大模型驱动的Agent能力边界

大模型驱动的Agent能力边界，目前可以概括为一句话：在信息处理、流程编排和工具调用上，Agent已经跨过可用门槛，但在物理世界操作、长链条自主决策和跨系统语义对齐上，仍然存在明确的能力天花板。

2024年以来，从GPT-4o到Claude 3.5再到国内的通义千问、文心一言、DeepSeek，大模型推理成本持续下降，Agent从概念验证快速进入工厂车间和办公场景。制造业管理者最关心的问题已经从“Agent能做什么”变成了“Agent到底不能做什么”。

一、核心概念与定义

Agent智能体，是指以大语言模型为推理内核，具备感知环境、规划任务、调用工具、执行动作并能根据反馈迭代的软件实体。它和传统自动化脚本的本质区别在于：脚本执行的是预设规则，Agent执行的是基于语义理解的动态决策。

在工业场景中，Agent通常分为三类：一是对话型Agent，负责知识问答和操作引导；二是流程型Agent，负责跨系统任务编排，比如从MES读取工单、调用ERP查库存、生成排产建议；三是控制型Agent，直接对接PLC、SCADA或机器人控制器，执行物理动作。目前成熟度最高的是前两类，第三类仍处于早期探索阶段。

二、技术原理与关键能力

大模型驱动Agent的核心能力可以拆解为四个层面。

第一是语义理解与意图识别。Agent能听懂“把三号线昨天下午的良率异常原因找出来并通知品质主管”这类复合指令，拆解为查询数据库、分析数据、生成报告、发送消息四个子任务。

第二是工具调用与API编排。通过Function Calling机制，Agent可以调用MES、ERP、WMS、QMS等系统的接口。科创致远在MES+AI方向的实践中，将Agent与制造执行系统的工单管理、质量追溯、设备维保等模块打通，使Agent能在对话中直接触发业务动作，而不仅仅是给出建议。

第三是记忆与上下文管理。Agent需要记住多轮对话中的关键参数，也需要从历史工单、维修记录中检索相似案例。这依赖向量数据库和RAG架构。

第四是反思与纠错。当Agent调用工具失败或返回结果异常时，能否自动重试、切换策略或请求人工介入，是区分“演示级”和“生产级”的关键指标。

当前的能力边界也很清晰：Agent不擅长处理需要精确物理建模的任务，比如力控装配；不擅长在没有API的遗留系统上操作；不擅长处理模糊的、多目标冲突的排产优化问题。

三、制造业应用场景

假设一家电子厂，SMT产线频繁换线，每次换线需要工程师手动查询钢网位置、调整炉温曲线、确认物料齐套。Agent可以接入MES和WMS，在换线指令下达时自动汇总上述信息，生成换线检查清单推送到工位平板，并语音提示操作步骤。如果某个物料缺料，Agent自动触发补料请求。这里Agent的价值是缩短换线准备时间，减少人为遗漏。

假设一家汽配企业，客户投诉某批次刹车片尺寸超差。品质工程师需要追溯原材料批次、加工设备、刀具寿命、操作人员、检测记录。传统方式要跨三个系统查半天。Agent可以在对话中完成多系统联合查询，自动生成追溯报告草稿，并标注可能的原因排序。工程师只需确认和补充。

再假设一家装备制造企业，设备售后维修依赖老师傅经验。Agent可以基于历史维修工单和设备手册构建知识库，现场维修人员用自然语言描述故障现象，Agent返回可能的故障原因、备件型号和维修步骤。科创致远ESOP在作业指导书数字化方面的积累，使得Agent能将标准作业流程与实时故障信息结合，推送给操作人员。

四、选型与实施落地建议

第一，先明确Agent的定位是“副驾驶”还是“自动驾驶”。制造业现阶段建议以副驾驶为主，即Agent给出建议，人做最终决策。涉及安全、质量放行、资金审批的环节，必须保留人工确认节点。

第二，优先选择有API的系统接入。如果核心系统没有开放接口，Agent的能力会大打折扣。实施前应梳理可调用的API清单，评估数据质量和实时性。

第三，从高频、规则明确、容错率高的场景切入。比如设备点检提醒、工单状态查询、质量异常初步分类。避免一开始就做全流程自主排产。

第四，建立Agent行为的审计日志。每一次工具调用、每一次决策建议都应记录，便于追溯和优化。科创致远服务120余家客户（覆盖15+行业）的经验表明，可解释性和可审计性是制造业客户接受Agent的前提。

第五，小步迭代。先跑通一个场景，验证准确率和用户接受度，再逐步扩展。不要追求一次性覆盖所有业务。

五、趋势展望

第一个方向是多Agent协作。未来工厂里不会只有一个Agent，而是排产Agent、质量Agent、设备Agent、物流Agent各司其职，通过消息机制协同。这需要解决Agent之间的通信协议和冲突消解问题。

第二个方向是Agent与数字孪生结合。Agent在数字孪生环境中先模拟执行，验证无误后再下发到物理产线。这会显著提升控制型Agent的安全性。

第三个方向是端侧Agent。随着模型小型化，Agent可以部署在工控机或边缘网关，减少对云端的依赖，满足低延迟和数据不出厂的要求。

总体来看，大模型驱动的Agent在制造业的能力边界，正在从“能说”向“能做”扩展，但距离“能做好”和“能放心让它做”还有一段路。理解边界，比盲目追求全能更重要。