工业智能体开发：把老师傅的判断变成系统能力
面向生产、质量、设备、计划四类岗位，把分散在 ERP/MES 里的数据和企业自己的判断规则，做成能自主取数、判断、出结果的智能体。单场景 6-10 周上线，接现有系统，不推翻重来。
智能体、聊天机器人、RPA，不是一回事
很多"AI 项目"失败，是因为把该用 RPA 的流程做成了智能体，或者把需要判断的活交给了固定规则。
| 聊天机器人 | RPA / 工作流 | 智能体 | |
|---|---|---|---|
| 输入 | 一句问题 | 固定表单或触发条件 | 目标 + 上下文 |
| 做什么 | 检索并回答 | 按预设步骤执行 | 自己拆步骤、选工具、判断下一步 |
| 异常处理 | 不会 | 报错中断，等人处理 | 换路径重试，或升级给人 |
| 适合 | 查制度、查手册 | 高频、规则稳定、不需要判断 | 需要经验判断、数据来源多、结果要解释 |
| 不适合 | 需要动手做事 | 规则经常变、例外多 | 完全确定、零例外的流程 |
一条经验：如果一件事的规则能写成 100 行 if-else 且三年不变，用 RPA，别上智能体；如果老师傅每次判断都要看几个系统的数据、还要凭经验权衡，那才是智能体的场景。
制造业里值得做智能体的五类场景
按价值链排，从"离钱最近"到"离钱最远"。建议从第 1、2 类切入。
| 环节 | 典型智能体 | 判断依据 | 见效周期 |
|---|---|---|---|
| 计划与排程 | 排程助手、插单影响评估、交期承诺 | 约束多、每天重排、计划员全靠经验 | 8-12 周 |
| 质量 | 缺陷归因、8D 报告生成、来料风险预警 | 异常要跨工序追、报告靠人写 | 6-10 周 |
| 设备 | 健康度评估、报警根因、备件预测、维修知识问答 | 停机损失大、报警码查起来慢 | 8-12 周 |
| 工艺 | 参数推荐、工艺变更影响分析 | 参数靠试错、老师傅经验难复制 | 10-14 周 |
| 供应链与售后 | 交期风险、售后工单分派、备件替代推荐 | 信息散在多个系统、响应慢 | 6-8 周 |
一个能上产线的智能体，长什么样
和"能用"的原型相比，差别不在模型，而在这五层是否齐全。
数据与工具接入
ERP、MES、WMS、设备网关、知识库。以只读接口为主，明确每个工具能做什么、不能做什么，避免智能体"越权操作"。
知识与规则
工艺规则、判据阈值、故障词表、历史处置记录。规则要显式写出来，而不是指望模型自己悟。
编排与推理
拆解目标、选择工具、串联多步。复杂场景用固定工作流兜底，只在需要判断的分支交给模型。
护栏与人工确认
涉及下单、改排程、停机的动作必须有人确认；设置信度阈值，低于阈值直接转人工，不硬答。
可观测与评测
记录每次调用的输入、工具、输出与耗时；用历史案例做回归评测，改一次版本跑一次分。
为什么 demo 好看，上线难
demo 只跑通了层 1 和层 3。真正决定能不能上产线的是层 2 的规则显式化、层 4 的护栏和层 5 的可观测。
四类场景的实测口径
以下为脱敏后的项目指标，不指向具体客户。指标均有明确统计口径与测试条件，可在方案阶段核对。
| 场景 | 做法 | 结果口径 |
|---|---|---|
| 离散制造 AI 排程 | 把设备能力、换型时间、物料齐套、交期优先级建成约束模型，智能体负责插单影响评估与方案比选 | 产能提升 28%（同一批订单、同等人力下的产出对比） |
| 数控机床健康管理 | 主轴电流与振动信号 + 加工节拍，做退化趋势建模与报警分级 | 非计划停机下降 35%（统计周期 6 个月） |
| 封装测试良率预测 | 把设备参数、来料批次、环境数据与历史良率关联，做批次级风险预测 | 报废率下降 8%（按批次核算） |
指标不做跨项目横向比较——不同产线的基线差异很大。我们更愿意在方案阶段和你一起定义"这个场景用什么口径衡量"，再决定做不做。
平台怎么选：WorkBuddy、扣子、Dify，还是自研
我们按场景、数据边界和运维能力给建议，不预设立场。
| 平台 | 更适合 | 注意 |
|---|---|---|
| WorkBuddy 企业版 | 已在使用腾讯生态、需要与企业微信和知识库打通、强调权限与审计 | 深度定制受产品边界约束，复杂编排要配合外部服务 |
| 扣子 / Coze 类平台 | 快速验证、轻量场景、面向外部渠道的问答与工具调用 | 数据合规与私有化要看具体版本，内网场景需评估 |
| Dify / 开源编排框架 | 要私有化、要深度定制、有研发团队维护 | 权限、审计、可观测要自己补齐 |
| 完全自研 | 智能体是核心能力、要形成长期壁垒 | 周期长，通常先做单场景再平台化 |
我们的常见建议：先用成熟平台把单场景跑通、拿到业务指标，再决定要不要平台化。反过来先建平台，十个里有八个停在演示阶段。
交付物与验收
| 交付物 | 说明 | 验收口径 |
|---|---|---|
| 场景评估报告 | 可行性、数据可得性、预期收益与风险 | 双方确认是否进入实施 |
| 智能体设计与规则集 | 目标拆解、工具清单、判据阈值、人工确认点 | 业务方逐条确认规则 |
| 可运行的智能体 | 接入 ERP/MES 或知识库，含权限与日志 | 在真实数据上连续运行 2 周 |
| 回归评测集 | ≥50 条历史案例，含期望输出 | 关键场景准确率达到约定值 |
| 运维手册与交接 | 监控指标、常见故障处理、版本回滚 | 客户侧 2 人能独立运维 |
谁来做运维：三种模式
客户自管
适合有 IT 团队的企业。我们交付文档与培训，客户自己改规则、看指标、升版本。
联合运维
最常见。客户管日常，我们负责版本迭代、评测回归和疑难场景调优，按月或按次。
托管运营
适合没有 IT 力量的企业。我们按 SLA 负责可用性与准确率，定期出运营报告。
不管哪种模式，规则集和评测集的所有权归客户，不锁定在我们手里。这是我们在合同里会写清楚的一条。
三个最常见的失败原因
- 从"最难的场景"开始。想做全域智能调度，结果三个月还在对齐数据。正确顺序是先做一个边界清楚、有人天天在做的场景，拿到指标再扩。
- 规则没有显式化。指望模型自己"学会"老师傅的判断。实际上必须把判据、阈值、例外一条条写出来，模型只负责在规则之上做权衡和人机交互。
- 没有护栏。让智能体直接改排程、直接下单，出一次事故项目就停了。涉及业务动作的环节必须留人工确认。
常见问题
工业智能体和普通聊天机器人有什么区别？
智能体开发一般要多久？
需要客户配合什么？
我们没有数据团队，能做吗？
智能体上线后出错怎么办？
和 RPA 是什么关系？
先判断这个场景值不值得做智能体
把你想做的场景讲给我们，我们先给一个"能不能做、值不值得做、大概多久"的判断。如果更适合 RPA 或规则引擎，我们会直接说。
扫码加企业微信