期积累的数据能力、服务能力和安全能力，以自然语言和任务编排的方式重新开放出来。
真正可靠的智能，不是从模型开始，而是建立在可信数据、受控能力和可靠闭环之上。
全书已开放在线阅读：https://book.dc3.site。建议通过文末"阅读原文"从第 1 章开始；如果你的团队正在做工业 AI Agent,欢迎把这篇转给一起实践的同事。