工厂AI智能体搭建，腾讯研究院刚出了第一本实操白皮书，三条路讲得很清楚

昨天在合肥参加了2026世界制造业大会，现场有两个东西让我印象很深。

一个是合肥容知日新刚发布的"观星OS"——工业设备智能运维操作系统。这玩意儿的逻辑是，给工厂里成百上千台设备配一个全天候在线的AI管家。设备运转正常的时候它默默监测，一旦产生异常，它自己分析、自己诊断、自己生成维修方案、自己通知人去修。用户用自然语言发个指令，它就能把整个流程跑完。

以前这套活儿靠什么？靠老师傅。趴在机器边上听声音、摸温度，凭几十年经验判断哪里不对劲。老师傅退休了，这些经验就跟着走了。现在容知日新把近20年积累的行业经验和故障知识库融入系统底层，让系统"天生懂设备"，还能在实际使用中越用越准。目前他们已经实时监测超过22万台套关键设备，沉淀了4.6万多个故障闭环案例。

另一个是腾讯研究院同一天发布的白皮书——《迈向自适应制造：制造业智能体实践白皮书》。这份白皮书不是讲概念的，是讲怎么落地的。里面有一个判断我觉得特别到位：制造业不缺设备，缺的是把数据与经验变成可运行决策的能力。

中国制造业增加值34.7万亿，连续16年全球第一，220多种工业品产量全球第一。但工业软件收入占制造业增加值不到1%，研发设计类软件国产化率极低。近六成规上工业企业还处于数字化基础级以下，数据孤岛严重，大量核心业务仍靠人工。农民工平均年龄43.3岁，老师傅退休带走隐性经验，关键判断不写在手册里。

这三个结构性卡点——硬强软弱、系统割裂、经验断层——才是中小工厂真正要解决的问题。

白皮书把智能体落地分成三个阶段，我觉得讲得很清楚。

第一阶段，知识问答。 AI听得懂、答得上。你把工艺手册、设备说明书、操作规程喂给它，它变成一个可对话的知识库。但它只提供信息，不直接干活。这是最基础的一步，也是很多工厂现在正在做的。

第二阶段，办公助手。 AI帮着做、提效率。写文档、做分析、敲代码，围绕个人通用办公任务展开。比如你让它帮你整理一份BOM表，或者帮你分析上个月的质量数据，它能干。但它是辅助角色，决策还是人来做。

第三阶段，数字员工。 AI能上岗、担责任。在明确岗位职责和规则的前提下，端到端承担完整工作，自主接入ERP、MES等业务系统，按规则执行多步任务并对结果负责。这是最终目标，但前提条件也很明确：业务系统能连接、岗位规则足够明确、结果可评价。

白皮书里给了一个真实案例：珠海天威飞马，做打印耗材的。他们搞了6个月AI架构师训练营，让业务骨干亲手搭建提效流程，IT团队只做技术陪跑。现在沉淀了50多个应用场景，覆盖招投标、采购智选、智印校核、财智通、竞品雷达五大业务智能体。招投标流程从36小时压缩到14小时。

还有一个数据：PMC排产插单，原来人工要3到4小时，智能体介入后0.5小时搞定，急单响应从数小时缩到15分钟。

这些数字说明什么？说明智能体不是大厂的专利，中小工厂也能用。关键是你得知道从哪下手。

白皮书给出的方法论是"场景+实证+复利"三层实施范式。

场景工程：筛选有真实价值和可行性的应用场景。标准就两条——确实费时费力易出错，且规则明确、数据拿得到、结果能验证。别一上来就想搞全厂智能化，先找一个最痛的点。

实证工程：用真实任务和真实数据反复验证智能体的准确性和稳定性。不要用挑好的漂亮样例自证，要用最烂的数据、最复杂的场景去测试。

复利工程：把跑通的智能体技能、规则、模板连同依赖资源打包成可共享复用的资产。一次投入，反复受益。

回到开头说的容知日新"观星OS"。它走的其实就是这条路：先把20年的故障知识库沉淀下来（知识问答阶段），再做成插件化架构让工厂按需扩展（办公助手阶段），最后实现"系统自治"——设备异常时自动诊断、自动生成工单、自动通知维修（数字员工阶段）。

我的建议是，中小工厂搭AI智能体，别一上来就想搞什么"全厂大脑"。先找一个最痛、最重复、最容易出错的岗位，把那个岗位的知识、规则、数据整理出来，让AI先跑通。跑通一个，再扩下一个。

就像腾讯白皮书里说的，制造业的未来方向是"受控的自适应"。智能体会持续进入生产系统、跨岗位协同和物理场景，但越靠近控制与执行，权限边界、安全回路和人的监督越要做实。

一句话总结：先让AI干小事，再让AI干大事。先让AI当助手，再让AI当员工。别急，一步步来。