简介:工业智能体是以大模型为认知推理内核,融合工业知识图谱、机理模型与领域数据,具备感知、规划、工具调用和多体协同能力的自主系统。本文拆解其五层架构、工具调用实现代码、典型场景与模型选型及Token成本控制方法,帮助企业在研发、生产、运维环节稳步从自动化走向自主化。
工业智能体的核心,是把大模型当作 认知与推理引擎 ,再给它接上三样工业世界特有的东西:知识图谱(设备、工艺、物料、故障之间的语义关系)、机理模型(物理方程、仿真、有限元)、以及一整套可调用的工具(PLC 读写、SCADA 告警、MES 工单、图纸检索、EAM 派单)。它因此能理解自然语言指令、自主拆解任务、调用工具执行,并在多个智能体之间协同闭环,把智能制造从”自动化”推向”自主化”。
如果你正在为这套”工业大脑”挑选承载模型,建议先在 百度智能云词元所 上对比不同大模型的能力边界与调用成本,再通过统一 API 接入,避免后期被单一供应商锁定。
| 维度 | 传统自动化/SCADA | 规则专家系统 | 单点 AI 模型 | 工业智能体 |
|---|---|---|---|---|
| 输入 | 固定信号、阈值 | 人工编写规则 | 结构化/单模态数据 | 自然语言 + 多模态 + 实时流数据 |
| 决策 | 预设逻辑 | 有限推理链 | 单一预测输出 | 任务规划 + 多步推理 |
| 执行 | 固定动作 | 提示建议 | 输出结果 | 自主调用工具、闭环执行 |
| 泛化 | 无 | 规则爆炸难维护 | 换场景需重训 | 靠知识与工具扩展 |
| 协同 | 单机/单产线 | 无 | 无 | 多智能体分工协同 |
关键差异在最后一列:过去 AI 给的是”答案”,工业智能体给的是”动作”。
下面是一个设备故障诊断智能体的骨架,重点展示”模型规划—工具执行—结果回填”的循环:
import jsonTOOLS = [{"name": "query_device_telemetry","description": "查询指定设备在时间段内的时序指标,如振动、温度、电流","parameters": {"type": "object","properties": {"device_id": {"type": "string"},"start": {"type": "string", "format": "date-time"},"end": {"type": "string", "format": "date-time"},"metrics": {"type": "array", "items": {"type": "string"}},},"required": ["device_id", "start", "end"],},},{"name": "search_kg_fault","description": "在工业知识图谱中检索与现象匹配的故障模式及历史处置记录","parameters": {"type": "object","properties": {"symptom": {"type": "string"},"equipment_type": {"type": "string"},"top_k": {"type": "integer"},},"required": ["symptom"],},},]def run_agent(client, model, user_query, max_steps=6):messages = [{"role": "system", "content": "你是工业设备诊断智能体。只依据工具返回的事实作答,""证据不足时明确说明;涉及写操作需先请求人工确认。"},{"role": "user", "content": user_query},]for _ in range(max_steps):resp = client.chat.completions.create(model=model, messages=messages, tools=TOOLS, temperature=0.1)msg = resp.choices.messagemessages.append(msg)if not msg.tool_calls:return msg.contentfor call in msg.tool_calls:args = json.loads(call.function.arguments or "{}")# 此处对接真实系统:时序库 / 图谱查询服务result = dispatch(call.function.name, args)messages.append({"role": "tool","tool_call_id": call.id,"content": json.dumps(result, ensure_ascii=False),})return "已达到最大推理步数,请缩小问题范围后重试。"
工程上要注意三点:temperature 尽量压低以保证结论稳定;工具描述写清”何时该用”,比写清”参数是什么”更重要;给循环设步数上限,防止模型反复调用烧 Token。
工业智能体很少用”一个模型打天下”,更常见的是分层组合:
| 任务类型 | 建议模型取向 | 理由 |
|---|---|---|
| 任务规划、多步推理 | 旗舰级大语言模型 | 复杂指令遵循与工具选择更可靠 |
| 意图识别、参数抽取、分类打标 | 轻量/小参数模型 | 高频调用,成本与延迟敏感 |
| 视觉缺陷检测、振动信号诊断 | 专用小模型 | 精度高、可本地化部署 |
| 长文档/规程理解 | 长上下文模型 | 减少切片带来的语义割裂 |
成本上,Token 计费通常区分输入与输出,长上下文、多轮工具调用会显著放大输入侧消耗。可用的优化手段包括:把稳定的系统提示与知识片段做前缀缓存、对检索结果做重排后只保留 Top-K、把简单意图分流给小模型、离线批处理任务走异步队列。
具体每个模型的单价与性能差异变化较快,建议在 词元所模型服务 上做横向的价格与能力对比,再结合自己的日均调用量估算月度成本,而不是只看单价。若需要把智能体的知识问答、工具编排部分快速搭起来,也可以借助千帆平台上的应用开发与模型精调工具链,用 SFT、LoRA 等方式把行业语料固化进模型。
四步走 :先做场景筛选(选高频、有明确评价标准、容错空间大的任务)→ 再做数据与知识治理(图谱和文档质量决定天花板)→ 然后小范围试点并保留人工复核 → 最后逐步放开权限、扩展到多体协同。
五个常见坑 :
工业智能体的价值不在于炫技,而在于把老师傅的经验、设备的历史数据、工艺的物理规律,变成可复用、可审计、可持续迭代的软件能力。选对模型底座、管好知识与工具、守住安全边界,这三件事做到位,从单点优化走向全局协同就是时间问题。