工业智能体要落地，绕不开这三层

工厂不缺数据。MES 里有工单，QMS 里有判定，质检相机一个班次就攒下十几万张图像。真正卡住的是后面两步：多源数据语义不统一，模型看不懂；模型给出的判断又停在一句“建议”，从建议到执行之间，还得靠人去接。

这两处断点，决定了大多数工业智能体项目最后只留下一块看板。要跨过去，得同时补齐三样东西——懂这行的语义底座、管得住智能体的中枢、能真正动手的工具层。本文以菲特工业智能体的产品结构为例，讲清每一层解决什么问题、又该怎么判断它做没做到。

一、先分清：智能体、聊天机器人、看板，差在哪

三者最直观的区别，是它在流程里占据什么位置。看板负责“让人看见”，聊天机器人负责“替人答问”，智能体要负责“替人推进一件事”——感知到异常、做出判断、调用工具、把结果落回流程。

有个很省事的检验办法：把这个智能体从流程里摘掉，看流程会不会明显变慢、出错或需要补人。如果毫无变化，那它并没有进入决策与执行环节，只是换了个界面。

顺着这个标准往下看，一套能用的工业智能体，结构上必然是三层：底座决定它敢不敢下判断，中枢决定它能不能被管住，工具决定它的判断能不能变成动作。缺哪层，补哪层。

二、第一层｜语义底座：让模型“敢”下判断

通用大模型进车间，最先撞上的是三件事。

一是口径。它不知道多少算超差、什么算异常，也不知道这道工序的 CpK 到多少才算稳。二是耦合。工艺参数之间深度耦合，纯数据驱动的模型缺乏机理支撑，在极端工况下容易失效。三是表征。传感器时序、视觉图像、工艺文档是三套语言，不统一表征，感知就是碎的。

工程上的解法通常分两段：先用跨模态预处理、分层编码融合与物理约束预训练，把多源数据拉到一致的时空语义基准上；再把机理模型做模块化与知识化封装，与数据模型混合建模，并配套版本管理、在线更新、性能监控与可信验证。

说得直白些：机理负责“不会离谱”，数据负责“跟得上变化”。两者缺一，模型在车间里就只能当参考意见用。

这一层拼的是积累，不是参数。菲特 2013 年成立，以“AI+光学”为根技术，十几年跟着客户跑产线审核与质量判定，沉淀了 6 亿条以上工业优质数据集、70 亿条以上质量缺陷记录、1 万项质量标准、2.6 万余条国际质量标准翻译、10 万条以上缺陷成因分析，服务过 20 余家世界 500 强企业。这类数据不可复制，也很难通过采购获得。

路线选择上，走的是混合架构：通用底座负责理解人的表达，压铸、机加工艺、化工流程、新能源等垂类模型负责专业判断。好处很实际——工艺一改，只重训垂类模型，底座不用动；提问可以用白话，落到参数上仍按行业口径走。

三、第二层｜智能体中枢：决定它是“智能体”还是“玩具”

工业现场容错率极低，一次误判就是真金白银。所以中枢的价值不在功能列表有多长，而在六个动作能不能兑现：建得起来、跑得起来、管得住、看得见、审得了、交得出去。

 ●建得起来：编排画布上定义多智能体的角色、流程、权限边界、目标与决策环节，再配数据源与工具。

 ●跑得起来：调度、任务生命周期、状态可观测，多智能体并发时不出乱序。

 ●管得住：权限规则与决策边界写进配置，而不是靠口头约定。

 ●看得见：驾驶舱里“办公室”看各智能体状态与交互类型，“调度中心”看控制器负载与任务统计，“任务”里能逐步追溯执行轨迹——谁在什么时候调了什么工具，全部留痕。

 ●审得了：发布环节即配权限规则与合规审计，而不是事后补日志。

 ●交得出去：搭好的智能体能被上层业务系统调用，成为应用的“智能体后端”。

另外两块常被低估。知识库不只是存文档，它要把多数格式的文档连同图片、版式一起解析纳管，再由智能体整理成可长期调用的高维知识；数据中枢连上库后自动读取表结构，省掉大量对接工作。这两块做不好，智能体“记不住事”，也“查不到数”。

它带来一个结构性变化：“应用变薄、中枢变厚”。上层应用只保留交互、看板与流程界面，智能能力统一由中枢供给。这样一来，每上一个新场景不必再建一套系统，也不会各自养一套智能体、最后形成一堆孤岛。

四、第三层｜工具：有没有“手”，决定闭环能不能合上

大模型会想，但不会看、不会控。判断“有没有手”只需两个问题：它能不能改一个工艺参数？能不能触发一次停机或复检？只能读数据、只能出报告，说明它还没进执行环节。

业内关于“软硬一体还是软件为主”争论了很久，实践的答案偏向前者——接口割裂是工业 AI 项目交付失败最常见的原因，自研闭环贵在前期、赢在交付。Cube 从采集设备到算法平台再到控制接口均为自研或深度适配，开发效率提升三到五成，交付成本降低约七成。这笔账，项目做到第二期最明显。

五、把方法用一遍：三个场景的拆法

光讲结构容易空，看三个真实场景怎么拆。

场景一：机加工质量管控。痛点是质量数据散在机床、测量、刀具、环境四个系统里，根因靠人翻记录，预警总慢半拍。做法是四路数据打通、时序与视觉融合、多模态根因分析、工艺参数推荐、闭环执行，最终落到孔位尺寸监控、异常超差预警、质量知识沉淀与自进化。关键点不在模型多强，而在推荐的参数能不能直接下发到设备。

场景二：电池工步一致性分析。这是最能说明“数据对齐为什么重要”的例子。痛点是单点参数全部达标，电芯性能仍然不一致——波动来自工步执行中的状态差异与多参数耦合偏移，不是某一项超限，传统质检和 SPC 抓不住。做法可以拆成四步：

• 建唯一 ID：每颗电芯一个 ID，把 MES、化成、分容三段数据精准对齐，没有这一步，后面全是空谈；
• 提特征：制造阶段约 20 项、化成阶段 20–30 项，必要时补充分容阶段的充入量与放电数据，初始特征集 50 项以上；
• 建模归因：构建工步一致性模型识别异常电芯并做工序级判别，再由智能体自动分析与整理归因；
• 建记忆：把历史异常模式与已确认根因沉淀成“工艺记忆体”，支持跨批次对比。

这套做法跑出来的指标是：异常工步定位准确率 ≥95%，单电芯级工序归因覆盖率 ≥85%，关键工艺参数归因 Top-3 命中率 ≥90%。注意这里的能力不是“预测一个良率”，而是“指出是哪道工步、哪组参数出的问题”——后者才能指导工艺去改。

场景三：视觉检测与预测性维护。电池行业的八个检测点位（Z 型膜褶皱、涂布表面、密封钉焊缝、电芯与圆柱外观、电池包外观、总成成品等）跑下来，关键缺陷检出率 99% 以上、误报率 5% 以内、人工质检成本节约 30%。设备侧则按预测性维护国标走三步：现场数采、特征量与寿命模型、验证后进入维护决策；低成本路径也很实在——用声学传感器听刀具与加工状态，用 IO-link 直接采电机扭矩。

六、算账：把百分比翻译成管理语言

铝压铸项目的成效可以直接换算：内外不良削减 25%，品质解析工时削减 40%，模具汤口渣包轻量化带来原材削减 5%，模具不稼动削减 2%，设备稼动率提升 3%。

翻译过来就是三句话：返工与赔付少了；质量团队从“人海解析”转向决策；同样的人和设备，产出更多。

但看到这类数字，先问统计口径与基线。不同产线、不同批量下的“削减 25%”不能直接横向比较，这既是选型时的自我保护，也是对供应商专业度的检验。

七、三个前提：决定你现在适不适合上

不是所有环节都该立刻上智能体。真正动手前，先过三道自查。

第一，数据能不能对齐。系统里的记录能不能串到同一颗电芯、同一个工件？串不上，就先把标识体系和主数据治理做掉，这活儿省不掉。

第二，工具能不能调。PLC 有没有通讯口，仪表有没有 4–20mA 或 RS485 输出，产线设备支不支持 IO-link？没有，就得先补硬件预算——这笔钱在选型时最容易被漏算。

第三，组织愿不愿交出部分决策权。在预警范围内让系统自动停车、自动调参，需要明确授权；同时得有既懂工艺又懂数据的人做对接，否则智能体的输出没人接得住。

三条缺一条，智能体就只停在看板层面。这话不好听，但能省下不少预算。

八、路径：由点到线到面，别信“一步到位”

工业智能体的建设，最该警惕的是“一步到位”的网状架构幻想。可行顺序只有一条：先在研产供销服里挑一个高价值单点做智能体——多数企业选质量，因为数据最密、判定标准最硬、账最好算；再用计划、采购、设备、品质几条线把智能体串起来协同；最后才收拢成统筹全局的工厂大脑。

这条路径的好处是每一步都可验收：单点看指标，串线看协同效率，工厂大脑看全局调度。中间任何一步不成，损失都可控。反过来，一上来就铺一张大网，往往连第一笔账都算不清。

九、一张表收尾，以及一句实话

把三层结构压成一张表，选型时可以逐行对照：

工业智能体的产出，大约等于语义底座 × 可调用工具 × 组织授权。任何一项为零，结果就是零。所谓“三层”不是概念分层，而是三个必须同时到位的条件：模型敢下判断、中枢管得住、工具有手。

对还在选型的企业，最务实的动作不是全盘上马，而是挑一条产线的一个痛点做单点验证——用自己算出来的账，去核对供应商宣传的那本账。

关于菲特

菲特（天津）检测技术有限公司成立于 2013 年，以“AI+光学”为根技术，是专注于以 AI 赋能工业制造的高科技企业。公司以工业 AI 大模型为核心、以平台化架构为骨架、以软硬件一体设备为载体，打造“智能感知—智能决策—智能执行”贯通的产品与解决方案。

菲特累计获得 350 余项知识产权（其中发明专利 95 项），获评国家级专精特新重点“小巨人”企业、国家高新技术企业、国家服务型制造示范平台，建有工业 AI 原生传感器院士工作站。目前已服务奔驰、宝马、大众、中航集团、中化集团、中电科、华润医药、中冶赛迪等龙头企业，覆盖航空航天、汽车、生物医药、化工制造、矿山、工业母机、新能源等 15 个高端制造领域。