人工智能技术与制造业的深度融合发展，为制造业发展模式带来了持续、深刻的变革。从自动化任务处理到智能辅助决策，人工智能的应用场景不断深化、应用边界不断拓展。机器学习、深度学习等算法模型的落地应用，形成了“模型即服务”（Model as a Service，MaaS）的模式，无需用户了解算法的运行机理以及实现细节，便能够帮助企业实现数据的采集、处理、挖掘、计算、优化的闭环应用。伴随着ChatGPT、DeepSeek等大模型的爆发式发展，“模型即服务”正在加速演化为“Agent即服务”（Agent as a Service，AaaS），从个人小助理到工业场景解决方案，AI Agent已从技术概念到场景落地，开启了商用元年。

“Agent”最早起源于哲学领域，释义为“行动者”。亚里士多德提出行动者必须具备理性与目的性，人类行为的道德价值取决于行动者的意图和选择。康德提出，真正的行动者必须具备道德自律，能够根据理性法则自主行动。可见，“Agent”已具备意图、思考、行动的内涵。20世纪80年代，Marvin Minsky在《心智社会》一书中首次明确提出了人工智能领域的“Agent”概念，将思维描述为大量相互作用的智能体构成的复杂系统，每个智能体都执行特定的任务，并通过协作完成复杂的认知活动，为智能体的研究奠定了理论基础。随着人工智能技术的演进，Agent的发展历经符号智能体（Symbolic Agents）、反应型智能体（Reactive Agents）、基于强化学习的智能体（Reinforcement Learning-based agents）、迁移学习和元学习的智能体（Agents with transfer learning and meta learning）、基于大语言模型的智能体（Large language model-based agents）五个阶段。

随着大模型语言模型的引入，Agent的内涵也发生了新的变化。Google将Agent定义为一个扩展了生成式AI模型能力范围的程序，通过观察周围世界并使用可用的工具来实现其目标，包括模型、工具和编排三个组成部分。OpenAI将Agent定义为能代表用户完成多步任务的系统，利用大语言模型（Large Language Model，LLM）来管理工作流执行并做出决策，能够访问各种工具与外部系统交互，并根据工作流的当前状态动态选择适当的工具。可见，生成式人工智能为Agent带来了分析和决策能力。

制造业是实体经济的主体，是立国之本、兴国之器、强国之基。制造业高质量发展是我国经济高质量发展的重中之重。2024年，国务院常务会议审议通过《制造业数字化转型行动方案》，指出制造业数字化转型是推进新型工业化、建设现代化产业体系的重要举措。制造业数字化转型是运用数字技术对制造业研发生产全流程和产业链供应链各环节进行改造升级和价值重塑的过程，是制造业高质量发展的关键路径。工业智能体（Industrial AI Agents）作为智能体技术与行业Know-How深度融合的产物，实现对生产设备、工艺流程和物流管理等环节的智能化控制与优化，是制造业数字化转型从“信息化建设”迈向“价值创造”的关键推手。在此背景下，本文系统分析并介绍了工业智能体国内外发展现状，提出了工业智能体的类型划分，分析了工业智能体关键技术，探讨了工业智能体发展面临的挑战，并总结了工业智能体的典型应用场景。

一、

工业智能体发展现状

当前，工业智能体已成为国内外学术界和产业界的研究热点，在技术攻关、应用实践方面进行了广泛的探索。

（一）国外工业智能体发展及应用

西门子、微软、弗劳恩霍夫智能分析和信息系统研究所、英伟达等学术机构和产业主体开发了相关工业智能体应用，赋能制造业全流程环节。德国工业巨头西门子推出工业AI智能体，包括交互层、决策层、执行层，并与生成式AI产品Industrial Copilot无缝集成，面向设计、规划、工程、运营、服务等领域，形成Design Copilot、Planning Copilot、Engineering Copilot、Operations Copilot、Services Copilot五类产品，实现从“辅助应答”到全流程自主决策的转变。此外，西门子构建了Xcelerator平台，用户可在平台上打造面向具体应用需求的定制化智能体矩阵。德国弗劳恩霍夫智能分析和信息系统研究所结合大语言模型，研发了控制工业机器人的智能体，无需额外编程，可以按照规划的步骤，操控机器人逐步自动执行任务。美国微软公司发布了Factory Operations Agent，使得设备操作人员、生产人员和管理人员能够通过自然语言快速洞察并优化制造流程，以提高日常制造运营中的生产效率。美国英伟达公司发布了智能体发展蓝图，开发者可以借助视觉语言模型、大语言模型等工具，构建、测试和运行能够分析大量视频和图像内容的智能体，并将其训练为不同专业领域的任务专家。

（二）国内工业智能体发展及应用

国内工业智能体研究及应用实践百花齐放，围绕研发设计、生产制造、运行维护、供应链管理、经营管理等环节进行落地应用。杭州炽橙自主研发的“炽橙AIDT工业多智能体”系统，实现设计、生产、管理全链条覆盖，包含装备AI检维修、实时产线仿真、智能排产与企业AI知识库等30多个企业级工业智能体应用。谷器数据基于多模态交互与知识图谱增强技术构建了Supply AI智能体，具备工业场景智能决策闭环功能，支撑用户以可视化方式自定义创建智能问答、数据分析、工作流等功能模块。研华科技推出的WISE-AI Agent智能体平台由数据集成与分析平台DataInsight、智能知识管理平台KB Insight、智能体开发平台AgentBuilder以及智能体中心组成，广泛应用于生产线管理、数据智能分析、知识管理、供应链管理等场景。广东智用研发的智用AI Agent Foundry智能体制造平台，基于大模型智能体应用开发范式，利用低代码实现智能体协作编排，推动工业智能体在千行百业的深度落地应用。亚信科技基于智能体平台构建网络巡检智能体，以自然语言对话的方式，识别不同的巡检场景，规划巡检任务，总结生成并输出巡检报告。

二、

工业智能体分类

基于国内外工业智能体的发展现状，从功能、服务范围、部署方式三个维度，分别对工业智能体的类型进行划分。

（一）按功能划分

工业智能体按照功能划分为执行型智能体、决策型智能体和协作型智能体。

1.执行型智能体

执行型智能体主要负责业务场景中具体任务的执行，侧重于按照预设的规则或指令，直接对环境进行操作和改变。执行型智能体具有较强的感知能力，能实时获取环境信息，准确把握自身所处的状态和任务要求，同时具备高效的执行能力，可快速、准确地将决策转化为实际行动。

2.决策型智能体

决策型智能体以数据分析和决策制定为核心功能，通过对大量数据的分析、建模和推理，为系统提供决策支持，以实现特定的目标。决策型智能体拥有强大的数据分析能力，基于先进的决策算法和模型，能对来自不同渠道的数据进行整合、挖掘和分析，提取有价值的信息，根据数据分析结果制定最佳决策方案。

3.协作型智能体

协作型智能体通过通信机制与其他智能体或人进行信息交互和协调，实现资源共享、任务分配和协同工作。协作型智能体具备良好的通信能力，能与其他智能体或人进行高效、准确的信息交流，同时具有协作规划和协调能力，可根据整体任务目标，与其他个体共同制定协作计划，并在执行过程中进行实时调整和协调。

（二）按服务范围划分

工业智能体按照服务范围划分为场景级智能体、环节级智能体和产业链级智能体。

1.场景级智能体

场景级智能体是指针对特定行业/产业链中特定业务场景进行优化和决策的智能体，具有很强的场景针对性，能够深入了解特定场景的细节和特点，对场景内的各种变化和需求做出快速响应。

2.环节级智能体

环节级智能体是指负责特定行业/产业链中特定环节的智能优化和管理的智能体，通过对该环节中跨场景数据进行分析和处理，运用专业的算法和模型，为环节中跨场景的运行提供智能决策支持，以提高环节的效率、质量和可靠性。

3.产业链级智能体

产业链级智能体是指从产业链/行业的全局角度出发，对产业链上各个环节进行协同优化和资源整合的智能体，通过收集和分析产业链上的各种数据，实现产业链的智能化协同运作，提高产业链的整体效率和竞争力。

（三）按照部署方式划分

工业智能体按照部署方式划分为本地智能体、云端智能体和边缘智能体。

1.本地智能体

部署在工业现场的本地设备或服务器上，直接与本地的工业设备、传感器等进行交互的智能体，能够快速响应本地的实时数据和事件，对本地的生产过程进行实时监控和控制，具有较低的延迟和较高的可靠性。

2.云端智能体

部署在云端服务器上，通过网络与工业现场的设备和系统进行通信的智能体。云端智能体具有强大的计算和存储能力，能够处理大量的数据，并利用云端的丰富资源进行复杂的数据分析和人工智能算法训练，可实现多工厂、多设备之间的数据共享和协同管理。

3.边缘智能体

部署在工业现场边缘设备上的智能体，如工业网关、边缘服务器等。边缘智能体能够在靠近数据源的地方进行数据处理和分析，实现部分实时决策和控制，减少对云端的依赖，降低网络延迟。此外，可以将一些关键数据上传到云端进行进一步的分析和处理，实现本地与云端的协同工作。

三、

工业智能体关键技术

（一）多源数据感知与融合技术

多模态感知技术：通过集成多种类型传感器，实现对工业环境、设备状态、物料特性等物理实体的多维信息采集。

数据融合技术：对来自不同来源、具有不同格式和语义的数据进行深度整合，打破“数据孤岛”，构建工业“全息图谱”，为智能分析和决策提供全面的数据支持。

（二）模型开发与优化技术

工业机理与AI融合建模：提取领域机理规则，设计混合损失函数（物理约束+数据损失），开展联合训练调优，确保决策合规。

工业大模型微调：收集行业语料（工单日志、设备手册），采用LoRA/QLoRA技术，注入领域知识提示词，训练形成面向特定应用场景的工业大模型。

知识库检索增强技术：构建工业知识库（含工艺文档、故障案例），设计语义检索算法，集成大模型生成与知识验证能力，基于用户反馈结果驱动知识更新。

（三）智能体协同与决策技术

多智能体协同控制：定义智能体角色与交互协议，构建协同控制平台支持同构/异构智能体协作，通过分布式决策与语义通信实现任务分解与资源调度。

决策与规划技术：基于强化学习和路径规划算法等，实现动态环境下的最优行动方案生成。通过构建环境状态空间与奖励函数，训练深度强化学习模型，开展多目标优化与冲突消解，实现实时仿真验证与策略迭代。

（四）数据与通信安全技术

构建“设备—网络—平台—应用”全栈安全体系，确定加密算法、认证机制；在边缘节点部署防火墙、数据加密模块，实现本地数据脱敏与访问控制；利用区块链实现智能体交互数据的不可篡改存证，从而保障工业智能体数据传输、存储与处理的安全性，避免数据泄露与恶意攻击。