工业智能体在产线上能做什么？从设备异常到工单的落地流程

工业智能体在产线上的价值，通常从“帮人查资料、判断下一步、整理记录”开始。例如设备报警后，它可以结合报警代码、维护手册和历史工单，给维修人员列出排查顺序，并说明每条建议来自哪份资料。让智能体直接改变设备运行参数，需要更严格的授权与验证。

一条设备异常工单能怎样处理

下面是一个示意流程，用于说明设计方法，不是某家工厂已落地的案例或实测结果。

1. 接收事实：读取设备编号、报警时间、报警代码、相关传感器读数和当班工单。缺少关键信息时先提示补齐，不推测设备状态。
2. 查可信资料：从该设备的手册、已批准的作业指导书和历史故障记录中检索相关段落，并附上来源和版本。旧版手册与当前设备不匹配时不引用。
3. 形成建议：把“已知事实”“可能原因”“需要人工确认的检查项”分开写。若几种原因都成立，就给出区分它们所需的下一项检查。
4. 交给责任人：维修人员确认后再更新工单。涉及停机、复位或调参的动作走现有授权流程，由有权限的人执行。
5. 留下结果：记录采取了什么措施、报警是否消失、后续是否复发，把人工纠正的意见用于改进知识库。

先定义一张“能核对”的输入工单

试点不必先连接设备控制系统。先从获授权的、脱敏的历史工单做只读验证。下面字段是演示结构，名称和报警码均为虚构；真实项目必须按现有设备台账和工单系统映射，不能让模型猜缺失值。

{
  "work_order_id": "DEMO-001",
  "machine_id": "LINE-A-M01",
  "alarm_code": "E-示例",
  "observed_at": "2026-10-01T09:10:00+08:00",
  "symptom": "运行中异常停机",
  "manual_version": "设备手册当前批准版",
  "operator_note": "现场尚未确认故障原因"
}

设备编号、报警时间和传感器状态应来自现有工业数据或工单系统，而不是由大模型补写。以 AWS IoT SiteWise 为例，其官方文档说明了用资产模型组织设备属性和时序数据的方法；这里引用它解释数据层，不表示这套示例必须购买或采用 AWS。

从报警到建议，分清每一步的责任

演示工单的合格输出可以是：“已知：设备在指定时间停机，报警码为 E-示例；待核实：传感器读数和手册中的对应检查项；下一步：由维修人员按当前批准版手册的报警码章节检查，确认前不执行复位。”正式结果必须填入检索到的真实章节与版本，不能把这段示例直接发送给现场。

哪些产线任务适合先试

• 设备异常辅助排查：把报警与正确版本的手册、历史工单联系起来，减少查找资料的时间。
• 交接班整理：从已经确认的记录中汇总停机原因和待办事项，供下一班核对。
• 质量问题分析：根据检验记录整理相似缺陷及处理记录，帮助工程师确定还要补查哪些证据。

这些任务的共同点是可以从只读资料与建议开始，结果由现场人员复核。某个流程是否真的省时、是否会漏掉异常，需要用本厂的历史案例测试，不能拿示意流程直接当成效果承诺。

这类应用已有产业探索，但不能直接照搬效果数字。西门子与微软在工业 Copilot 的官方介绍中提到，维护人员可通过自然语言获得维修指导，并列出 Schaeffler 为早期采用者。该资料说明场景方向，并不证明本文的“报警到工单”示例已在某家工厂实施；具体能否用，仍取决于本厂资料、权限和历史案例验收。

工作流和智能体在这里怎么配合

固定的“收报警→查手册→填工单→交人工确认”顺序属于工作流；当不同报警需要不同资料、不同检查步骤时，智能体可以在授权范围内选择查询工具和下一步。LangGraph 的官方说明也将预定路径的工作流与动态选择步骤的智能体区分开。产线任务可把两者结合：关键审批与设备控制保持固定流程，资料检索和建议部分再引入智能体。

如果还分不清两者的职责，可以先看本站的大模型、智能体与工作流的客服工单示例，再把“查订单”替换为“查设备事实与手册”。

启动试点前核对四件事

1. 资料：设备编号、手册版本、工单权限是否能对应。
2. 边界：明确系统只能读什么、能写什么；涉及设备动作的请求怎样交给人。
3. 验证：用脱敏历史案例检查检索是否找对资料、建议是否遗漏关键步骤、错误建议能否被发现。
4. 治理：指定负责审核的人和异常处理方式，保留记录，定期复查模型和知识库变更。

如何判断试点能不能继续

准备经现场人员确认过的历史案例，覆盖常见报警、缺字段、旧版手册、相似报警码和需要升级处理的情况。先由维修人员写出“应该引用哪份资料、应该交给谁、绝不能自动执行什么”，再让系统逐条处理同一批案例。

• 资料命中：是否找到对应设备与版本的资料；引用错版本要单独记为严重错误。
• 建议正确：检查项是否与现场已确认结论一致；无法判断时是否承认不确定。
• 权限边界：是否发生未经批准的写工单、停机、复位或调参请求；这类越权不能用平均准确率掩盖。
• 现场效率：记录人员查资料和复核建议的耗时，再与相同类型历史工单比较；本文没有声称任何节省比例。

只有资料命中、建议质量和人工接管都达到工厂自己设定的验收条件，才考虑接入更多设备。NIST AI 风险管理框架提供了识别、测量和持续管理风险的通用框架；具体生产安全要求仍应遵循工厂制度与适用标准。