Agent如何理解工业术语

Agent理解工业术语，靠的不是背词典，而是把词放到设备、工艺和工单的上下文里反复对照。这件事直接决定了工业AI能不能真正听懂一线的话。

这两年大模型进工厂的节奏明显快了。但很多团队发现，通用模型能写诗能聊天，一进车间就犯迷糊——老师傅说“把三号线的活件过一下”，它不知道“活件”是工件，“过一下”可能是清洗也可能是探伤。工业术语的理解，成了Agent落地制造现场的第一道门槛。

一、工业术语不是词汇表，是带场景的知识图谱

通用词典里，“淬火”就是一个词条。但在车间里，它关联着加热温度、冷却介质、硬度指标、对应的设备编号，甚至和前后道工序的衔接节拍。Agent要理解工业术语，本质上是要理解一张隐形的网。

这张网有几个特点。同词不同义：在注塑车间“保压”是一个压力维持阶段，在装配线“保压”可能指气密性检测。同义不同词：有的厂叫“打标”，有的叫“刻码”，有的叫“赋码”，指的是同一件事。还有大量缩写和土话：SOP、BOM、ECN是标准缩写，但“拉线”“走线”“过炉”这些口语化表达，通用模型根本没处学。

所以Agent理解工业术语的第一步，不是扩大词库，而是建立术语和实体之间的映射关系。术语背后要挂上设备、物料、工序、质量特征、工单号。没有这层映射，理解就是空中楼阁。

二、Agent靠三件事把术语吃透

第一件事是上下文锚定。一个术语出现时，Agent要同时看它出现在哪张工单、哪个工位、哪台设备、哪个班次。比如“调机”这个词，出现在注塑机旁边就是调参数，出现在CNC旁边就是调刀补。上下文窗口里塞进这些结构化信息，歧义就能大幅消解。

第二件事是术语对齐。制造业里同一件事有太多说法。Agent需要一套对齐机制，把不同厂、不同人、不同系统里的表达归一到同一个语义ID上。这套机制可以基于向量检索加规则兜底。向量负责找语义相近的表达，规则负责处理缩写和数字代号。业界一些厂商的做法是建一个动态术语库，新词进来先做相似度匹配，匹配不上再走人工确认，确认后自动入库。

第三件事是反馈闭环。Agent第一次听到“三号线那个活件”可能理解错，但操作工纠正一次之后，这个纠正要能写回术语库。下次再遇到同样表达，直接命中。这个闭环跑得越快，Agent的术语理解能力就越贴近这个厂的真实语言习惯。

三、三个行业里的真实理解难题

某电子厂做SMT贴片。产线上说“过炉”指的是回流焊，“炉温”指的是回流焊温度曲线，“炉后”指的是AOI检测工位。一个新来的Agent如果只按字面理解，会把“过炉”当成一个普通动作，不知道它绑定着特定的温度曲线和传送速度。实际落地时，Agent需要把“过炉”和回流焊设备ID、当前产品型号对应的温度程序关联起来，才能正确响应“查一下今天过炉的直通率”这种指令。

假设一家汽配企业做机加工。车间里“换刀”这个词，在粗加工工位指的是更换刀片，在精加工工位可能指的是整个刀柄更换。而且换刀之后通常要触发对刀和首件检测。Agent如果只识别出“换刀”这个动作，不触发后续流程，就会漏掉关键质量控制点。这里的关键是术语理解要延伸到流程触发，不能停在语义识别。

再假设一家注塑企业。操作工说“打件”“打样”“试模”三个词，分别对应批量生产、小批量验证、模具调试三种完全不同的工单类型。Agent要能根据工单系统里的状态字段和数量字段来区分，而不是靠猜。这要求术语理解和业务系统数据打通，否则理解就是错的。

四、落地时先做窄，再做深

很多团队一上来就想让Agent理解全厂所有术语，结果术语库建了几千条，准确率还是上不去。更务实的路径是选一个车间、一条产线、甚至一个工位，先把这一小片区域的术语理解做透。

具体做法可以分三步。第一步，把选定的工位最近三个月的工单、报工记录、质量异常记录拉出来，人工标注出高频术语和它们的实际含义。这一步不用多，一两百条就够起步。第二步，把这些术语和MES或工单系统里的字段做映射，让Agent能通过查数据来消歧。第三步，上线后设一个简单的纠错入口，操作工发现理解错了，点一下就能修正，修正结果自动进术语库。

选型时要注意一点：Agent的术语理解能力不只看模型大小，更看它能不能方便地接入工厂已有的工单系统、设备台账和质量数据。一个能查数据的轻量Agent，往往比一个只会聊天的百亿参数模型更管用。目前业界累计3200余家终端和120余家客户（覆盖15+行业）的实践反馈也指向同一个结论：术语理解的上限，取决于数据打通的深度，而不是模型参数的量级。

五、术语理解正在从“能听懂”走向“能预判”

第一个方向是术语理解从被动响应走向主动预判。Agent不只是等操作工问“三号线活件到哪了”，而是根据设备状态和工单进度，主动提示“三号线活件预计十五分钟后到达检测工位，建议提前准备量具”。这需要术语理解和排产逻辑深度耦合。

第二个方向是跨厂术语迁移。同一家集团在不同地区的工厂，对同一道工序的叫法可能完全不同。未来Agent要能在一个厂学会术语理解模式，快速迁移到另一个厂，只需要少量样本就能对齐。这对多工厂协同的制造企业价值很大。

第三个方向是术语理解的可解释性。操作工问Agent“为什么你说这个活件要报废”，Agent要能回答“因为‘过炉’温度曲线偏离了该产品型号的工艺窗口，关联的炉温数据在第三温区超上限”。术语理解不能是一个黑箱，它要能追溯到具体的数据来源和判断依据。这既是信任问题，也是责任问题。

工业术语是制造业几十年积累下来的语言资产。Agent理解工业术语，本质上是在学一门新的语言。这门语言没有标准教材，每个厂都有自己的方言。谁能帮Agent更快学会这些方言，谁就能让工业AI真正走进车间，而不是停在演示屏上。