想做一个工业agent

工业 Agent 不是把大模型接进 PLC 那么简单，它真正的门槛在于把”能对话”变成”能闭环”——能不能读现场数据、能不能调得动 MES/SCADA、能不能在权限和审计下把动作真正执行下去，这三件事决定了你做出来的是玩具还是生产力工具。我做过两个落地的工业侧 Agent 项目（一个在注塑车间做工艺参数推荐，一个在设备运维做故障根因分析），下面把踩过的坑和选型思路完整讲一遍，尽量让你少走半年弯路。

先想清楚：工业 Agent 到底是哪一类东西

市面上叫”工业 Agent”的产品，其实分三种完全不同的形态，做之前必须选边站，因为技术栈差别巨大：

• Copilot 型：本质是”懂工业知识的问答+文档助手”，帮工程师查手册、查历史工单、解释报警码。技术重点是 RAG 和知识库治理，不碰控制层，落地最快。
• 自动化执行型：能调用工具、触发工单、下发参数、联动 MES/ERP。核心是 Tool Calling + 权限体系 + 审批流，风险也最高。
• 优化决策型：做排产、能耗优化、工艺参数寻优，通常要结合运筹优化/强化学习，大模型只负责意图理解和解释结果，是”壳”，真正的引擎是求解器。

大部分团队一上来就想做第三种，结果发现数据都没打通，最后退回到第一种。我的建议是从 Copilot 起步，用执行型做增量，最后才碰决策型。

技术架构：一张图说清分层

工业 Agent 的架构和通用 Agent 最大的区别在于多了一层”工业语义层”和一层”安全执行层”。典型的五层结构：

层级	职责	常用技术/产品
交互层	对话、语音、移动端、工控屏	Web/App、企业微信/钉钉集成
Agent 编排层	意图识别、任务规划、工具调用	LangGraph、Dify、Coze、自研状态机
工业语义层	把”1号机温度偏高”映射到具体测点	自建本体/知识图谱、OPC UA 信息模型
数据接入层	实时数据、历史数据、工单、图纸	OPC UA、Modbus、MQTT、Kafka、时序库
安全执行层	权限校验、审批、审计、回滚	RBAC/ABAC、工单系统、操作日志

其中工业语义层是最容易被低估、也最值钱的一层。大模型不知道你厂里”3号线”指的是哪台设备、”料温”对应哪个 PLC 地址。这层没做好，Agent 就是个胡说八道的聊天框。

数据接入：绕不开的协议与实时性

工业现场的数据源极其碎片化，你至少要处理这几种：

• OPC UA：新设备首选，自带信息模型，是工业 Agent 最友好的协议。
• Modbus / Profinet / EtherCAT：老设备主流，需要网关转换，注意寄存器地址映射。
• MQTT：适合边缘到云的上行，做实时告警流很合适。
• 时序数据库：InfluxDB、TDengine、PI System，用来做历史回溯和趋势分析。
• 业务系统：MES、ERP、EAM、QMS，通常通过 REST API 或数据库直连。

实时性上要有清醒认知：大模型的推理延迟是秒级甚至十秒级，绝对进不了毫秒级的控制回路。所以工业 Agent 的定位一定是”监督层/决策辅助层”，真正的实时控制仍然交给 PLC 和边缘控制器。任何声称”大模型直接控制产线”的方案，基本可以判定是不懂现场的。

模型选型：不要迷信通用大模型

工业场景对模型的要求和写文案完全不同，重点看三件事：工具调用稳定性、长上下文里的表格/时序理解、私有化部署能力。

• 闭源 API 路线：Claude、GPT 系列在 Tool Calling 和复杂推理上仍然领先，适合做原型和云端 SaaS。参考 Claude、OpenAI。
• 国产闭源：通义千问、豆包、DeepSeek 在中文工业文档理解上不错，且合规性好。DeepSeek 在推理任务上性价比很高。
• 开源私有化：Qwen、Llama、GLM 系列可本地部署，适合数据不能出厂的场景。Ollama 和 vLLM 是常用推理框架。
• 小模型专用化：报警分类、工单归类这类窄任务，用 7B 微调往往比 70B 通用模型更准更快。

实操建议：用大模型做规划和解释，用小模型/规则做高频窄任务，成本和稳定性都能兼顾。

Agent 框架怎么选

不用从零造轮子，但也别指望一个框架解决所有问题。

• Dify：低代码，适合快速搭 Copilot 型应用，可视化编排，私有化部署方便。Dify
• LangGraph：状态机式编排，适合需要复杂分支、循环、人工介入的工业流程。LangGraph
• Coze / 扣子：上手最快，但私有化和深度定制受限。Coze
• 自研：当你的工具调用超过 30 个、审批流复杂、需要和 MES 深度耦合时，自研反而更省心。

我的经验是：原型用 Dify，生产用 LangGraph 或自研。别在框架上纠结太久，工业项目的难点从来不在框架。

安全与合规：这一层决定你能不能上线

工业客户最关心的不是 Agent 多聪明，而是它会不会乱来。必须做的几件事：

1. 权限隔离：Agent 的操作权限要独立于个人账号，最小权限原则，读和写分开。
2. 写操作强制审批：任何下发参数、停机、改配方，必须走人工确认或双人复核。
3. 全链路审计：谁在什么时候让 Agent 做了什么、依据是什么数据，都要留痕。
4. 幻觉兜底：关键结论必须引用数据源，无法溯源的一律降级为”建议”而非”结论”。
5. 网络隔离：生产网和办公网分离，Agent 部署位置要符合等保和工控安全要求。

落地路径：我推荐的四个阶段

阶段	目标	周期参考	关键交付
P0 场景选型	锁定 1 个高频、低风险场景	2~4 周	场景清单 + ROI 估算
P1 数据打通	把相关测点、文档、工单接进来	1~3 个月	数据字典 + 语义层雏形
P2 Copilot 上线	只读问答，验证准确率	1~2 个月	知识库 + 评测集
P3 执行闭环	开放有限写操作，带审批	3~6 个月	权限体系 + 审计日志

选第一个场景有个很实用的原则：选”高频、低风险、有明确对错”的。比如设备报警根因推荐、点检记录自动生成、工艺参数历史对比，都是好起点。千万别一上来做”全厂智能排产”，那是给自己挖坑。

常见坑，提前避

• 数据质量差：测点命名混乱、大量空值、单位不统一。这活儿占项目 60% 时间，要有心理准备。
• 老师傅不信任：一定要让一线工程师参与评测集构建，他们的判断标准才是金标准。
• 过度追求通用：一个场景做深，比十个场景做浅有价值得多。
• 忽视运维：模型会漂移、数据源会变、设备会新增，要有持续迭代机制。
• 低估集成成本：和 MES/ERP 的对接往往比模型本身难十倍。

相关问题

1. 工业 Agent 需要多少数据才能做？
Copilot 型几百份文档加历史工单就能起步；执行型至少要有半年以上的时序数据和完整的设备台账；决策型通常需要 1~2 年数据才能训练出可靠模型。

2. 小厂预算有限，怎么低成本试水？
先用 Dify + 国产 API 搭一个只读的设备手册问答，成本可以控制在万元级，验证价值后再逐步接数据。

3. 大模型会不会取代工业软件？
短期不会。MES、SCADA、PLC 承担的是确定性控制，Agent 承担的是不确定性的理解与辅助，两者是互补而非替代。

4. 怎么评估一个工业 Agent 好不好用？
看三个指标：任务完成率、人工接管率、平均节省时间。别只看回答像不像人话。

5. 做工业 Agent 最需要什么背景的人？
最稀缺的是”懂工艺又懂代码”的复合型人才。纯 AI 背景的人容易低估现场复杂度，纯工控背景的人容易低估数据治理成本，最好组混合团队。