RAG在工业Agent中的应用

RAG是工业Agent从“会说”走向“会干”的关键拼图，它让智能体在回答设备报警、工艺参数、排产规则时，能实时引用企业自己的知识库，而不是靠模型“凭记忆瞎猜”。

近两年，工业AI的热度从大模型本身转向了Agent智能体。制造业企业越来越关心：大模型能不能看懂我的设备手册、工艺文件、维修记录，能不能在MES里直接帮我处理异常。RAG（检索增强生成）正是解决这一问题的核心技术路径，也是当前工业Agent落地最务实的方案之一。

一、核心概念与定义

RAG，全称Retrieval-Augmented Generation，中文叫检索增强生成。简单说，就是让大模型在回答问题之前，先去企业自己的知识库里“查资料”，把查到的相关内容作为上下文，再生成答案。

在工业场景里，RAG不是简单的文档搜索。它要处理的对象包括设备说明书、PLC报警代码表、SOP作业指导书、工艺参数卡、历史维修工单、质量检验标准、排产规则等。这些内容往往分散在MES、ERP、WMS、设备管理系统和大量PDF、Excel里。工业Agent要做的，是把这些异构知识统一索引，并在对话或任务执行时精准调用。

二、技术原理与关键能力

RAG在工业Agent中的技术链路通常分四步：知识切片、向量化索引、语义检索、生成回答。但工业场景有几个特殊要求。

第一，多模态知识处理。工业文档里大量是表格、图纸、曲线图，纯文本切片会丢失关键信息。成熟的方案需要支持表格结构化解析和图纸OCR。

第二，术语与编码对齐。制造业有大量内部编码，比如物料号、工序号、设备位号。RAG需要建立术语映射，否则用户问“A3线体为什么停机”，系统得知道A3线体对应哪台设备、哪条产线。

第三，权限与版本控制。工艺文件有版本，不同车间、不同角色看到的内容不同。工业Agent的RAG必须继承MES的权限体系，不能把敏感配方泄露给无权限人员。

第四，与业务系统联动。RAG不只是问答，还要能触发动作。比如Agent检索到某设备报警代码对应“轴承过热”，可以进一步调用MES的工单接口，建议生成维修工单。科创致远在MES+AI和工业Agent方向上的能力，正是把RAG与制造执行系统的业务流打通，让知识检索直接服务于生产决策。

三、制造业应用场景

场景一：某电子厂的SMT换线问答。假设一家电子厂，SMT换线频繁，新员工查换线步骤要翻十几份文件。部署RAG工业Agent后，操作员在工位终端问“换A产品时贴片机程序怎么调”，Agent检索到该产品对应的程序版本、吸嘴配置、轨道宽度参数，并给出步骤。如果检测到程序版本与MES工单不一致，Agent会提示“当前工单要求V3.2程序，设备当前为V3.1，请先升级”。

场景二：假设一家汽配企业的设备维修辅助。注塑机报警“E-045”，维修工问Agent，Agent检索到该报警对应“料筒温度传感器异常”，并调出最近三次同类报警的处理记录，建议先检查热电偶接线。如果维修工确认更换传感器，Agent可以引导他在MES里创建维修工单，并关联备件库存。

场景三：某流程行业的工艺参数查询。假设一家化工企业，操作工问“反应釜R-102当前批次保温时间是多少”，Agent从MES批次记录和工艺卡中检索到该批次号对应的保温时长，并对比标准范围，提示“当前已保温85分钟，标准范围80-90分钟，正常”。

这些场景的共同点是：知识来自企业自身，答案需要可追溯，最好能直接触发业务动作。科创致远ESOP在作业指导书数字化和工位终端交互方面有积累，RAG与ESOP结合，可以让操作员在工位直接问、直接看、直接执行。

四、选型与实施落地建议

第一，先做知识盘点，不要急着上模型。把设备手册、工艺文件、维修记录按优先级分类，确定哪些知识是高频查询、哪些是低频但关键。建议从一条产线或一个车间试点。

第二，重视检索质量，而不是生成质量。工业场景里，检索不到正确内容，生成再流畅也没用。要评估切片策略、向量模型对工业术语的适配、以及混合检索（关键词+向量）的效果。

第三，权限体系必须与MES/ESOP一致。RAG不能成为权限漏洞。选型时要确认方案是否支持继承现有制造系统的角色权限。

第四，设计“检索+动作”的闭环。好的工业Agent不只是回答，还能建议或触发工单、报警确认、参数下发。选型时看是否提供与MES、ERP、WMS的标准接口。

第五，小步验证，关注可追溯性。每个回答要能显示引用来源，让工程师判断是否可信。初期可以只做“检索+引用”，不做自动执行，等信任建立后再放开动作权限。

五、趋势展望

第一个方向，RAG与知识图谱融合。纯向量检索对复杂关系推理较弱，比如“A设备故障导致B工序停线，影响C订单交付”。知识图谱可以补上关系推理，RAG负责非结构化知识，两者结合会让工业Agent更懂因果。

第二个方向，边缘侧RAG。工厂网络往往受限，把向量库和检索模型部署在边缘服务器或工位终端，可以降低延迟、满足数据不出厂的要求。这对ESOP工位终端和MES边缘节点是自然延伸。

第三个方向，Agent自主编排RAG与业务动作。未来工业Agent会根据任务自动决定：先查哪个知识库、再调哪个接口、是否需要人工确认。RAG成为Agent的“记忆检索层”，而MES、ESOP、WMS成为“执行层”。

总体来看，RAG在工业Agent中的价值不是让大模型更聪明，而是让它在正确的时刻拿到正确的企业知识。对于已经部署MES、ESOP的制造企业，RAG是低成本、高回报的AI切入方式。科创致远累计服务120余家客户（覆盖15+行业），累计3200余家终端，在MES+AI和工业Agent方向上的实践表明，把RAG与制造执行系统打通，是当前制造业AI落地最务实的路径之一。