2026年10月21日，在NVIDIA GTC柏林大会上，NVIDIA发布了OpenShell Reference Architecture，并扩展Agent Toolkit，围绕企业知识连接、智能体运行、任务执行与安全治理，进一步完善Agentic AI的技术体系。黄仁勋再次强调，AI的发展不只是模型能力提升，而是正在形成一套能够理解任务、使用工具、执行工作并安全运行的完整系统。
这次发布反映出AI应用正在发生变化：从模型能够完成什么样的推理，转向整个智能系统能够完成什么样的工作。
对于制造业而言，这一变化尤为重要。过去几年，制造企业已经广泛探索AI视觉检测、预测性维护、工艺参数优化、智能排程和能源管理等应用，在质量、效率和成本方面取得实际成效。但在复杂的生产运营中，单个环节的优化并不一定带来整线产能和交付能力的提升，仍然需要投入大量人力，协调不同系统、工序和业务部门。
Agentic AI带来的新机会，并不是用大模型替代过去的工业AI，而是将已有的AI算法、制造知识与业务系统连接起来，让AI能够围绕生产目标，持续开展分析、决策与任务协同。制造业使用AI的方式，正在从解决单一场景问题，走向面向整个生产运营过程的智能协同。
一、Agentic AI正在改变制造业使用AI的方式：从单点优化走向运营协同
过去，制造业部署AI的主要方式，是围绕具体业务问题开发相应的模型或算法。例如，使用计算机视觉识别产品缺陷，利用机器学习预测设备故障，通过优化算法调整生产排程，或者根据实时工艺数据优化设备参数。
这些应用有一个共同特点：业务目标相对明确，输入数据和输出结果具有清晰边界，AI主要负责完成特定环节的预测、识别或优化。
但制造运营是一个相互关联的复杂系统。设备、工艺、质量、物料和生产计划之间存在大量依赖关系，单个环节的效率提高，并不必然改善整个制造系统的运营表现。Agentic AI的出现，正在推动制造业AI应用发生三个更深层次的变化。
- 优化对象变化：从单个设备和工序，延伸到整个生产运营过程
以自动化装配线为例，通过AI优化机器人运动路径，缩短单个工作站的作业周期，也可以利用预测模型提前识别设备异常，减少非计划停机。但即使某个机器人工作站的CT降低，也不意味着整条产线的UPH一定提高。如果真正的产能瓶颈位于其他工站，或者上游供料不足，局部效率改善就可能无法转化为整体产出增长。
这说明，制造企业面对的很多问题并不是缺少单点优化能力，而是不同业务环节的优化目标没有充分协同，局部最优难以转化为整体最优。
Agentic AI提供了一种新的解决思路。它可以围绕整线产能、订单交付或质量改善等业务目标，动态调用设备、生产、质量和物流等专业能力，对不同环节进行关联分析，并协调后续任务。制造业AI的优化对象，正在从单一设备、工序和业务场景，进一步延伸到跨系统、跨环节的制造运营过程。
- 工作机制变化：从预测和辅助判断，走向动态决策与持续执行
制造现场始终处于动态变化之中。订单可能临时调整，设备可能发生故障，新产品导入会改变工艺要求，物料供应和生产节拍也会不断变化。传统工业AI通常在特定条件下运行，模型根据输入数据输出预测结果、异常报警或优化建议，再由工程人员判断如何处理。这种方式能够提高分析效率，但在复杂业务中，发现问题与解决问题之间仍存在较长的人工处理链条。
Agentic AI所带来的变化，是让AI能够在任务执行过程中持续获取新信息，根据实际结果调整处理策略当设备异常发生时，Agent可以先分析报警与历史维修记录，再查询备件库存和设备可用性，评估对生产计划的影响。如果发现现有维修方案无法满足交付要求，还可以进一步协调排程分析，提出产能调整建议。
整个过程不再是一次性的预测或推理，而是围绕业务目标展开的多步骤任务，在持续变化的生产环境中，推动问题得到有效解决。
- 建设模式变化：从独立AI应用，走向专业能力协同与复用
过去制造企业建设AI应用，通常采取以场景为中心的方式。质量部门部署视觉检测模型，设备部门建立故障预测系统，生产部门使用排程优化算法，物流部门则建设仓储调度系统。这些应用各自解决专业问题，但往往拥有不同的数据接口、业务逻辑和运行机制。当企业希望开展跨系统分析时，仍需要进行大量系统集成与定制开发。
随着AI应用数量增加，不仅面临模型开发成本，还需要承担数据连接、系统维护、流程调整和跨场景复用等工作。Agentic AI改变的，是这些AI能力的组织方式。可以将设备诊断、质量分析、物流调度等专业能力，通过标准化接口、工具和专业Agent进行封装，再利用统一的任务编排机制，根据不同业务目标动态调用。
这样一来，建设AI的重点，就不再只是不断开发新的独立应用，而是逐步积累可重复调用的专业能力。但多智能体协同并不意味着Agent越多越好。过多的智能体可能增加通信成本、任务冲突和系统复杂度。真正重要的是建立清晰的专业分工、共享数据口径和任务协同机制。
二、为什么Agentic AI是一套完整系统？从智能分析到制造任务执行闭环
如果说过去工业AI主要解决识别、预测和优化问题，那么Agentic AI进一步需要解决的是：如何将这些专业能力组织起来，在复杂业务环境中持续完成工作。模型可以理解生产异常、分析原因并提出建议，但要进一步执行任务，还需要连接真实业务系统、获取实时数据、管理任务状态，并根据执行结果决定后续行动。
因此，Agentic AI的核心不只是模型推理，而是构建一个能够理解目标、组织任务、调用系统、协同执行并持续反馈的完整运行体系。
- Agent需要将制造运营目标转化为具体的执行任务。
例如，当提出提高产线UPH的目标时，系统不能直接给出提高设备运行速度的建议，而需要先分析现有产能、关键瓶颈、工站平衡和物料供应情况，再判断哪些因素真正限制整线产出。在这一过程中，Agent需要理解业务目标与约束，将复杂问题拆分为相互关联的子任务，并根据分析结果动态安排后续步骤。 - Agent需要能够连接已有的知识、数据和业务系统。
制造企业经过多年数字化建设，已经在ERP、MES、IOC、设备监控和质量管理系统中积累了大量数据，也形成了设备维修手册、工艺规范、标准作业程序和历史异常案例等专业知识。Agentic AI不应脱离这些基础系统重新建立一套独立的业务体系，而是通过知识检索与工具调用，将已有的数据和专业能力连接起来。进一步通过统一任务编排，多个专业Agent可以围绕同一个生产问题共享必要信息、协调分析过程，减少人工在不同系统之间反复查询和汇总数据的工作。 - Agent需要形成从任务执行到结果验证的反馈机制。
假设系统已经识别出某个机器人工作站存在供料等待问题，并提出调整物料配送节奏的建议。真正的运营优化并不止于生成这份建议，还需要经过必要的业务确认与执行，再结合后续UPH、等待时间和设备运行状态评估改善效果。如果措施没有达到预期，系统需要根据新的生产数据重新分析原因，调整处理策略。因此，一个完整的Agentic AI系统需要贯穿目标理解、任务规划、专业分析、协同执行、结果验证与持续优化的全过程。
对于制造业而言，真正需要建设的不是一个能够回答所有问题的超级Agent，而是在现有数字化系统之上，形成统一组织专业AI能力、协调复杂任务并支持持续优化的智能协同体系。
这也是Agentic AI区别于传统AI应用的重要价值所在：它不是替代已有的工业算法和制造管理系统，而是进一步组织和利用这些能力，让AI从单点分析进入更完整的制造运营流程。
三、工业富联科技服务MoMClaw：以多智能体协同推动制造运营优化
Agentic AI从独立应用走向系统级协同的技术方向，正在制造业的真实业务场景中得到应用。
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。
与传统单点AI应用不同，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。
-
在工站瓶颈智能诊断场景中，AI智能体可以从整线产能异常出发，逐步定位影响UPH的关键瓶颈。例如，当自动化装配线整体UPH低于目标时，平台首先分析产线总UPH及各工站产能表现，结合线平衡率判断是否存在明显的工站能力差异。随后，进一步关联设备运行状态、机器人CT和工作站作业周期，缩小异常范围，识别真正制约整线产出的关键工站。
这与传统针对单台设备开展效率分析的方式有所不同。分析对象从局部设备延伸到整线产能，能够帮助工程人员判断当前问题究竟来自设备本身，还是工站之间的节拍不匹配。
-
在设备根因智能分析场景中，AI 智能体进一步将设备运行与上游供料过程关联起来。当机器人装配工作站产能偏低时，平台可以调用设备运行数据和上游供料信息，对比供料节拍与机器人实际作业周期，并拆解设备运行、等待及作业时间。如果机器人等待时间明显增加，系统可以进一步分析是否由于供料不稳定导致设备空等，或者由于动作流程与工序分配不合理，使工作站CT超过目标。
通过跨系统关联分析，平台能够辅助工程人员更快识别影响产能的关键原因，并形成供料节奏调整、作业流程优化等改善建议。
这些应用体现了Agentic AI在制造运营中的三个实际变化：分析范围从单个设备延伸到跨工站、跨系统的业务过程；任务处理从人工逐项查询转向智能体协同分析；专业AI能力从独立运行转向围绕共同目标组织和调用。
同时，MoMClaw通过任务列表、调用链及执行记录，对异常分析与处理过程进行追溯，为后续运营复盘和知识积累提供依据。多智能体协同平台的价值，不只是提高某一次异常分析的速度，而是将已有的设备知识、质量分析、生产管理和物流调度能力逐步组织成可复用的智能运营体系。
随着Agent与更多制造系统连接，未来还可以进一步将异常诊断、任务协同、措施执行与结果反馈衔接起来，在明确权限和业务规则的前提下，推动更多生产运营任务形成闭环。从单点AI应用到多智能体协同，工业AI的重点正在从提升某个模型或算法的效率，转向提高整个制造系统的响应、协同与持续优化能力。
未来，制造企业衡量Agentic AI的标准，也将从模型推理能力、Agent数量和单点功能表现，进一步转向任务完成率、运营指标改善、系统运行成本及规模化复制能力。
Agentic AI的下一阶段，不是让企业拥有更多独立的AI应用，而是让已有的AI模型、专业知识与业务系统，逐步形成能够持续决策、协同执行和反馈优化的完整能力。
当AI开始从回答问题走向完成工作，真正的竞争也将从单一模型能力，转向整个智能系统能否在真实业务环境中，可靠、可控、可规模化地完成任务。