一、工业智能体解决什么问题？
工业AI已经应用于视觉质检、设备异常检测、工艺优化和生产预测等场景。但在复杂制造任务中，单个模型通常只能完成局部工作。
以设备故障处理为例，系统需要获取设备报警、运行参数、历史维修记录和设备手册，分析可能原因，再生成检查建议，必要时还要创建维修工单。这一过程涉及数据检索、知识推理、工具调用和业务流程衔接。
工业智能体（Industrial Agent）正是面向此类任务构建的软件实体或软硬一体化系统。它围绕明确的工业目标，融合工业数据、知识、模型与机理，具备环境感知、任务理解、规划决策、工具调用、协同交互、受控执行和反馈优化能力。
2026年9月工业互联网研究院发布的《工业智能体发展报告》指出，工业智能体正在推动AI从感知识别、内容生成走向复杂推理、任务规划和行动执行。
其核心变化可以概括为：
- 从系统功能调用转向业务任务驱动；
- 从单模型处理转向跨系统协同；
- 从信息辅助转向受控执行与反馈。
工业智能体不是替代MES、ERP、工业互联网平台或PLC，而是在既有系统之上组织数据、知识和工具，完成跨系统任务。
二、工业智能体六级架构：云边端如何分工？
《工业智能体发展报告》提出从设备单元到产业生态的六级架构。
|------------|--------------|--------------|
| 层级 | 部署范围 | 主要任务 |
| L1 设备单元层 | 单台设备 | 状态识别、端侧执行 |
| L2 产线层 | 生产线 | 设备协同、局部排产 |
| L3 车间层 | 车间 | 人员、设备、物料调度 |
| L4 工厂层 | 全厂 | 生产运营与资源优化 |
| L5 企业层 | 企业 | 研发、生产、供应链协同 |
| L6 生态层 | 产业链 | 跨企业资源与业务协同 |
六级架构需要解决两个方向的数据与任务流动：
自上而下： 生产目标、任务计划和约束条件逐级分解，传递至车间、产线和设备。
自下而上： 设备状态、生产进度、质量信息和异常事件逐级汇聚，为上层决策提供依据。
部署时需要注意不同层级的技术边界。设备与产线层更关注响应时延、稳定性和确定性；工厂与企业层更关注知识整合、复杂推理和全局优化。
因此，较合理的架构通常采用云边端协同：云侧负责模型训练、知识治理和全局分析；边侧承担低时延推理与任务编排；端侧负责设备感知、确定性控制和安全联锁。
三、工业智能体六大核心技术模块
1. 数据与知识：建立工业语义基础
工业数据通常分散在PLC、SCADA、MES、EAM、ERP及质量系统中。数据集成不仅需要接口打通，还需要处理设备编码不一致、时间戳不统一、数据缺失和业务语义不一致等问题。
可采用以下处理流程：
- 建立设备、工序、物料和产品的统一编码映射；
- 对齐设备事件、生产订单和质量记录的时间关系；
- 将设备手册、SOP、FMEA和维修记录纳入知识库；
- 通过RAG、知识图谱和语义关联支持任务检索。
数据质量直接影响智能体推理结果。对于关键工艺参数和设备状态，需要保留数据来源、更新时间和可信度信息。
2. 算力：云边端协同部署
不同工业任务对时延和算力的要求不同。复杂知识推理可以放在云侧或工厂私有环境中；现场异常检测和任务调度可部署在边缘节点；设备控制则应交由确定性控制系统完成。
部署时需要综合考虑网络稳定性、数据出域要求、模型规模和现场算力条件。
3. 模型：感知、推理与规划组合
工业智能体通常不是单一大模型，而是由多种模型和工具组合形成。
- 视觉模型：识别缺陷、工件和设备状态；
- 时序模型：分析振动、温度、电流等数据趋势；
- 大语言模型：理解任务、检索知识和生成分析结果；
- 规则与机理模型：约束业务逻辑、工艺范围和执行条件。
核心原则是：认知环节可以采用概率推理，实际执行必须受到规则、权限和安全机制约束。
4. 多智能体协同：拆分跨领域任务
复杂任务可以拆分为多个专业子任务。例如设备异常处理可以由设备智能体分析运行状态、知识智能体检索维修资料、质量智能体判断异常影响，再由任务协调模块整合结果。
协同机制需要处理任务分配、信息共享、结果冲突和人工审批，避免多个智能体重复调用工具或给出互相矛盾的执行建议。
5. 安全治理：约束工具调用与执行权限
智能体接入工业系统后，必须明确可访问的数据、可调用的工具和允许执行的操作。
常见机制包括身份认证、角色权限、工具白名单、操作审批、调用日志、异常降级和安全联锁。对于设备启停、参数修改等高风险操作，不能仅依赖模型判断。
6. 反馈优化：形成任务闭环
任务执行结果应回流到系统，用于评估任务完成情况、分析失败原因和改进知识流程。模型更新与技能调整需要经过测试和验证，不能未经确认直接影响现场生产。
四、工业智能体如何落地？以MoMClaw为例
工业富联科技服务的 MoMClaw制造运营多智能体系统，围绕工业知识沉淀、异构系统连接和多智能体协同，探索将AI能力融入制造运营流程。
其核心架构可以从三个方面理解。
1. AI Skills：将工业经验转化为可复用技能
将工艺规范、维修经验、质量分析方法和生产调度逻辑整理为可调用的专业技能，覆盖质量、设备、生产调度和能源等领域。技能不仅包含知识，还需要明确适用条件、输入信息和执行规则。
2. Agentic Layer：连接异构工业系统
通过统一的智能体层关联设备信号、工业控制系统及MES等平台，使智能体能够按任务调用相关数据和业务工具，减少跨系统分析中的信息断层。
3. 多智能体协同：组织跨领域任务
以设备异常分析为例，系统可以结合设备告警、历史维修记录、运行状态和工艺知识，生成候选原因与检查建议，再在规则校验和授权后衔接维修工单流程。
其中，RAG负责知识检索，大模型负责综合分析，工具接口负责系统访问，权限机制负责约束执行范围。
根据目前导入场景验证结果，MoMClaw预计可将根因分析时间缩短约80%，提升约15%的人力生产效率，并降低约10%的设备故障发生率。具体效果取决于应用场景、数据基础和部署条件。
五、工业智能体工程实施：从试点到验收
实际项目可以按照以下步骤推进：
|--------------|---------------|--------------|
| 实施阶段 | 关键工作 | 验证重点 |
| 场景定义 | 明确任务目标、输入与输出 | 任务边界是否清晰 |
| 数据准备 | 接入设备、生产和知识数据 | 完整性、准确性 |
| 能力编排 | 配置模型、RAG和工具接口 | 分析质量与调用正确性 |
| 安全配置 | 设置角色、权限和审批机制 | 是否存在越权操作 |
| 试点运行 | 在受控场景中执行任务 | 完成率、人工介入率 |
| 效果评估 | 对比上线前后的业务指标 | 时间、成本、质量改善 |
评估指标不应局限于模型准确率，还应包括：
- 任务完成率：智能体是否真正完成目标；
- 工具调用成功率：接口调用是否正确；
- 根因分析时间：问题定位效率是否改善；
- 人工介入率：流程是否仍高度依赖人工；
- 异常恢复能力：失败后能否安全回退；
- 业务收益：是否改善生产效率、质量或设备运行表现。
对于设备控制和工艺参数修改等任务，应保留确定性控制、人工审批和安全联锁。
六、总结
工业智能体的技术重点不只是大模型推理，而是数据治理、知识组织、任务规划、工具调用、多智能体协同和安全执行的系统工程。
从六级架构到云边端部署，从单智能体到多智能体协作，企业需要围绕具体工业任务逐步构建能力。只有当智能体能够在真实工况下完成任务，并通过业务指标验证效果，才具备从试点走向规模化的基础。