工厂AI智能体工程化落地：从“会聊天的机器人”到“能干活的数字员工”

很多工厂老板第一次听说“AI智能体（Agent）”时，脑子里浮现的是客服机器人。但真正在工业场景里值钱的，不是“会聊天”，而是“能干活”——能查设备台账、能调取 ERP 里的客户跟进记录、能在产线异常时拉出处置 SOP 并通知到人。

这篇文章不堆概念，直接从工程化角度讲清楚：一个工厂 AI 智能体应该怎么搭、哪些场景先落地、以及最容易踩的坑。

一、普通 chatbot 和“智能体”差在哪

普通问答机器人是 输入→输出 的一步映射：你问，它答，答完结束。

工厂智能体是 感知→规划→调用工具→执行→记忆 的闭环：

• 感知：读懂自然语言指令，也读得懂工单、图纸、聊天记录
• 规划：把一个模糊目标拆成多步（比如“帮我跟进一下上周询盘的客户”= 查线索→看沟通记录→生成话术→起草消息）
• 工具调用（Tool Calling）：能真的去查数据库、调接口、发消息，而不只是“建议”
• 记忆：记住这家工厂的设备型号、客户的偏好、上次的结论

差异一句话总结：chatbot 给建议，Agent 自己动手。

二、工程化落地的四层架构

┌─────────────────────────────────────────────┐
│  应用层：对话/工单/钉钉机器人/Web 控制台        │
├─────────────────────────────────────────────┤
│  编排与记忆层：任务规划 + 多轮上下文 + 人工兜底  │
├─────────────────────────────────────────────┤
│  工具与系统连接层：ERP/CRM/MES/知识库 API 适配   │
├─────────────────────────────────────────────┤
│  领域知识层：工厂专属 RAG（设备手册/工艺/SOP）   │
└─────────────────────────────────────────────┘

1. 领域知识层（RAG）

别指望通用大模型懂你家的点胶机和钢板厂工艺。把设备手册、作业指导书、历史故障库做向量化检索（RAG），让模型“先查资料再回答”，幻觉率能降一大截。

2. 工具与系统连接层

这是 Agent 区别于 chatbot 的关键。给模型暴露一组受控函数：

• query_erp(customer_id) —— 查客户与订单
• search_knowledge(query) —— 检索知识库
• create_task(owner, content) —— 建跟进任务
• send_message(channel, text) —— 发消息

3. 编排与记忆层

用任务规划把复杂目标拆步；用短期记忆存本轮对话、长期记忆存客户画像与历史结论。

4. 应用层 + 人工兜底

钉钉/企业微信机器人最易落地；高风险动作（如自动发报价）必须留“人工确认”开关。

三、一个最小可运行的 Agent 骨架（Python）

下面是一段 示意代码，展示“工具调用 + 规划”的核心循环，不是某家产品的源码：

from openai import OpenAI  # 也可替换为任意支持 tool calling 的模型

client = OpenAI()

tools = [
    {
        "type": "function",
        "function": {
            "name": "search_knowledge",
            "description": "检索工厂知识库（设备手册/工艺/SOP）",
            "parameters": {
                "type": "object",
                "properties": {"query": {"type": "string"}},
                "required": ["query"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "query_erp",
            "description": "按客户ID查询ERP中的订单与跟进记录",
            "parameters": {
                "type": "object",
                "properties": {"customer_id": {"type": "string"}},
                "required": ["customer_id"],
            },
        },
    },
]

messages = [{"role": "user", "content": "帮我看看客户 C10086 上次聊到哪了，准备个跟进话术"}]

while True:
    resp = client.chat.completions.create(
        model="your-model",
        messages=messages,
        tools=tools,
    )
    msg = resp.choices[0].message
    if not msg.tool_calls:          # 没有工具调用 → 直接给最终答案
        print(msg.content)
        break
    messages.append(msg)           # 有工具调用 → 执行并把结果喂回去
    for call in msg.tool_calls:
        result = dispatch(call.function.name, call.function.arguments)
        messages.append({"role": "tool", "content": result, "tool_call_id": call.id})

要点：模型自己决定“先查 ERP 还是先查知识库”，我们只要把工具准备好、把结果回填进上下文，循环到它不再调用工具为止。

四、三个高价值落地场景

1. 设备运维问答 Agent

工人拍一张报警代码，Agent 检索故障库 + 历史工单，给出处置步骤并派单。把老师傅的经验“固化”下来，夜班不再抓瞎。

2. 获客线索跟进 Agent

把官网/抖音来的询盘自动入 CRM，Agent 按行业生成跟进话术、提醒销售节点、汇总待跟进清单。销售从“记不住”变成“系统推着走”。

3. 生产异常处置 Agent

质量异常触发后，Agent 拉出对应工序 SOP、调取近期同型号不良记录、通知责任工位，缩短 MTTR。

五、工程化避坑清单

• 别一上来做“万能工人”：先选一个高频、低风险、ROI 清晰的场景，跑通再扩展。
• RAG 质量是天花板：知识库脏，Agent 答得再花也错。先花力气清洗设备手册与 SOP。
• 权限要收口：工具调用必须按角色鉴权，发消息/改订单这类动作默认走人工确认。
• 留可观测日志：每一步规划与工具结果都落库，出问题能复盘，也方便后续微调。

六、结语

工厂 AI 智能体不是把大模型接个对话框，而是 知识库 + 工具连接 + 任务编排 + 人工兜底 的系统工程。先从一个场景跑通，让一线真用起来、真省时间，数字化才不会停在 PPT 上。

如果你想看更多制造业 AI 落地的架构拆解和真实案例，可以访问 工厂AI智能体专题页，里面持续更新工厂 AI 智能体、制造业 AI 培训相关的干货与模板。