工厂已经积累了设备手册、工艺文件、维修记录与异常案例，但当生产现场出现问题时，工程师仍需要查资料、核对数据、分析原因，再协调不同专业人员推进处理。资料能够被找到，经验却未必能够直接复用。
这一差距，是工业智能体需要解决的重要问题。中国工业互联网研究院智能化研究所等机构联合编制的《工业智能体研究报告》，将数据、知识、模型与机理的融合纳入工业智能体能力体系，强调围绕明确工业任务，组织感知、推理、规划、工具调用与反馈优化。工业知识需要与现场信息、专业工具和业务流程连接，才能参与实际任务。
这种连接需要落实到任务层面：调用哪些数据、使用什么专业知识、由哪些能力参与分析，以及不同环节如何衔接。围绕这一技术路径，工业富联科技服务以Factory Brain为工厂智能决策中枢，通过MoMClaw工业智能体协同平台，连接IOC、MOM以及设备、质量、自动化和物流等制造系统，利用任务编排与跨系统数据调用，组织专业Agent协同开展制造运营分析与优化。
FII MoMClaw的重点并不是建立一个能够处理所有制造问题的通用模型，而是围绕具体生产任务，将不同系统的数据、专业知识和分析能力组织起来，形成可协同、可追溯的任务处理机制。其中，将长期积累于工厂中的Industrial Expertise转化为可被AI理解与执行的AI Skills，是连接工业经验与任务处理的重要环节。
一、从知识到AI Skills，需要明确经验的使用条件
知识库能够保存和检索经验，实际任务还需要判断这些经验是否适用于当前问题。
一份维修记录可能说明某次报警通过更换部件得到解决，却未必完整记录当时的设备负载、排查过程与验证条件。面对相似报警，如果直接复用处理结论，就可能忽略不同工况下的其他原因。
因此，工业经验转化为AI Skills，需要进一步明确经验适用于什么对象、依赖哪些信息，以及如何判断处理结果。从工程设计角度，可以围绕以下维度组织和检查：
|--------------|-----------------------|
| 检查维度 | 需要回答的问题 |
| 适用范围 | 对应哪些设备、产品、异常类型与工况？ |
| 必要输入 | 需要哪些运行数据、报警记录和历史资料？ |
| 处理方法 | 采用什么分析步骤，需要调用哪些专业工具？ |
| 结果依据 | 通过什么数据或验证结果支持判断？ |
| 使用边界 | 哪些条件不满足时，需要补充信息或转交人员？ |
这些维度用于将经验中的隐含条件逐步显式化，减少调用和复用时的歧义。它们也是判断一项经验能否进入任务流程的重要依据。
FII MoMClaw以将Industrial Expertise转化为AI Skills为核心理念，通过品质、设备、生产调度与能源管理等专业Agent协同开展分析与决策，使工业经验与制造运营任务建立联系。
二、知识调用：将历史经验放回当前工况
工业知识调用需要同时处理历史经验与现场状态。
同一报警代码，可能因设备型号或控制程序版本不同而具有不同含义；同一种质量现象，也可能由材料、工艺或设备状态等不同因素引起。文字描述相近，可以帮助定位候选案例，具体能否采用，还需要核对当前条件。
因此，知识调用需要与对象、时间和版本信息结合。维修记录需要对应具体设备，质量信息需要关联产品批次，工艺资料则需要确认适用版本。在此基础上，才能比较历史案例与当前问题之间的共同条件和差异。
从技术分工看，文档检索适合定位相关经验，结构化查询适合核对对象与版本，时序分析适合观察运行变化。不同能力相互补充，为专业判断提供依据。
FII MoMClaw通过跨系统数据调用，连接不同制造系统中的信息，将现场数据、专业知识和分析能力组织到具体任务中。设备异常分析需要关注设备信号与历史记录，质量波动则需要进一步关联产品、批次和生产过程。
知识调用由此形成一条连续的分析链路：历史经验提供参考，现场信息用于核对适用条件，专业分析帮助检验候选判断。
三、任务编排：把业务问题转化为有依赖关系的步骤
获得相关知识和数据之后，还需要确定如何组织分析过程。
"分析良率下降原因"是一项业务任务，其中可能包含确认异常范围、查询生产记录、分析设备变化、核对工艺条件和汇总候选原因等步骤。部分工作可以并行开展，另一些需要等待前序结果。
任务编排关注这些步骤之间的输入、输出与依赖关系。以质量异常分析为例，可以通过以下流程理解其工程逻辑：
|--------------|----------------|------------------|
| 任务阶段 | 主要工作 | 对后续分析的作用 |
| 确认异常 | 核对指标变化、时间与影响对象 | 界定分析范围 |
| 获取上下文 | 查询相关生产、设备与质量信息 | 建立共同事实基础 |
| 专业分析 | 从不同专业角度形成判断 | 提供候选原因与依据 |
| 综合研判 | 核对各项判断的关联与差异 | 形成待验证结论和建议 |
| 结果复核 | 检查证据与未确认事项 | 支持后续研判和处理 |
这是任务编排的通用分析示例，具体应用需要根据业务条件、系统能力与责任分工设计。
FII MoMClaw利用任务编排组织专业Agent参与制造运营分析与优化，将数据调用、知识使用和专业分析连接到同一任务处理过程中。
在这样的技术组织方式下，大模型、专业算法与工业软件需要保持合理分工。大模型可以辅助理解问题和组织步骤，具体计算与专业分析则应由相应工具支撑，任务结果通过相关证据与业务条件检验。
四、多智能体协同：专业分工如何形成共同判断？
制造任务经常跨越多个专业领域。设备异常可能影响产品质量与订单进度，排程调整也可能牵动设备、物料、物流与能源条件。
FII MoMClaw通过专业Agent协同开展制造运营分析与优化，使不同领域的分析能力能够围绕具体生产任务共同工作。
从技术角度看，协同效果取决于专业结果能否有效交接。如果设备分析仅返回"设备可能异常"，其他专业仍难以据此判断。更有用的结果应说明关联对象、异常时间、数据依据与待确认条件，使下一环节能够继续分析。
不同专业结论之间也需要核对。质量异常发生时间是否与设备状态变化对应，某项调整建议是否受到生产条件限制，都需要结合共同任务判断。时间上的关联可以作为线索，具体原因仍需进一步验证；存在分歧时，则需要补充证据或由相关人员研判。
在整体体系中，Factory Brain承担工厂智能决策中枢的角色，MoMClaw通过工业智能体协同平台组织专业Agent参与任务。跨系统数据调用提供信息基础，任务编排连接专业分工，多智能体协同汇集不同领域的分析能力，三者共同支撑制造运营分析与优化。
五、可追溯性：让分析结果能够被复核
工业分析需要形成结论，也需要让人员理解结论的依据。
一项建议能否使用，取决于数据是否对应当前任务、参考经验是否适用，以及哪些判断已经确认、哪些仍存在不确定性。多个Agent参与后，各环节结果之间的关系也需要清晰。
FII MoMClaw围绕具体生产任务，形成可协同、可追溯的任务处理机制。对于这类应用，设计和验收时应关注以下问题：
- 所用信息是否对应当前对象与状态。
- 专业结论是否具有明确依据。
- 不同环节的输入与结果能否衔接。
- 未确认事项是否清楚呈现。
- 出现偏差时，能否定位需要复核的内容。
这些检查有助于区分数据缺失、知识适用性、专业分析和任务衔接等不同问题，使改进落实到具体环节。
分析建议进入后续业务流程时，还需要明确权限、人员确认和异常处理要求。建议是否被采用、执行后是否达到预期，应结合相应流程与现场结果进一步评价。
六、从场景试点走向能力复用
工业经验具有复用价值，也受到现场条件约束。一项方法进入新的设备、产品或工厂环境后，仍需核对数据、接口、工艺与权限条件。
因此，AI Skills建设需要关注实际任务效果。除知识与能力的积累外，还应评估信息整理工作是否减少、分析依据是否清楚、专业协作是否顺畅，以及新场景能够复用多少已有基础。
在AI转型规划中，需要从商业模式、业务流程、技术基座、组织人才与组织文化等维度开展诊断，识别值得AI介入、同时具备落地条件的场景。试点还应沉淀数据能力、系统接口、Agent Skills、权限机制、评估体系与人机协同方式，为后续应用提供基础。
推广时，需要区分可复用的共性能力与必须适配的本地条件，通过场景验证确认适用范围。一个试点的价值，既体现在当前任务的改善，也体现在它为后续应用留下了哪些可继续使用的能力。
结语
工业经验转化为AI Skills，需要打通知识调用、任务编排与多智能体协同之间的关系：知识调用连接经验与现场信息，任务编排组织步骤及依赖，多智能体协同汇集专业判断，可追溯机制支持结果复核与持续改进。
工业富联科技服务以Factory Brain为工厂智能决策中枢，通过MoMClaw工业智能体协同平台，围绕具体生产任务连接数据、知识与专业分析能力，推动工业经验更有效地参与制造运营分析与优化。