1. 工厂里的AI Agent到底在干什么活很多人第一次听到AI Agent进工厂脑子里浮现的画面是机械臂自己思考、产线自己调度。实际落地完全不是这么回事。我在制造业信息化这行摸爬滚打十来年见过太多项目把智能体三个字贴在PPT上结果现场跑起来还不如一个写死的if-else脚本稳定。研华这套iFactory.AI Agent的实践经验之所以值得聊是因为它把预期拉回到了一个工程化的位置——AI Agent在工厂里干的不是替人做决策而是替人跑腿、替人查数、替人串流程。先把概念理清楚因为热词里一堆人在问agent和llm和ai模型有什么区别。用一句话说大模型是大脑Agent是给大脑装上手脚和记忆的那套系统。你问DeepSeek一个问题它给你一段文字这是模型能力但如果这个模型能自己去查MES数据库、能调用设备接口读寄存器、能根据返回结果决定下一步查什么那它就从模型变成了Agent。工厂场景里这个区别是致命的——因为工厂要的不是能聊天而是能办事。那工厂里到底有哪些事值得让Agent去办我梳理了一下研华这类方案覆盖的典型场景设备状态问答现场工程师不用翻HMI画面直接问3号线贴片机现在OEE多少Agent去数据采集层拉数、算完回话。报警根因初筛一条产线同时报十几条警Agent按时间戳和关联规则把根因候选排出来人只看前三条。工单与知识检索维修工问这个型号伺服驱动器报AL.32怎么处理Agent去知识库和设备手册里找给出处置步骤。跨系统流程串联从ERP拉工单、到MES查工艺参数、再到设备层下发配方中间不用人来回切系统。这些事的共同点是信息分散在多个系统里人做起来繁琐但不难Agent做起来刚好。这就是工业智能体落地的真实切口不是取代人是吃掉那些人做起来烦、机器做起来稳的中间环节。关键词里反复出现MCP这个必须单独说。MCPModel Context Protocol你可以理解成Agent和外部工具之间的标准插座。以前每接一个系统就要写一套适配代码MES一套、SCADA一套、数据库一套接十个系统写十套。MCP把这个适配层标准化了Agent通过统一的协议去调用不同的工具。研华的方案里设备数据、MES接口、知识库都被封装成MCP ServerAgent侧只要按协议调用就行。这是工程化能落地的前提——没有标准协议Agent每进一个厂就要重写一遍成本根本压不下来。提示别被智能体这个词唬住。判断一个工厂AI Agent项目靠不靠谱就看它有没有把数据接入和工具调用这两件事做扎实。光有大模型、没有稳定的数据通道现场跑不过三天。2. 为什么2026年被说成工程化落地的分水岭热词里有一句2026是工业智能体从概念演示走向工程化落地的分水岭这话不是空喊。我自己的判断是分水岭的本质不是模型变强了而是三个前置条件同时成熟了。第一个条件是数据底座。工业现场的数据采集这几年才真正铺开。研华本身就是做数据采集卡、边缘网关起家的它的优势在于设备层的数据能稳定拿上来。你让一个纯软件团队去做工厂Agent第一步就卡在数据从哪来。数据采集卡、PLC、OPC UA、Modbus这些底层通道不通Agent再聪明也是瞎子。这也是为什么热词里会冒出研华数据采集卡labview程序这种看似不相关的词——底层采集能力才是工业智能体的地基。第二个条件是协议标准化。MCP这类协议的出现让工具调用从每家自己造轮子变成按标准插拔。以前做一个跨系统Agent光接口对接就要几个月现在把各系统封装成标准ServerAgent侧开发周期能压缩到周级别。这个变化对工程化是决定性的。第三个条件是成本。大模型推理成本这两年降得很快加上边缘侧可以跑小模型做初筛、云端跑大模型做复杂推理整体TCO总拥有成本终于进入工厂能接受的区间。工厂采购是很现实的一个方案再先进ROI算不过来就是不上。把这三个条件放一起看2026这个时间点就说得通了数据通了、协议统一了、成本下来了工程化才成为可能。在这之前不是没人做是做了也落不了地卡在某个环节上。我见过一个反面案例。某厂2023年就上了智能问答结果知识库是手工整理的几百条FAQ设备数据根本没接进来。上线三个月工人发现问它设备状态它答不上来问它故障处理它给的步骤和现场对不上最后沦为摆设。问题不在模型在于它没有和真实数据、真实系统连起来。这就是概念演示和工程落地的差距。研华的实践经验里我特别认同的一点是它没有一上来就追求全自动。它先把Agent定位成辅助工具让人在环里human-in-the-loop。Agent给出建议人确认后再执行。这个保守策略看起来不够酷但恰恰是工程化能推进的关键——工厂对不可控的自动化容忍度极低任何一步自动执行出问题都可能导致停线。先做辅助、积累信任、再逐步放开权限这条路走得慢但走得稳。3. 拆解一个工厂Agent的组成结构热词里ai agent组成结构被搜了很多次说明大家对这个黑盒到底由什么拼起来很关心。我按工厂场景的实际落地来拆不讲教科书定义。一个能干活的工作Agent核心是四块感知层、决策层、执行层、记忆层。感知层负责把工厂里的状态变成Agent能理解的信息。这一层就是数据采集和接入。设备侧的寄存器、PLC的状态位、MES的工单数据、SCADA的报警记录都要通过采集通道汇总上来。研华在这层的积累是它的护城河——数据采集卡、边缘计算网关、协议转换这些硬件和固件能力决定了感知层稳不稳。感知层不稳后面全是空中楼阁。决策层就是大模型加上编排逻辑。这里有个常见误区很多人以为决策层就是一个大模型在思考。实际上工厂Agent的决策层是大模型规则引擎工作流的混合体。简单判断走规则复杂推理走模型多步骤任务走工作流编排。纯靠大模型做决策在工厂这种要求确定性的场景里是要出事的。执行层是Agent真正动手的地方通过MCP这类协议去调用工具。查数据库、读设备、写工单、发通知都是执行层的活。执行层的关键是权限控制——Agent能读什么、能写什么必须严格界定。让Agent有权限直接改设备参数这在工厂里是红线必须走审批。记忆层分短期和长期。短期记忆是当前会话的上下文比如这次排查故障聊到哪了长期记忆是沉淀下来的知识比如某类故障的历史处置方案。工厂场景里长期记忆特别重要因为老师傅的经验需要被沉淀成Agent能调用的知识。层级工厂场景职责关键技术点常见坑感知层采集设备/MES/SCADA数据数据采集卡、OPC UA、Modbus、边缘网关协议不通、采样频率不匹配决策层意图理解、任务编排、推理大模型、规则引擎、工作流纯模型决策、缺乏兜底执行层调用工具、操作系统MCP协议、API封装、权限控制权限过宽、无审计记忆层上下文管理、知识沉淀向量库、知识图谱、会话管理知识不更新、检索不准这个结构里我认为最容易被低估的是记忆层。很多项目把精力全砸在模型和工具上记忆层随便搞搞结果Agent每次都要从头理解老师傅的经验沉淀不下来用久了还是那个水平。工厂的知识是活的设备会换、工艺会调、故障模式会变记忆层必须能持续更新。还有一个结构上的细节Agent和LLM不是一回事Agent是LLM加上这一整套外围。热词里有人问codex可以直接读取其他ai agent会话内容吗这其实问的是Agent之间的记忆共享。在工厂里不同Agent设备Agent、质量Agent、排产Agent之间要不要共享上下文是个架构决策。共享能提升协同但也会带来信息污染和权限混乱。我的经验是按域隔离需要协同时通过标准接口传递结构化信息而不是直接共享原始会话。4. 从0到1搭一个工厂Agent的实操路径热词里从0到1搭建ai agent和ai agent搭建搜索量很高说明大家想要的是能照着做的路径。我结合研华的实践思路给一条我认为最务实的路线。注意这不是唯一路径但是一条踩坑相对少的路。4.1 第一步先选一个小而痛的场景不要一上来就做全厂智能调度那是找死。选一个边界清晰、数据可得、价值可衡量的场景。比如注塑机报警根因初筛或者某条产线的OEE实时问答。判断标准有三条数据能不能稳定拿到、问题是不是高频重复、效果能不能量化。我见过最成功的起步场景是设备报警问答。原因很简单报警数据本来就在采集问题高频效果一眼能看出来响应时间从几分钟降到几秒。这种场景做出来领导能看到价值后续要资源就容易。4.2 第二步把数据通道打通别急着上模型这一步是90%项目翻车的地方。数据没通就上模型等于让一个瞎子去指路。具体要做的是确认目标系统的数据接口OPC UA、Modbus、REST API、数据库直连把数据采集和清洗做好确保Agent能稳定拿到干净的数据。研华在这步的优势就是它本来就有采集硬件和软件栈。如果你用的是通用方案这步要格外花时间。我的建议是先用脚本把数据拉通、跑一周看稳定性再考虑接Agent。数据通道不稳后面全是白干。4.3 第三步把工具封装成标准Server按MCP的思路把每个能力封装成独立的工具Server。查设备状态是一个Server查工单是一个Server查知识库是一个Server。每个Server定义清楚输入什么参数、返回什么结构、有什么权限要求。这一步的价值在于解耦。Agent侧不关心工具怎么实现只关心按协议调用。以后换数据库、换MES只要Server接口不变Agent侧不用动。这是工程化能维护的前提。{ tool: query_device_status, description: 查询指定设备的实时状态与OEE, input_schema: { device_id: string, 设备编号, metrics: array, 需要的指标列表 }, permission: read_only, timeout_ms: 3000 }上面是一个工具定义的示意。注意permission字段工厂场景里每个工具都必须明确权限等级读和写要严格分开。4.4 第四步编排决策逻辑规则和模型混合决策层不要纯靠模型。我的做法是意图识别用模型任务路由用规则多步执行用工作流。用户问3号线为什么停机模型识别出这是故障排查意图规则引擎把它路由到报警设备状态工单三个工具的查询工作流工作流按顺序执行、汇总结果最后模型生成自然语言回答。这样设计的好处是可控。模型只负责它擅长的理解语言、生成回答确定性的逻辑交给规则和工作流。出问题时容易定位是哪一环的锅。4.5 第五步小范围试点人在环里先在一个班组、一条线试点Agent只给建议不自动执行。收集反馈看它答得准不准、工人们愿不愿意用。这个阶段的目标不是炫技是建立信任。工人信任它了才会真的用领导看到有人用了才会给更多资源。试点期我建议至少跑一个月重点看三个指标回答准确率、平均响应时间、日活使用人数。准确率低于80%就要回去调响应时间超过5秒工人就不爱用了日活上不去说明场景选错了。5. 那些没人告诉你但一定会踩的坑这部分是我最想写的因为官方文档和方案介绍里基本不会提但现场一定会遇到。5.1 数据看起来通了和真的通了是两回事我踩过最深的坑就是这个。测试环境里数据拉得好好的一上生产就时断时续。原因是生产环境的网络抖动、设备重启、采集频率冲突这些在测试环境根本复现不出来。解决办法是给数据通道加监控和重试机制Agent拿不到数据时要能明确告诉用户数据暂时不可用而不是瞎编一个答案。大模型最危险的行为就是数据拿不到时编工厂场景里编一个设备状态出来是要出大事的。5.2 大模型的幻觉在工厂里是安全事故通用大模型有个毛病不知道的时候会编。在聊天场景里编个答案无伤大雅在工厂里编一个设备正常可能导致漏检。必须给Agent加不知道就说不知道的机制。具体做法是工具返回空或超时Agent必须如实报告禁止模型自行脑补。这个约束要在提示词和编排逻辑里双重保证。5.3 权限设计宁紧勿松我见过一个项目为了方便给Agent开了设备参数的写权限。结果一次误调用差点改了正在生产的配方。工厂Agent的权限必须遵循最小必要原则写操作一律走审批读操作也要按角色分级。而且所有工具调用必须留审计日志出了事能追溯。5.4 知识库不是一次性工程很多项目把知识库建好就不管了结果半年后Agent给的答案全是过时的。工厂的工艺、设备、故障模式都在变知识库必须有持续更新机制。我的做法是让现场工程师能方便地反馈这个答案不对反馈直接进知识库的待审核队列形成闭环。5.5 别忽视现场的网络和算力现实工厂现场的网络条件、边缘设备的算力往往比办公室差很多。Agent如果全依赖云端推理网络一抖就卡。合理的架构是边缘做初筛、云端做复杂推理关键能力要有本地兜底。研华的边缘计算产品线在这块有天然优势通用方案要自己补这块。注意以上这些坑我在不同项目里几乎每个都踩过至少一次。它们的共同特征是——方案演示时都不会暴露只有真正上生产才会现形。所以试点期一定要拉长别急着全厂推广。6. 工业智能体和PLC编程、传统自动化的关系热词里ai agent与plc编程这个词挺有意思说明很多做传统自动化的人在关心这玩意会不会取代PLC编程我的判断是短期内不会取代但会改变交互方式。PLC编程是确定性的逻辑控制要求毫秒级响应和绝对可靠这是Agent目前给不了的。Agent擅长的是信息层面的编排不是实时控制层面的执行。但两者会结合。比如工程师要改一段PLC逻辑以前要翻手册、查寄存器地址、手动写代码以后可以问Agent帮我把这个工位的启动条件加上安全门信号Agent去查寄存器映射、生成代码草稿工程师审核后下载。Agent做的是辅助生成和信息检索最终执行还是人和PLC。这个边界很重要。把Agent放到实时控制回路里是拿工厂的安全开玩笑。把Agent放在信息层和辅助层它就能发挥价值。研华的方案里Agent始终在信息层活动不碰实时控制这个定位是清醒的。对于做传统自动化的同行我的建议是不用焦虑被取代但要学会用Agent提效。你懂工艺、懂设备、懂现场这些是Agent没有的。Agent能帮你更快地查资料、更快地生成草稿、更快地定位问题但判断和决策还是你的。会用Agent的自动化工程师会比不会用的效率高一大截。7. 我个人的一些实操体会做了几个工厂Agent项目下来最大的体会是这行的门槛不在AI在工业know-how。模型能力大家都能买到MCP协议是公开的但知道工厂里哪个环节值得做、数据从哪来、权限怎么划、工人愿不愿意用这些是买不到的。第二个体会是慢就是快。急着上大而全的方案往往三个月就烂尾老老实实从一个场景做起、把数据打通、把信任建立起来反而走得远。研华的实践经验里最值钱的可能不是技术是这种工程化的节奏感。第三个体会是别把Agent当万能药。有些问题用规则引擎就能解决非要上Agent是浪费。判断标准很简单这个问题需不需要理解自然语言、需不需要跨系统编排、需不需要处理非结构化信息。三个都不需要用传统方案更稳更便宜。最后说个具体的。如果你现在要启动一个工厂Agent项目我建议第一周只做一件事把目标场景的数据通道跑通连续跑七天看稳定性。这七天能帮你避开后面80%的坑。数据稳了后面的事都是水到渠成数据不稳模型再强也是白搭。这个顺序是我踩了无数坑之后才明白的。