DeepSeek V4 Pro正式发布 工厂AI智能体搭建终于不用当小白鼠了
8月13日凌晨，DeepSeek悄悄上线了V4 Pro正式版。没有发布会，没有预热海报，API文档直接刷新，模型代号换成了DeepSeek-V4-Pro-0813。
但这次更新的分量，比很多人想象的要重。最核心的变化是Agent能力，也就是智能体能力，出现了跨代式的跃升。
先看几个数字。DeepSWE是衡量AI解决真实软件工程问题的基准测试，V4 Pro预览版得分12.8，正式版直接拉到62.7，涨了将近50分。Terminal Bench终端操作测试从72.1升到87.9，已经逼近Anthropic Claude Fable 5的88.0。Cybergym安全攻防测试从52.7跳到83.3，AutomationBench自动化测试从12.8涨到31.8。
这些测试没有一道是选择题，全是真实环境下的多步骤任务：调用工具、执行操作、检查结果、决定下一步。换句话说，以前的AI是"会考试的学霸"，现在开始变成"能下场干活的实习生"。
对做工厂的人来说，这件事的意义比跑分大得多。
过去一年，我接触了不少想做AI智能体的制造企业。普遍卡在同一个地方：演示的时候什么都能做，真放到产线上就露馅。让它查个设备手册还行，让它对接MES系统、读PLC数据、判断报警原因、自动派工单，就开始各种出错。根本原因是当时的模型在多步骤任务和工具调用上不够稳，一个环节出错后面全乱。
V4 Pro这轮升级，专门补的就是这块。官方说后训练管线换了底层范式，大规模合成工具调用轨迹、强化规划与反思能力，1M上下文窗口真正用起来，让模型在长链路任务里能看到全局。另外还首次原生支持图像推理，截图分析UI状态、读取图表数据、解析文档扫描件，这些以前要外挂视觉模型凑合的事，现在一条链路就完成。
翻译成人话：以前搭一个工厂AI智能体，要在模型外面包很多层补丁来兜底；现在模型自己就能把很多事干利索，搭智能体的工程难度和失败率都降了一大截。
更关键的是价格。V4 Pro正式版目前定价是输入每百万tokens 3元，输出6元，缓存命中只要0.025元。作为对比，Claude Fable 5的输出价格大约是每百万tokens 50美元，差了几十倍。8月17日起DeepSeek还要启用峰谷定价，工作日9点到12点、14点到18点是高峰，其余时段价格打五折。工厂里那些非实时的任务，比如夜间批量数据分析、定时报告生成、第二天早会材料准备，完全可以放到闲时跑，成本再砍一半。
这意味着什么？意味着工厂AI智能体搭建的经济账，第一次算得过来了。
说一个真实的落地案例。研华有个iFactory.AI Agent工业智能体平台，一家PCB企业用它搭了一个叫"产线小智"的智能体。这家企业之前有两个老大难问题：产线设备异常频繁停机，维修要等老师傅到场；品质部门每天手动整理AOI不良数据，写报告要两三个小时。他们之前也试过通用AI工具，但要么对接不了内部MES，要么有数据泄露风险，根本用不起来。
后来IT部门一个工程师，没有写一行代码，通过四个步骤把"产线小智"搭了起来。第一步在平台上定义智能体角色，输入设备编号和异常现象两个变量；第二步接入车间200多台PLC的振动、电流、温度实时数据，对接MES的工单和质检信息，上传500多份PDF设备手册和维修记录；第三步配置知识检索、工单创建、企业微信通知三个工具；第四步调试发布，嵌入钉钉群机器人。
现在员工在群里@产线小智问"设备CNC-07停机报警E102"，AI会直接告诉他们主轴过载，近三次类似故障都是冷却液泵堵塞，建议检查滤网并查看负载曲线，同时自动创建维修工单推送给责任人。每天处理60多次咨询，设备平均修复时间缩短40%，品质日报全自动生成。
这个案例最值得注意的不是技术多炫，而是搭智能体的人不是算法工程师，是一个普通IT主管。平台把模型能力、数据对接、工具调用、知识管理都封装好了，业务人员自己就能上手。
再看一个更大的趋势。韩国制造业最近也在转向顶级AI智能体。三星在SoC功能验证中引入Claude Code后，原来要一个多月的流程缩短到两天左右，半导体软件前期开发从四周压缩到一天。LG电子的零件检索智能体Part-Riever，把原本需要几天的审核工作降到30分钟。现代汽车的H Chat Pro已经覆盖3万多白领员工，占现代和起亚员工总数的80%。三星SDS今年5月的调研显示，制造业员工日均使用AI 3.3小时，每天用AI超过两小时的人从去年11月的18%飙升到72%。
这些数字背后是一个共同信号：工厂AI智能体已经过了"要不要做"的讨论阶段，进入了"怎么做最快落地"的执行阶段。
甲子光年刚出的《2026工业AI智能体研究报告》里有一个判断我很认同：工业AI的竞争，正在从模型参数和演示效果，转向真实产线里能不能持续创造经营价值。智能体不会取代ERP和MES，而是长在这些系统之上的一层智能操作层，把原本靠人工协调的决策和执行，变成可计算、可验证、可持续优化的闭环。报告还提到一个实操建议，第一个落地场景优先选智能排产，因为排产高频、约束清晰、结果可量化，最容易快速验证价值。
对于想开始搭智能体的工厂，我的建议是别一上来就想搞个大而全的系统。找一个具体的、高频的、痛点明确的场景切入，比如设备异常诊断、品质报告自动生成、客户询价快速响应。用现成的工业智能体平台或者低代码工具，让懂业务的人自己搭，不要指望IT部门闭门造车。搭完先在小范围跑两周，看真实使用率和问题解决率，再决定要不要扩展。
模型能力已经到位了，价格也打下来了，剩下的就是行动力。