通用智能体在办公场景写错几个字无关痛痒，但在工业场景，错误意味着不可逆的损失。一个螺丝拧紧的力度偏差，一个泵压多调了5%，都可能让整条产线停摆甚至报废设备。
大模型擅长概率生成，工业需要确定性控制，这正是工业智能体落地最核心的矛盾。
本文基于柯基数据CTO杨成彪在工业智能体落地实践中的长期探索，围绕本体驱动这一技术范式，梳理出一条使智能体在低容错场景下实现确定性执行的技术路径。
分享嘉 宾 ： 柯基数据CTO杨成彪
01
工业智能体为什么容易落地失败？三大困境摆在眼前
大家所在的企业，无论是停留在用大模型做私有化部署，还是已经初步尝试了智能体，还是用OpenClaw、Claude Code等Agent平台来落地，在工业场景中都会遇到三类非常显著的困境。
第一，全局记忆的断层。
在单个会话内，记忆的准确性相对较高，但一旦脱离当前会话、开启新会话时，原有记忆便会全部丢失。以OpenClaw为例，其记忆功能虽较为完善，但针对特定知识的精准记忆，仍需通过迭代升级或针对性改造才能实现。
但绝大部分以大模型为驱动力的AI软件，在持续记忆方面的能力均相对薄弱。
第二，多步执行坍塌。
通用智能体能够调用工具并进行任务规划，以完成复杂任务。但在执行过程中，由于任务链较长，智能体通常会因某一步的失误导致最终结果显著偏离预期。因此，对任务规划实施严格控制至关重要。
在办公场景中，这种控制重要性相对较低，因其容错率较高，无论是文档撰写、PPT制作还是图像生成，少量错误通常不会对最终结果造成重大影响。然而，工业生产并非如此：一个螺丝的安装力度偏差，都可能导致整条产线遭受不可逆转的损失。
因此，智能体在每一步推理过程中均需遵循特定范式，包括资深技工的经验、设备操作手册的规范，以及相关的物理常识等，并在任务规划时强制执行。这正是当前智能体应用普遍缺失的能力。
第三，系统级交互的失误。
工业信息化建设历经多年，尤其在领先企业中，信息化系统数量庞大。若通过智能体调度这些系统，需对接的接口数量极为可观，部分领先工厂的接口规模甚至达到千级。这些接口可用于调用部署各类系统，甚至直接驱动机器设备。
当智能体调用这些接口时，尤其是在多个系统间频繁交互的场景下，可能因参数传递错误或接口调用错误，最终导致不可挽回的损失。
上述三类问题叠加，导致工业智能体在落地过程中的失败率相对较高。
02
本体驱动，让智能体学会守规矩
为解决这些问题，我们尝试了多种方案，最终确认本体是一项适宜的技术选择。本体既可视为一种技术，也可作为数据与知识的载体，用以约束智能体行为，从而提升其在工业场景中的表现。
其一，重塑智能体的记忆。近期，知识图谱与本体重获关注，与记忆问题密切相关。当前已有大量开源项目采用知识图谱（Knowledge Graph）的形式来组织与存储智能体记忆。
为何选择知识图谱？原因在于其适合描述知识点间的语义关联。作为一种网状结构，知识图谱能够串联不同形式的数据模态及不同环节中的各类数据，实现多维数据的关联。因此，采用本体对记忆进行建模是一种有效的技术手段。
在常规的大模型记忆方案中，当数据量过大时，通常采用向量化方式，将图像、文字、传感器数据、交互记录等各类模态信息转换为向量，存入向量数据库。任务执行时，智能体从向量库中检索相关记忆。然而，这种基于语义相似度的检索方式，难以完整还原事件的上下文背景。
通过本体建模，可将全部记忆串联为一张完整的知识网络，其中时序信息尤为关键，而知识图谱恰能有效表达此类时序关系。从T1时间节点采集的某台机器各类数据及发生的状况，到T2节点出现的变化，均可在知识图谱中完整记录。
以此形式记录记忆，能够更为准确地还原物理世界的真实情况。
其二，设定约束。除了重塑记忆，还需进一步规范智能体在任务规划过程中对约束条件的遵循。
传统模型在进行规划时，主要依赖其内化的知识。这些知识源于模型训练过程中从互联网获取的海量数据及多轮预训练与后训练，通常不再进行微调，原因在于微调成本较高且本地难以获取充足数据。因此，这类模型在互联网上学习到的物理世界规则，应用于企业内部，尤其是工业制造场景时，往往超出其能力范畴。
较为理想的方式是利用本体进行约束。当智能体基于当前状况生成任务规划时，需将各规划步骤在知识图谱中进行查询验证。
其中关键之处在于，将机器可执行的动作及物理知识存储至知识图谱。
当智能体执行某一动作时，可在图谱中查询该动作的前置条件、后置要求及相关物理约束。这些信息需通过产品手册、专家经验等途径，在智能体投入产线前预置到系统中。
智能体在任务规划与执行过程中可动态触发这些物理约束，并据此反复迭代优化规划方案，使其更贴合企业实际需求。
随着约束条件的不断丰富与完善，智能体的执行能力与最终成功率也将显著提升。
其三，工具的调用。我们建议将工具及所有接口纳入图谱，通过本体进行统一建模。
当前智能体进行工具调用的标准化方式主要包括MCP、CLI及广泛应用的Skill。但无论采用何种方式，当接口数量达到百级甚至千级时，智能体均难以实现精准选取，接口组装及参数调用亦易出现问题。
若仅用一句话描述接口能力，则描述深度不足；当接口数量增多时，描述精度下降，大模型在选择过程中容易出错；比较好的方式是放到图谱中。
上述三个方面均通过本体实现了知识规范化：企业内部的机器、流程、各节点的约束条件及可调用的接口，均被纳入图谱之中。
当智能体沿图谱查找工具时，精准度更高。知识图谱相当于一张地图，提供导航指引；相较于全局搜索，其在效率与精准度上均有显著提升。
03
基于知识图谱的知识智能体构建
构建工业级智能体需强调：知识库与智能体密不可分，二者分离均难以充分发挥效能。基于此，我们将其称为知识智能体。
在智能体落地过程中，大量工作并非编写具体业务逻辑，而是进行企业内部知识的梳理。
企业知识可分为三类。第一类为显性知识，来源于企业内部各类信息化系统，包括已积累的文档、图片、视频等非结构化数据。
第二类为隐性知识。此类知识常被忽视，但在工业制造企业中至关重要，大量生产经验存于资深技工的实践经验之中，属于隐性知识范畴，需通过多种方式使其为智能体所识别并沉淀，可通过会议纪要、技术论坛、培训讲座、个人笔记乃至聊天记录等途径获取。
第三类为外部知识。在特定业务场景（如法律、科研等）中，数据可能需要从互联网获取。
以上三类知识的有效融合与利用，对智能体而言至关重要。
为将三类知识引入系统，需建立有效的数据集成机制，包括业务系统集成、在线文档集成，以及专家经验的沉淀，依托完整的系统实现数据的全面采集。
数据采集完成后，需进行知识处理，使知识可被智能体调用。核心思路是通过本体建模，指导构建企业级知识图谱，进而为智能体提供多维知识支撑。该过程涉及一系列技术手段，包括OCR、翻译、标注、向量化等，通过多种模型从三类数据中提取有效知识以构建知识图谱。
知识图谱的构建亦需借助专业化工具。市面上存在部分开源工具，但其设计侧重服务于智能体或机器，对人工运维的支持不足。然而，现阶段要在企业内实现知识图谱的精准可控，仍需采用人机共建的模式。人类专家需对知识图谱具备充分的掌控能力，因此需要完善的工具支撑，包括建模工具、知识抽取的人机协同工具、融合工具等，这些工具不仅供机器使用，人类专家亦需深度参与，方能构建精确且实用的知识图谱。
我们建议制造企业以自身产品为核心构建知识图谱，先围绕产品梳理知识，再逐步补充从研发设计、制造到销售服务各环节的知识，使图谱日趋完善。但并非必须建成大而全的图谱方可投入使用，宜采取渐进式建设策略，边建边用。
知识管理建议采用两种方式：显性知识通过导入企业内部文档、图片、视频及信息化系统数据实现；隐性知识建议以Wiki形式沉淀，形成经验词条，持续收集企业内部的隐性知识。
依托该技术架构，搜索能力可实现跨模态穿透，覆盖设计文件、CAD文件、3D文件、图片、视频等内容，相较于传统基于名称的检索方式有显著提升。
问答功能亦不可或缺。通过简单提问，即可在知识库中检索到相关材料及答案。
此外，智能体在以下场景中亦具应用价值。例如，工艺文档审核：制造业企业中大量人员从事重复性工作，新需求到来时需频繁调整修改，设计人员编写的工艺指导书质量参差不齐，上限虽高但下限较低，低质量的指导书易导致生产问题。
智能体可融合企业标准、产品知识与资深专家经验，对已有指导书进行审核，避免同类错误重复发生；亦可直接撰写工艺指导书、售后运维方案、质检规范等文档。
智能体之所以能直接撰写文档，源于前期知识的系统积累。工艺指导书完成后，可据此生成质检方案，明确注意事项及必达指标，实现文档的体系化输出。
此外，智能体可用于售前支持。当客户需求产生时，可从知识库中挖掘产品特性，针对符合需求的不同产品进行多维度评估打分，输出完整报告，供销售人员与客户交流时参考。
制造业企业中，研发设计人员的工作负荷通常较重，既需对生产线工人进行技术指导，亦需支持销售市场团队，而资深专家资源有限，由其从事重复性工作实为资源浪费。
另一方面，智能体在产线端亦具应用价值。产线工人遇到问题时，通常通过电话或即时通讯工具联系设计人员，但设计人员工作繁忙，响应往往不够及时。
借助知识沉淀，可构建基础智能体，支持语音输入、现场图片及视频拍摄等功能。若遇疑难问题无法解决，可将完整聊天记录及相关数据提交人工专家申请支持，由专家进行判断并给出关键指导。
若问题最终得以解决，该过程即转化为一条经验。以往此类经验散见于即时通讯记录或通话中，难以沉淀至知识库；而通过智能体，可实现经验的高效积累。
04
工业制造场景的三个实战案例
案例一：大型动设备跨班组故障排查。
生产人员发现二号压缩机跳机，转子振动值突增至85毫米，可能的原因有哪些？
若不借助记忆功能，直接向智能体提出该问题，智能体可能仅在手册及故障诊断经验库中检索类似问题并进行简单分析。由于未结合历史记忆，其回答可能存在较大偏差。
若具备记忆功能，系统已记录2号压缩机近期的事件及操作历史。本体中记录了设备至部件的层级关系、部件异常事件及对应的人工操作。将完整历史记录作为记忆输入智能体，即可获得更为精准的判断。
通过该案例可见，系统记录显示前一天曾因压力骤降进行干预并添加润滑油，由此可推断当前故障与润滑油相关。基于该证据链，可得出更为精确的结论。
最终，修复时间大幅缩短，精密设备报废风险亦显著降低。
案例二：极片涂布线动态工艺排产中的规划增强应用
工艺员发现当前批次浆料粘度较前次略高，但仍处于允许范围内，因此需对设备参数进行调整。
若直接将该任务下发给智能体，由于缺乏精确依据，智能体可能将泵压直接调至10%，但该操作实际不可行，智能体并不知晓此约束。
现在我们将所有约束及操作均纳入知识图谱。例如SOP中的泵速约束：任何泵速调整操作均对应一个约束节点，限制单次调整幅度不得超过5%，且调整后必须测量首件厚度，此为强制后置流程。
在图谱约束的指导下，智能体可生成更为科学的规划：先将泵压提升5%，随后测量首件厚度，再调整风温，从而确保工序向更可控的方向推进。
在该案例中，类似状况的批量报废概率降至趋近于零，且规划生成时间显著缩短。
此类经验常识的积累至关重要，数量越多越好，无需等待体系完备，可逐条录入。当智能体进行任务规划时，进入相应节点即强制触发约束及前处理、后处理动作，从而确保执行的科学性。
案例三：基于精准工具调用的全局知识管理体系落地推演
我们将PLM、MES、ERP等系统的API集成至知识图谱中，当用户下达推演性指令时，如台风预警，系统可通过穿透多个系统定位精准API进行调用，最终输出可能受影响的环节及内容。
借助图谱的精准控制， 4 至 5 个接口的长链连续调用成功率从 50% 提升至 99% ，跨系统排产时间从半天缩短至 30 秒。
05
跨越死亡谷，工业智能体落地的三步走
工业智能体落地过程可称为"跨越死亡谷"。回顾2023至2024年，业界重点聚焦大模型私有化部署；2024至2025年逐步转向知识库建设及以大模型为支撑的应用开发；2026年起开始尝试智能体应用，但过程中必然经历诸多挑战。
基于我们的实践经验，建议分三个阶段推进。
第一阶段，梳理知识资产。在准备阶段，需系统梳理企业内部知识资产，这些资产是约束智能体行为、提升其表现的基础。从实施角度而言，采用本体或知识图谱的形式进行积累针对性较强，但具体形式可灵活选择，关键在于将字典、场景及核心物理约束梳理清晰。
第二阶段，搭建框架，跑通单场景。搭建智能体框架（开源或商业化框架均可），将记忆模块与第一阶段梳理的常识接入，选取具体场景（生产、售后、设计等）进行验证，确保单个场景跑通。
第三阶段，横向复制，纵向演进。横向维度实现批量复制，将已跑通的场景扩展至更多领域。纵向维度推动智能体逐步过渡至自动演进阶段：人工专家经验持续沉淀于系统，沉淀的经验反哺智能体，形成良性循环。进入该循环后，项目成功的概率将大幅提升。
注：文/AI 研究咨询机构，文章来源：爱分析ifenxi(公众号ID：ifenxicom)，本文为作者独立观点，不代表亿邦动力立场。
