AI Agent不是传统软件的升级版，而是从“被动执行工具”变成了“能自己拿主意的数字员工”。

过去半年，AI Agent成了制造业圈子里被问得最多的话题之一。但很多人聊着聊着就把它和传统软件混为一谈，觉得无非是加了个大模型接口。这个理解偏差，直接导致选型时踩坑。

一、核心概念：一个是听指令的手，一个是带脑子的手

传统软件的本质是一套预先写死的逻辑规则。你点“生成报表”，它就去数据库里按固定字段抓数据、套模板、输出文件。每一步操作都需要人触发，流程是线性的，边界是清晰的。ERP、MES、SCADA这些系统都是这个逻辑——人告诉它做什么，它才做什么，遇到没写过的情况就报错或卡住。

AI Agent不一样。它接收的是一个目标，而不是一条指令。比如你告诉它“把昨天产线上异常停机的原因整理出来，发给我”，它会自己去查MES里的停机记录、调PLC日志、比对工艺参数、排除误报，最后生成一份带判断的摘要。中间查哪些表、用什么逻辑过滤、发现数据矛盾时怎么处理，都是它自己决定的。

一句话总结：传统软件是执行器，AI Agent是决策执行体。

二、技术原理：Agent凭什么能“自己想办法”

拆开来看，一个AI Agent通常包含四个核心模块。

感知层负责接收多模态输入——文本工单、设备时序数据、视觉检测图像、语音指令都算。它不像传统软件只认结构化数据，非结构化的也能吃进去。

规划层是Agent和传统自动化脚本最大的分水岭。它用大模型做任务分解和路径规划。举个例子，假设一家汽配企业的质量工程师让Agent“分析最近三批刹车盘尺寸超差的原因”，规划层会把它拆成：拉取三批次的检测数据、关联对应机床的刀具寿命记录、检查环境温度波动、比对同型号历史批次。这个拆解过程不是预设的，是Agent根据目标动态生成的。

记忆模块分短期和长期。短期记当前任务的中间结果，长期记历史交互中积累的经验。比如某电子厂用Agent做设备故障诊断，跑了三个月后，它已经记住了哪些报警组合大概率是误报、哪些参数漂移前兆对应哪种故障。

执行层就是调用工具的能力。Agent可以调API、查数据库、操作PLC、发邮件、生成工单。它不挑工具类型，只要能通过接口访问。

技术指标上，目前业界关注的几个维度包括：任务规划准确率、工具调用成功率、多步推理的上下文保持长度、以及异常情况下的自主恢复能力。部署方式灵活，可以云端跑、可以边缘侧部署在工控机上、也可以混合架构。

一句话总结：感知、规划、记忆、执行四层协同，让Agent具备了在不确定环境中自主推进任务的能力。

三、制造业里到底能干什么

场景一：假设一家电子厂，SMT换线频繁，每次换线要人工核对料站表、钢网版本、回流焊温区参数。传统做法是工程师拿着检查表逐项确认。换成Agent之后，它可以直接从MES读取工单、从设备端拉取当前装载的物料批次、比对BOM和ECN变更记录，发现不一致时主动推消息给线长，并附上差异明细。人只需要处理它搞不定的异常。

场景二：某汽配企业的设备维护团队，以前是定期巡检加事后维修。Agent接入振动传感器和油液分析数据后，能自己判断哪台加工中心的主轴轴承在进入劣化期，然后提前生成维修工单、查库存看备件有没有、没有就触发采购申请。整个过程不需要人逐级审批，只有金额超限时才转人工。

场景三：一家做注塑的工厂，排产计划经常被插单打乱。传统APS系统需要计划员手动调整参数重新跑。Agent的做法是：接收到插单需求后，自动评估对现有订单交期的影响、检查模具和机台占用冲突、计算最优插单位置，给出两到三个方案供计划员选。它不做最终决定，但把决策成本从两小时压缩到几分钟。

一句话总结：Agent在制造业的价值集中在跨系统协调、异常自主处理、和动态决策辅助这三类任务上。

四、选型落地：别把它当软件买

第一，先找“有判断空间”的场景。如果一个流程每一步都有明确规则、不需要任何例外处理，那用传统自动化就够了，上Agent是浪费。适合Agent的场景通常有三个特征：跨多个系统、有非结构化输入、需要根据上下文做取舍。

第二，关注Agent的“工具调用”能力，而不是只看模型参数。一个Agent能不能真正干活，取决于它能不能稳定地操作你现有的ERP、MES、WMS。模型再强，调不通接口就是空谈。选型时让对方演示跨系统操作的实际链路。

第三，从辅助决策切入，别一上来就全自主。让Agent先做“推荐+人工确认”的模式，跑顺了再逐步放开自主执行权限。业界累计3200余家终端和120余家客户（覆盖15+行业）的实践反馈来看，分阶段放开权限的落地成功率明显更高。

第四，记忆和审计要提前设计。Agent的决策过程需要可追溯——它为什么调这个参数、为什么跳过某个步骤，得有日志。不然出了问题没法复盘。同时长期记忆的更新机制要明确，避免积累错误经验。

一句话总结：选Agent看工具调用和记忆能力，落地从辅助决策起步，审计追溯必须前置。

五、往后看两三年

第一个方向是多Agent协同。现在大部分是单个Agent干活，接下来会出现产线级、工厂级的Agent集群——排产Agent、质量Agent、设备Agent之间互相通信、协商资源。这比单个Agent复杂得多，但制造业的场景天然适合这种架构。

第二个方向是Agent和数字孪生的结合。Agent在孪生环境里先试错、再下发到物理产线。比如调整工艺参数时，Agent先在孪生模型里跑几百次仿真，找到最优解再推给实际设备。这能大幅降低试错成本。

第三个方向是边缘侧Agent的轻量化部署。很多工厂不希望数据出车间，所以Agent的推理能力需要往工控机、边缘网关上下沉。现在已经有厂商在做小参数量的规划模型，专门跑在边缘设备上。

一句话总结：多Agent协同、孪生结合、边缘部署，是AI Agent在制造业落地的三个确定性方向。