从系统集成到多智能体协同：工业智能体技术路径解析

制造业正在从“数字化系统覆盖”走向“智能化运营协同”。

ERP、MES等系统已经解决了大量数据记录、业务流转和执行控制问题，但当异常发生时，方案制定和结果复盘，仍然高度依赖人工经验。工业AI大模型与智能体的核心价值，就在于补上这一层能力缺口。

工业AI大模型不是替代MES或ERP，而是在既有IT与OT体系之上，构建一层能够理解上下文、编排任务、调用工具、协同决策并闭环执行的Factory Brain。

FII MOMClaw制造运营多智能体系统，正是以这一思路构建面向未来工厂的Factory Brain：把分散的数据、知识、流程和业务逻辑连接起来，形成“感知—理解—协同—决策—执行—复盘”的制造运营闭环。

工业智能体系统的技术边界：从“系统功能”到“目标驱动执行”

传统工业软件的核心能力是记录、控制和流程化执行。例如，MES负责生产执行，QMS负责质量管理，EAM负责设备资产与维护，ERP负责订单、物料和财务等经营数据。

工业智能体则增加了四种能力：

1. 上下文理解：能够同时理解设备状态、工艺参数、订单优先级、质量风险和历史经验；
2. 任务规划：能够把“查明良率下降原因”“处理设备异常”“重新安排订单”等目标拆解成可执行步骤；
3. 工具调用：能够按权限调用数据库、知识库及各类工业软件接口；
4. 闭环复盘：能够追踪动作是否完成、指标是否改善，并把有效过程沉淀为可复用的AI Skills。

因此，工业智能体不应被理解为单一对话入口，而应被理解为一个具备角色、权限、工具和行动边界的任务执行单元。

工业AI的推荐架构：六层能力构建Factory Brain

要让工业大模型和智能体进入真实制造流程，建议采用“六层架构”，而不是直接将通用大模型接到业务系统上。

1. 现场与系统接入层：连接IT和OT

这一层负责接入各类数据和系统,重点不只是“接入数据”，更是建立统一的对象和语义。例如，“设备编号”“工单状态”“质量缺陷”等关键对象，需要在跨系统环境中具备一致的标识、口径和关联关系。

没有统一语义，智能体只能看到碎片信息，无法形成跨系统判断。

2. 工业知识与AI Skills层：把经验转成可调用能力

工业场景的核心资产，往往是专家经验，而不是单纯的数据量。

AI Skills可以理解为被结构化封装的工业经验单元，包括触发条件、所需数据、判断逻辑、约束规则、推荐动作、执行权限和验证指标。

例如，一个“设备异常诊断Skill”可以包含：

• 什么告警或趋势变化触发分析；
• 需要调用哪些设备、维修、工艺和订单数据；
• 如何排除常见误报；
• 哪些情形只能给建议，哪些情形可以自动派单；
• 维修后如何判断是否恢复正常。

这种结构化沉淀，能让经验从“人脑记忆”转化为可共享、可审计、可持续优化的组织能力。

3. 工业大模型与专业模型层：负责理解、推理和生成

这一层提供工业语义理解、多模态分析、知识检索、任务拆解和方案生成能力。

在工业环境中，大模型不应单独决策。它需要结合工艺规则、设备边界、质量标准、权限体系和实时数据，才能生成可靠建议。对于复杂的时序分析、视觉检测、故障预测、优化排产等问题，还需要由专业模型、机理模型或运筹优化能力提供支撑。

因此，工业AI不是“一个模型解决全部问题”，而是“通用理解能力+专业模型能力+工业规则约束”的组合。

4. 多智能体协同层：让不同专业角色共同完成任务

复杂制造问题通常不属于单一部门。

一次良率异常，可能同时涉及物料、工艺、设备、质量和计划；一次设备停机，也可能牵动维修、备件、生产排程和客户交期。因此，需要设备Agent、质量Agent、工艺Agent、生产调度Agent、能源Agent等专业角色协同工作。

MOMClaw的价值就在于构建统一的多智能体协同机制。不同Agent分别从自身专业角度分析问题，再通过统一上下文和任务编排机制汇总证据、识别冲突、输出行动建议。

相比单一智能体，这种模式更适合跨系统、跨工序、跨角色的制造运营任务。

5. 执行与流程编排层：让建议变成受控动作

智能体价值能否落地，取决于它是否能进入流程。

这一层需要具备任务编排、工具调用、工单生成、消息通知、审批流、参数建议、结果回写和异常升级等能力。对于低风险、高频、标准化动作，可以逐步实现自动派单、自动查询、自动回写；对于涉及安全、质量放行、设备控制的高风险动作，则必须采用人机协同机制。

核心原则是：智能体可以主动发现、主动分析、主动建议，但越接近物理控制层，越需要明确的权限边界、审批机制和可回滚能力。

6. 运营治理层：让智能体可控、可信、可持续迭代

工业智能体上线后，不能只看对话次数或调用次数，更要看是否真正改善运营指标。

治理层至少要覆盖五类内容：

• 身份、权限和数据访问控制；
• 推理、调用和执行过程的审计；
• 高风险动作的人机协同与审批；
• 模型、知识库、AI Skills的版本管理；
• 从结果指标反哺模型和Skills优化的反馈机制。

三、四大高价值场景如何设计任务闭环

以质量分析为例，一个完整的智能体任务链不应只是“识别缺陷”，而应包括：发现异常趋势、关联批次和工艺、调用设备状态和物料数据、输出根因假设、推荐改善动作、触发复检或派单、追踪改善效果、沉淀有效经验。

这也是为什么，在MOMClaw的典型缺陷分析与良率提升场景中，根因分析时间可缩短约80%。真正带来效率提升的，不是单一模型识别速度，而是跨系统分析和闭环动作的协同效率。

设备运维同样如此。维修助手连接故障代码、维修履历、工艺数据和订单数据后，能够更快定位异常源头，并为人员提供更具体的检查与维修指导。典型场景目标是降低非计划停机，帮助设备故障发生率下降约10%。

从PoC到规模化：工业智能体建议采用“三阶段”实施路线

第一阶段：选择一个可证明价值的场景

不要从“全厂智能体平台”开始。优先选择异常高频、数据可用、收益可量化、系统可连接的场景，例如质量根因分析、设备维修助手、预测维护、生产排程协同。

首期项目的目标要具体，例如“根因分析时长缩短30%”“设备异常响应时长降低20%”“工单闭环率提升至90%”。没有指标的PoC，很容易停留在展示层。

第二阶段：构建知识、技能和工具闭环

在首个场景完成后，把高频问题、历史案例、处理SOP、规则边界和接口能力沉淀为AI Skills。此时，重点不再是不断增加新问答内容，而是让智能体完成更多可验证、可审计的任务。

同时，需要建立工具调用规范、权限边界、异常升级机制和结果回写机制，确保智能体不仅“会说”，还能“做对”。

第三阶段：扩展为多智能体协同

当单场景能力稳定后，再逐步扩展到跨部门、跨工序的协同任务。

例如，先完成设备异常诊断，再接入生产计划Agent和质量Agent，使设备异常能够自动评估对订单、质量和交付的影响；先完成缺陷识别，再向工艺优化和供应商质量协同扩展。

这种由单点闭环到多智能体协同的路径，更符合制造业对可靠性和可控性的要求。

工业智能体的核心，不是“更像人”，而是“更懂工业”

工业AI大模型与智能体的最终目标，不是复制一个万能工程师，而是将制造企业长期积累的工艺、设备、质量和运营经验，转化为可被调用、验证、协同和持续进化的数字能力。

FII MOMClaw所代表的Factory Brain路径，提供了一个清晰方向：在存量数字化系统之上，通过统一Agentic Layer连接数据、知识、流程和角色，让工厂具备实时感知、协同理解、智能决策和受控执行能力。

对于制造企业而言，下一阶段最重要的问题不再是“要不要做工业AI”，而是：企业最值得被沉淀为AI Skills的经验是什么？最先需要被智能体闭环的任务是什么？又该如何让智能体在安全边界内真正进入业务流程？

工业富联科技服务透过 MoMClaw 多智能体架构打造 Factory Brain，实现知识传承、协同决策与自主运营。