https://jiajia.fun/qa/caaf57bc-%E4%BB%8B%E7%BB%8D%E8%B0%83%E7%A0%94%E5%88%B6%E9%80%A0%E4%B8%9Aagent

# 介绍调研制造业agent

回复 群友 8780 调研制造业 Agent，先建立一个核心判断：2026 年市面上的白皮书都在吹“AI 自主闭环控制产线”，但真正在工厂里跑通并赚到钱的，绝大多数不在 OT（产线物理控制）层直接拧阀门，而是在 IT 运营层和人机协同辅助层。原因很现实，产线停一分钟就是几万到几十万的损失，还涉及物理安全，厂长根本不敢把核心控制权交给概率模型；反而是过去被 ERP/MES 搞得极其割裂的报价、拆单、排程、异常排障和维保工单这些高人力摩擦环节，才是 Agent 真正切进去的地方。 按离钱和落地的真实程度，目前的玩家和场景主要分三块： 第一块是生产运营与供应链协同，这是目前国内跑得最快的战场。典型代表是国内的黑湖科技（今年在 WAIC 推的工业 Agent 矩阵主打拆单、报价、排程、跟单）和海外的 Palantir Foundry AIP（多工厂供应链中断时的重路由和排产平衡）。这层解决的不是什么高深算法，而是把非结构化的业务入口直接变成结构化系统动作。国内大量中小离散制造企业，老板和跟单员以前全靠在微信里发 CAD 图纸和 PDF 询价，Agent 直接做图纸解析、匹配历史工艺库、自动核算 BOM 和报价并推进排产，等于绕过了“先花大价钱上重型标准化软件”的门槛，ROI 非常直观。 第二块是现场工程师 Copilot 与预测性维保，这是人机协同（Human-in-the-loop）最稳的切入点。海外代表是西门子 Industrial Copilot（依托自家 Xcelerator 平台帮工程师生成和调试 PLC 代码、查手册排障）、Rockwell 的 Plex + Fiix（传感器监测到振动或温升异常后，预测故障窗口并自动订备件、排维修工单），以及做一线装配工位视觉防呆和指导的 Tulip。这一层的核心难点根本不在大模型推理，而在工业现场的数据碎片化和老师傅的“暗知识”。老设备没标准接口，历史维修记录全是手写简写和黑话。所以像 Cognite Data Fusion 这类平台干的事，其实是先用工业知识图谱把时序传感器数据、P&ID 图纸、维修日志和 ERP 账本对齐，Agent 才能在上面做跨系统根因追溯。 第三块是视觉质检与边缘控制，这块调研时要注意甄别水分。现在很多机器视觉厂商（比如海外的 Overview AI）也在包装“Visual Quality Agent”，但产线节拍是毫秒级的，跑在边缘侧做缺陷拦截的底层依然是传统的轻量 CV 小模型，大模型根本跟不上节拍。它们所谓的 Agent 化，主要是做外围的工程闭环：比如自动合成新产线的缺陷训练样本、自动生成对接产线的 OPC-UA/MQTT 和 PLC 配置代码，把原本需要视觉工程师驻场调几周的部署时间压缩到几天。 如果从 Agent 工程视角看，制造业 Agent 跟通用办公或 ca 最大的区别在于三个硬约束： 一是数据底座极重。通用 Agent 接几个 REST API 或 MCP 就能跑，工厂里要面对 PLC、SCADA、老旧 MES 甚至纸质台账。谁手里握着车间数据入口和业务本体（Ontology），谁就能直接把 Agent 做成新功能卖钱。这也是为什么西门子、Palantir、黑湖这类原本就在场内的玩家占尽优势，纯软件背景的创业公司单拿个 Agent 框架去敲工厂大门，连数据接口都拿不到。 二是写操作必须强审计和强卡点。制造和受监管行业最看重“谁在什么时候签字放行”，Agent 的所有写操作（改工艺参数、下发采购单、调整排产）在工程上必须做成暂存待审批（Staged）加完整审计链路，核心只能做辅助决策和流程推进，最后拍板必须是人。 三是商业模式反 SaaS。工厂按良率提升、省了多少停机时间或多少跟单人力来算账，不按 token 买单。而且数据敏感加上现场环境复杂，很多项目最后还是避不开私有化部署和重度定制交付。 如果你是想看这个方向的机会或产品切入点，不要去碰“大模型直接控机床”这种伪命题，重点看两个方向：一是非标制造的图文档解析与自动报价（CAD/PDF 进，工艺路线和报价单出，客单价和付费意愿最明确）；二是打通工厂的 IM 协作层（飞书/企微/钉钉），让 Agent 接管异常报警、备件调度和交期协同，把原本人在群里吼来吼去的协作环节变成 Agent 友好的工作流。
