制造业

应链、生产与质量全链路 制造业 AI 智能体已经覆盖研发、工艺、供应链、采购、生产、质量、设备、仓储、售后和经营管理等关键 业务链。

本章核心结论

制造业不只有车间生产。一个制造企业从市场需求开始，要经历产品研发、工艺设计、供应商协同、 采购、计划、生产、质量、设备、仓储物流、交付售后和经营管理。工艺路线、参数窗口、SOP 更新、 CAD 操作、三单核验和采购比价，同样是制造业智能体的重要入口。 现阶段最容易产生确定价值的，不一定是让 AI 直接控制设备，而是让 AI 持续读取业务状态、发现异 常、调用知识、生成任务、通知责任人并跟踪关闭。越接近 PLC、工艺参数、安全联锁和产品放行， 越需要确定性规则、专业模型、人工确认和独立安全系统。 当前制造业 AI 智能体可以概括为六类：

• 监测预警智能体；
• 工业知识与诊断智能体；
• 审核与质量把关智能体；
• 计划与优化智能体；
• 跨系统流程执行智能体；
• 感知执行与多智能体闭环。 本章重点覆盖三块业务层：
• 工艺层：从“查 SOP”扩展到工艺路线生成、参数窗口建议、异常根因验证和工程变更后的文件联动 ；
• 工程软件层：从回答设计问题扩展到在 CAD 副本或分支中执行建模、修改和规则校核；
• 采购财务层：从供应商管理扩展到报价标准化、历史比价、合同/收货/发票三单核验和付款前风险拦 截。 这些对象的共同边界是：智能体可以提出方案、生成草稿、调用工具和推动复核，但工艺发布、付款、 产品放行和关键参数修改仍由授权人员负责。

一、行业边界：制造业共享一条骨架，但不是一种生产方式

制造业内部差异很大。钢铁、化工等流程制造关注连续工艺、能耗、装置稳定和安全联锁；汽车、装 备和电子等离散制造关注 BOM、工艺路线、装配、供应商和质量追溯；食品、医药、日化等混合制造 还需要同时处理配方、批次、保质期、卫生和法规要求。 本章先提炼制造企业共用的业务骨架，再在每个智能体中说明适用条件。垂直行业已经在本书单列的 汽车、医药、食品等案例，以主营价值链确定主归属，同时保留“制造方法”作为交叉标签，避免重复统 计。

1. 流程制造

典型行业包括钢铁、有色、石化、化工、建材等。核心对象是连续工艺、装置、配方、能耗和安全。 适合重点关注过程监测、工艺异常、能源优化、设备预测和安全环保智能体。

2. 离散制造

典型行业包括汽车、机械装备、电子、航空航天等。核心对象是 BOM、零部件、工艺路线、工位、装 配、供应商和项目交付。适合重点关注研发审核、供应商协同、排产、视觉质检、设备维修和交付服 务智能体。

3. 混合制造

典型行业包括食品饮料、医药、日化、轮胎等。既有配方和批次连续过程，也有包装、装配等离散环 节。智能体需要同时理解批次、配方、物料约束、设备状态和质量规则。

二、制造业核心业务链

市场与订单 → 产品与研发 → 工艺设计与工程文件 → 供应商与采购 → 采购结算与付款核验 → 产销协同与计 划 → 生产执行 → 质量管理 → 设备与能源 → 安全与环保 → 仓储与物流 → 交付与售后 → 经营与持续改善 这条链不是简单的线性流程。质量问题会反向推动设计变更，设备状态会影响排产，客户投诉会追溯 到批次、供应商和工艺参数，订单变化也会同时影响采购、库存和交付。 业务环节 核心流程 关键业务对象 常见问题 AI 智能体主要机会 市场与订单 市场洞察、线索、报价、 投标、订单评审、需求预 测 客户、产品、报价、合同、订 单 信息分散、报价慢、订单变更传递 不及时 市场情报、报价、投标、 订单评审、需求预测智能 体 产品与研发 需求、方案、CAD 设计、 BOM、试制、测试、变更、 交付物审批 需求、模型、图纸、BOM、标 准、测试、变更单 标准检索慢、建模重复、设计错误 复现、进度不透明 需求解析、设计知识、 CAD 执行、设计校核、 BOM 审核、变更影响智能 体 工艺设计与工程 文件 工艺路线、参数窗口、控 制计划、SOP、工艺变更、 现场知识 工序、设备、工装、参数、检 验点、工艺文件 经验依赖强、工艺文件更新慢、异 常难关联人机料法环测 工艺路线、参数推荐、异 常分析、SOP 影响分析、 工艺知识智能体 供应商与采购 寻源、准入、询比价、采 购执行、来料、绩效、协 同整改 供应商、物料、报价、历史价 格、交期、质量 报价格式不一、主数据混乱、跨组 织协同慢、风险发现晚 供应商预审、主数据治理、 多维比价、采购执行、风 险监测、委外质量智能体

业务环节 核心流程 关键业务对象 常见问题 AI 智能体主要机会 采购结算与付款 合同/订单、验收/入库、 发票、付款申请和审批 合同、订单、收货、发票、税 率、金额、付款状态 三单人工核对慢、重复付款、字段 和审批口径不一致 三单核验、付款审核、异 常证据整理和审批协同智 能体 产销协同与计划 S&OP、主生产计划、物 料计划、能力平衡、排产 需求、库存、产能、物料、交 期 计划依赖经验、频繁插单、缺料、 换型损失 S&OP 模拟、齐套分析、 排产优化、瓶颈预测智能 体 生产执行 派工、领料、报工、过程 监测、异常、交接班 工单、设备、人员、工艺参数、 批次 数据滞后、异常靠人发现、经验难 复制 报工助手、过程监测、交 接班、作业指导、异常分 析智能体 质量管理 来料、过程、终检、放行、 偏差、CAPA、追溯、客 诉 检验标准、图片、测量值、缺 陷、批次 漏检误报、问题闭环慢、追溯困难 视觉质检、质量审核、异 常根因、8D/CAPA、追溯 智能体 设备与能源 点检、保养、维修、备件、 预测性维护、能源管理 设备、报警、振动、温度、能 耗、维修记录 依赖老师傅、停机损失、维护被动 故障诊断、维修协同、预 测性维护、备件、能源优 化智能体 安全与环保 风险辨识、巡检、作业许 可、隐患整改、排放监测、 应急 人员、现场图片、危化品、排 放、预案 违章识别晚、隐患跟踪断点、高风 险动作不可容错 安环巡检、作业许可审核、 隐患闭环、应急辅助智能 体 仓储与物流 收货、上架、补货、拣选、 盘点、装车、运输、运价 库位、库存、批次、车辆、路 线、运价 库存不准、任务调度低效、异常响 应慢 库存预警、仓内调度、装 载校验、运输调度、运价 监测智能体 交付与售后 安装、调试、服务、备件、 保修、退换、召回 客户、设备、服务单、备件、 故障、索赔 现场知识不足、响应慢、问题难回 流研发 服务诊断、工单协同、备 件建议、索赔审核、质量 回流智能体 经营与持续改善 项目、成本、回款、绩效、 精益、数据治理 项目、合同、成本、任务、指 标、知识 多系统数据割裂、风险发现滞后 项目风险、经营报告、成 本分析、精益改善、数据 治理智能体

三、制造业 AI 智能体全景

1. 市场、订单与客户经营

AI 智能体 服务对象 主要任务与动作 制造业市场情报智能体 市场、战略、销售 汇总政策、产业、竞品和客户动态，生成机会与 风险提示 客户需求解析智能体 销售、产品、研发 从会议、邮件、招标文件提取需求，形成结构化 需求清单 方案与报价智能体 售前、销售、成本 调用产品配置、历史报价、成本与交期数据生成 报价草案 投标智能体 售前、商务、法务 拆解标书、分派材料、检查响应完整性、生成投 标文档 订单评审智能体 销售、计划、研发、采购 检查配置、产能、物料、交期和合同风险，发起 会签 需求预测智能体 市场、计划、供应链 结合历史销量、促销、季节与外部变量输出预测 和偏差解释 回款风险智能体 销售、财务、项目负责人 监测合同、开票、交付和回款节点，预警并创建 催办任务

2. 产品与研发

AI 智能体 服务对象 主要任务与动作 产品需求管理智能体 产品、系统工程师 合并需求、识别冲突、建立需求到设计和测试的 追踪关系 技术标准与设计知识智 能体 研发、工艺 检索标准、图纸、历史方案和专家经验，给出可 追溯答案 工业 CAD 设计执行智 能体 研发、设计工程师 理解自然语言设计意图，在 CAD 副本中创建草 图、特征或参数修改并返回执行记录 CAD 设计校核智能体 研发、工艺、质量 检查干涉、规则、可制造性和工程变更影响，定 位问题并给出修订建议 方案生成与复用智能体 研发、售前 根据约束检索历史模块和相似项目，生成方案草 案 BOM 一致性审核智能 体 研发、工艺、采购 检查 BOM 版本、替代料、图纸和工艺文件的一 致性 设计评审智能体 研发、质量 按标准和历史失效案例预审交付物，提示高风险 项 工程变更影响分析智能 体 研发、计划、采购、质量 分析变更对库存、供应商、工艺、测试和交付的 影响 研发项目风险智能体 项目经理、研发负责人 聚合进度、采购、测试和问题数据，提前识别风 险 测试分析与报告智能体 测试、研发 分析测试数据、发现异常模式、生成带引用的报 告 IPD 交付物预审智能体 项目、质量、签审人 在提交前检查格式、标准、历史问题与完整性， 保留人工签审 工艺路线生成智能体 工艺工程师、生产准备 结合产品结构、设备、工装和历史工艺生成候选 工序、检验点和工时建议 工艺参数窗口智能体 工艺、质量、设备 关联过程参数与质量结果，调用专业模型生成参 数窗口和试验建议 SOP 影响分析与更新 智能体 工艺、文控、培训 识别工程变更影响的工序、设备、检验点和岗位 ，生成多角色文件草稿

3. 供应商与采购

AI 智能体 服务对象 主要任务与动作 供应商准入智能体 采购、质量、法务 收集资质、识别缺失和风险、生成预审意见 供应商技术预审智能体 研发、供应商质量 解析技术报告和尺寸链，标记关键风险供专家审 核 供应商主数据治理智能 体 采购运营、数据管家、IT 全量校验、异常分类、责任分派、复检并生成治 理日报 采购多维比价智能体 采购、成本、业务部门 解析不同格式报价，结合历史价格、规格、交期、 税运费和商务条件形成比选依据 三单核验与付款审核智 能体 采购、仓库、财务 核对合同/订单、收货/验收和发票，标记金额、 数量、税率与对象异常 采购执行智能体 采购、计划 创建或更新采购任务、跟踪确认函和交期、提醒 异常 供应商风险监测智能体 采购、风控 监测经营、合规、交付、质量和舆情风险，触发 复核 委外生产监控智能体 采购、制造、质量 统一收集供应商生产和良率数据，监测异常 委外异常分析智能体 供应商质量、工艺 识别良率波动、分析根因、生成异常单和 8D 任 务 供应商绩效智能体 采购管理 汇总质量、交付、成本与整改表现，形成分层与 改进建议

4. 产销协同、物料与排产

AI 智能体 服务对象 主要任务与动作 S&OP 情景模拟智能体 销售、计划、财务、供应链 模拟不同需求、产能、库存和成本情景，支持协 同决策 物料齐套智能体 计划、采购、仓库 持续检查工单、BOM、库存和采购到货，预警 缺料 库存安全线智能体 计划、仓库、采购 扫描库存和消耗速度，触发补货或风险提醒 产能瓶颈智能体 计划、生产 识别设备、人员、模具和工艺瓶颈，提出平衡建 议 智能排产智能体 计划、生产 在交期、产线、换型、物料等硬约束下生成排产 方案 插单影响分析智能体 销售、计划、生产 计算插单对现有订单、物料、换型和交付的影响 换型优化智能体 计划、工艺、生产 在满足交期的前提下减少换型次数和时间

5. 生产执行

AI 智能体 服务对象 主要任务与动作 语音报工智能体 一线员工、班组长 将语音转为结构化产量、工时、物料和异常记录 生产状态监测智能体 班组长、工艺、厂长 读取 MES 和现场数据，生成实时状态、趋势与 风险提示 智能交接班智能体 班组、生产管理 汇总本班产量、参数、异常和未完任务，生成交 接报告 作业指导智能体 一线员工、工艺 根据产品、设备和工序提供匹配版本的 SOP 与 注意事项 生产异常分诊智能体 班组、工艺、质量、设备 根据异常类型路由责任人，推荐排查顺序并跟踪 关闭 工艺偏差分析智能体 工艺、质量 结合参数、批次和历史偏差寻找可能原因 工艺参数建议智能体 工艺专家 在规则和机理约束下生成调整建议，必须由专业 人员确认 生产异常多智能体分析 系统 工艺、制造、工业工程、质量 将自然语言问题拆解为数据查询、假设生成、验 证、图表和根因报告 生产任务协调智能体 生产管理 根据工单状态创建任务、催办、升级并回写执行 结果

6. 质量管理

AI 智能体 服务对象 主要任务与动作 来料检验智能体 IQC、采购质量 根据物料风险和历史表现生成抽检建议、辅助判 定异常 工业视觉质检智能体 质量、一线班组 读取图像，结合特征、字符、规则和工作流识别 缺陷并告警 质量文件预审智能体 质量、项目、供应商 审核报告、记录和交付物是否符合标准与完整性 要求 过程质量监测智能体 质量、工艺 监测 SPC、良率和过程参数，发现漂移并创建 异常任务 质量异常根因智能体 质量、工艺、设备 聚合人机料法环测和历史案例，生成可验证的根 因假设 8D/CAPA 协同智能体 质量、责任部门、供应商 生成问题单、分派措施、追踪证据、检查关闭条 件 质量追溯智能体 质量、售后、生产 从客户问题反查批次、物料、设备、人员和工艺 记录 客诉质量分析智能体 售后、质量、研发 聚类客户问题，识别高频失效并推动设计和工艺 改进

7. 设备、备件与能源

AI 智能体 服务对象 主要任务与动作 设备知识智能体 维修工、设备工程师 检索手册、图纸、停工报告和历史维修案例 故障诊断智能体 维修工、设备工程师 读取报警、现象、语音和传感器数据，给出原因 与排查步骤 维修工单协同智能体 设备管理、维修班组 接收告警、派发任务、跟踪维修、回访结果并回 写知识 预测性维护智能体 设备、生产、计划 结合传感器、机理和历史故障预测风险，生成维 护建议 保养计划智能体 设备、计划 根据运行时长、状态和生产计划调整保养窗口 备件智能体 设备、仓库、采购 预测备件需求、检查库存、推荐替代件并触发补 货 OEE 损失分析智能体 厂长、生产、设备 分析停机、速度和质量损失，定位主要改善机会 能源监测智能体 能源、生产、设备 监测单耗、峰谷和异常用能，定位异常设备与班 次 能源优化智能体 能源、工艺、计划 在产量、工艺和价格约束下生成用能优化方案

8. 安全与环保

AI 智能体 服务对象 主要任务与动作 现场违章识别智能体 安环、班组 分析现场图片和视频，识别违章并通知责任人 高危设备监测智能体 安环、设备 聚合巡检、设备和报警信息，诊断并跟踪隐患 作业许可预审智能体 安环、作业负责人 检查动火、受限空间、高处等许可材料和前置条 件 隐患整改闭环智能体 安环、责任部门 生成整改任务、检查证据、逾期升级和复查 环境排放监测智能体 环保、生产 监测排放趋势和异常，关联生产批次与设备状态 应急辅助智能体 应急指挥、现场人员 检索预案、汇总态势、生成行动建议和信息通报

9. 仓储、物流与交付

AI 智能体 服务对象 主要任务与动作 库存异常智能体 仓库、计划、财务 识别账实差异、呆滞、超储、临期和安全库存风 险 仓内任务调度智能体 仓库 编排收货、上架、补货、拣选、盘点和人员设备 任务 装载与发运校验智能体 仓库、物流、质量 校验产品、数量、包装、标签、车辆和单证 运输调度智能体 物流、销售 根据订单、车辆、路线、时窗和成本生成调度方 案 国际运价监测智能体 国际营销、物流 汇总航线运价、计算趋势、波动超阈值时按区域 预警 交付异常智能体 销售、物流、客户服务 监测延迟、破损、拒收和缺件，路由责任人并跟 踪处理

10. 售后与全生命周期服务

AI 智能体 服务对象 主要任务与动作 安装调试智能体 现场工程师、客户 根据设备型号和现场条件生成步骤、检查结果和 报告 售后诊断智能体 服务工程师、客服 理解故障描述、图片和日志，给出排查与备件建 议 服务工单智能体 客服、服务经理、工程师 分诊、派单、调度、跟踪 SLA 并回写结果 备件推荐智能体 服务、仓库、客户 根据设备、故障和库存推荐备件与替代件 保修与索赔审核智能体 售后、质量、财务 检查保修条件、证据和历史记录，生成审核建议 召回与质量追溯智能体 质量、售后、管理层 确定影响范围、生成客户清单、协调通知和处置 服务经验回流智能体 售后、研发、质量 从工单提炼失效模式和改进建议，写回产品知识

11. 经营、项目、精益与数据治理

AI 智能体 服务对象 主要任务与动作 项目经营智能体 项目经理、经营管理 聚合合同、进度、成本、工时、报销和回款，识 别风险 经营报告智能体 管理层、财务、运营 跨系统取数、解释偏差、生成日报周报和经营分 析 成本分析智能体 财务、工厂、产品 分析材料、人工、制造费用和质量损失，识别改 善空间 付款异常证据整理智能 体 财务、采购、审计 汇总三单差异、审批规则和历史重复付款线索， 生成复核包并推动关闭 精益改善智能体 精益、一线员工、班组 识别现场改善点、检索历史改善、追踪提案项目 数据质量治理智能体 数据管家、业务、IT 全量体检、问题分派、规则更新、复检和质量报 告 人员技能与培训智能体 人力、班组、工艺 根据岗位和任务推荐学习内容，模拟故障和考核 合规与审计准备智能体 质量、财务、内控 汇总证据、检查缺项、形成审计材料包

四、六类重点智能体及工作机制

1. 监测预警智能体：让问题主动找人

监测预警智能体持续读取生产、质量、设备、物料、供应商或物流数据。当指标越过阈值、趋势发生 异常或多个条件组合成立时，它不只发送一条消息，还应确定责任对象、生成任务、设置截止时间并 跟踪问题是否关闭。 典型链路： 业务事件 → 数据读取 → 规则/模型判断 → 风险分级 → 通知责任人 → 创建任务 → 处理反馈 → 关闭或升 级 永卓控股高炉智能体、内江金鸿物料预警、临工重机运价预警和海信供应商数据治理都属于这一大类 ，但智能程度不同。有些主要依靠规则和自动化，有些加入了分析建议和持续反馈。

2. 工业知识与诊断智能体：把老师傅经验变成可调用能力

这类智能体连接设备手册、SOP、图纸、维修记录、停工报告和专家经验，根据现场的文字、语音、 图片、报警代码或传感器数据给出排查建议。 知识问答只是第一步。更完整的诊断智能体需要知道设备型号、当前状态、维修历史和现场约束；当 信息不足时主动追问；处理完成后回访结果，并把有效方案转成新的知识案例。

3. 审核与质量把关智能体：在问题进入下一环节前拦截

这类智能体依据标准、历史案例和风险规则，对研发交付物、供应商报告、质量记录、图片和生产结 果进行预审。它适合承担高频、重复、规则明确的现有检查，把专家精力留给异常和高风险判断。 关键在于问题前置、依据可追溯，同时保留人工签审。

4. 计划与优化智能体：大语言模型不能替代运筹和机理约束

排产、能源、工艺参数等问题往往包含大量硬约束和优化目标。大语言模型可以理解业务目标、调用 数据、解释方案和协调流程，但真正的求解通常仍需要运筹优化、规则引擎、仿真、机理模型或专用 预测模型。 一个可靠的计划智能体，应把自然语言交互、约束检查、优化求解、方案解释、人工确认和执行反馈 组合起来。

5. 跨系统流程执行智能体：把分析转成业务动作

这类智能体可以连接 ERP、MES、PLM、QMS、WMS、SRM、OA 和协同平台，读取状态、创建任 务、更新字段、生成报告、通知责任人和追踪结果。 所有写入动作都需要明确鉴权、幂等、日志、超时、重试和回滚。涉及订单、付款、产品放行、工艺 变更和安全操作时，应增加人工批准。

6. 感知执行与多智能体闭环：进入现场，但不绕过安全系统

机器视觉、传感器、边缘模型、知识智能体和流程智能体可以组成工业闭环。例如视觉模型识别异常 ，规则系统判断是否达到拦截条件，工作流通知质量人员并创建返工任务。 大语言模型不应成为毫秒级控制、PLC 逻辑或设备安全联锁的唯一决策者。物理执行必须服从确定性 控制系统、工艺边界和安全标准。

7. 新增的四类重点工作卡

工艺路线生成智能体 字段 内容 服务对象 工艺工程师、生产准备、质量和设备人员 触发条件 新产品导入、产品变型、设备或工装变化、工艺重构 主要输入 图纸/模型、BOM、材料、工艺标准、设备与工装能力、历史工艺 判断与规划 识别制造特征，匹配相似产品，规划工序顺序、设备、检验点和候选工时 工具与系统 CAD/PLM、MES、设备与工装库、历史工艺库、规则或专业求解器 输出与动作 候选工艺路线、风险项、缺失信息和待试验参数，不直接发布正式路线 人工控制点 工艺工程师审核，必要时进行试制和能力验证；文控批准后生效 验收指标 路线可执行率、人工修改量、漏工序、试制问题、量产稳定性和版本一致性 图：工艺路线生成场景示意 工业 CAD 设计执行智能体 字段 内容 服务对象 机械设计、产品研发和工程变更人员 触发条件 新建模型、参数化修改、重复建模或规则校核 主要输入 自然语言设计意图、尺寸、约束、参考模型、标准件和设计规范 判断与规划 把需求转换为可执行的 CAD 操作序列，发现缺失约束并追问 工具与系统 CAD、PDM/PLM、几何约束求解器、标准件库和版本管理 输出与动作 可编辑模型、操作记录、错误信息和设计校核建议 人工控制点 在副本或分支中运行；工程师审查模型、图纸和变更影响后才能合并 验收指标 几何约束满足率、模型可编辑性、命令执行成功率、工程师修改率和回滚成功率

三单核验与付款审核智能体 字段 内容 服务对象 采购、仓库、业务验收、财务和审批人 触发条件 供应商提交发票或付款申请 主要输入 合同/采购订单、收货或验收单、发票、付款规则、供应商和历史支付记录 判断与规划 抽取并标准化字段，核对主体、金额、数量、税率、状态和审批条件 工具与系统 ERP、SRM、WMS、发票/财务系统和审批流 输出与动作 一致项、异常项、证据位置、付款建议和人工复核任务 人工控制点 智能体不拥有付款权；异常解释、供应商沟通和最终审批由授权人员完成 验收指标 异常召回、误拦截、重复付款、字段抽取准确、回写成功和审计可追溯 生产异常多智能体分析系统 字段 内容 服务对象 制造、工艺、工业工程、质量和工厂管理人员 触发条件 周期、良率、设备或工艺指标异常，需要跨维度根因分析 主要输入 IIoT/MES 数据、设备、SKU、介质、供应商、工艺与历史异常 判断与规划 理解问题、生成查询、提出根因假设、调用分析工具验证并形成证据链 工具与系统 数据仓库、IIoT 看板、统计分析、代码/图表工具、工业知识和权限系统 输出与动作 根因候选、证据、图表、处置建议和验证任务 人工控制点 专家确认分析口径和根因；参数调整、停机和工艺变更进入原有审批链 验收指标 根因 Top-N 命中、分析耗时、专家否决率、问题复发率、端到端延迟和错误图表

五、代表案例

案例一：永卓控股高炉智能体——从数据存储到生产洞察 钢铁高炉的原料投入和炉况变化存在时间差，传统交接班依赖纸质记录和工长经验。企业 MES 已经采 集上千个数据点，但过去主要承担数据存储，风险仍然需要人自行分析。 高炉智能体将班次记录、生产数据和任务状态组合起来，自动生成基层交接报告，为组长提供风险调 度信息，并向厂长输出决策建议。项目公开信息显示，交接班从 30 分钟缩短到 5 分钟，周报从 8 小 时缩短到 0.5 小时，任务闭环效率提升 75%；企业应用时应以自身基线、运行周期和实际业务结果独 立验收。

图：永卓控股高炉生产案例图 智能体工作卡 字段 内容 服务对象 炉前班组、工长、厂长 触发条件 班次交接、数据异常、日报周报周期 输入 MES 数据点、炉况、班次记录、任务状态 判断 状态汇总、趋势与风险识别、责任任务判断 输出与动作 交接报告、预警、任务、管理建议 人工控制点 工艺参数调整和生产控制由专业人员及控制系统负责 验收 交接用时、预警有效率、任务关闭率、误报漏报、生产稳定性 案例二：阿维塔 AI 虚拟质量工程师——先跑通 IPD，再把 AI 嵌进审签流 阿维塔的案例显示，AI 智能体并不是孤立的聊天入口。企业先把研发项目的交付清单、里程碑、目标、 审批和版本管理放到统一流程中，再把 AI 预审核嵌入交付物提交和签审环节。 AI 负责检查格式和交付标准、检索历史问题、形成审核建议，人工签审责任仍然保留。公开案例显示 ，智能体嵌入业务流后累计调用超过 10 万次，覆盖 3,000 多人；相关效率与准确率均为案例公开口径。

图：阿维塔项目交付体系图 可复用启示

• 先统一交付清单、标准、版本和审批路径；
• AI 先做预检查，不直接替代专业签审；
• AI 意见与人工结论都需要留痕；
• 验收时同时看问题前置发现率、审核时间和错误放行数。 案例三：TCL 华星委外供应商多智能体——跨组织数据和异常闭环 委外供应商的难点不只在采购，而在跨企业的生产秩序。过去 40 多家供应商通过微信群、邮件和表格 报送数据，数据流转滞后，良率异常需要人工识别和追踪。 案例将供应商数据收集、良率分析、异常单、8D 整改、绩效和知识沉淀放入统一平台，并设置监控、 分析、建议和知识沉淀等角色。需要注意，其中自动催办、公式判断、仪表盘和数据流转主要属于规 则和低代码能力；自然语言问答、异常分析和决策建议才是智能体相关部分。

图：TCL 华星委外供应商优化后场景图 多角色分工 角色 主要任务 生产监控角色 持续读取供应商填报和生产实况 异常分析角色 识别良率波动并形成根因假设 决策建议角色 汇总风险、影响和行动建议 知识沉淀角色 将异常、措施和结果转成可复用案例 案例四：东风康明斯工业视觉质检——模型、规则和工作流组合 传统视觉在连杆配对码场景中受毛坯表面、字符清晰度和润滑脂影响，案例显示最初准确率无法满足 现场要求。项目团队没有只依靠一次大模型识别，而是逐步组合裂纹检测、字符识别、模糊匹配、结 论提取、异常告警和人工返工。 公开测试记录显示，最终一轮 3,000 张样本中出现 6 张错误，均为误报而非漏报。这个设计体现了工 业质量的关键原则：不良漏检和良品误报的代价不同，不能只看一个整体准确率。

图：东风康明斯视觉质检架构 质检链路 产线相机采图 → 发动机号与图片写入 → 裂纹和字符双重识别 → 结构化结论 → 不合格告警 → 人工返工 → 结果可视化 验收重点

• 不良漏检率：应作为硬红线；
• 良品误报率：决定人工复核负担和停线影响；
• 单件推理延迟：是否满足生产节拍；
• 异常拦截成功率：告警是否真正到达现场并完成返工；
• 数据漂移：新产品、光照、相机和工况变化后是否失效。 案例五：东风奕派“设备大师”——从知识问答到五智能体闭环 设备维修常常依赖老师傅，故障处理记录散落在文件夹、群聊和个人经验中。设备大师的公开演进路 线包括四步：经验数字化、报警直连与流程闭环、预测性维护、多智能体协作。 在多智能体形态中，前台由设备大师统一承接输入，后台由协调、认知、执行、跟踪和学习五个角色 协作。故障修复后，系统主动回访并生成停工报告，再把处理经验写回知识库。

图：设备大师多智能体协同图 智能体角色 主要职责 协调智能体 判断输入来源和故障类型，选择处理路径 认知智能体 调用知识库分析原因，信息不足时向人追问 执行智能体 生成并下发维修方案，接收补充信息后重新分析 跟踪智能体 修复后主动回访，确认设备运行状态 学习智能体 生成停工报告，把有效经验更新回知识库 需要继续核验的内容包括：预测性维护覆盖哪些设备、预警提前量、漏报率、维修建议采纳率，以及 停机损失的计算口径。 案例六：远星轮胎智能调度官——把老师傅经验变成硬约束 轮胎生产包含大量规格、设备、换型和交付约束。远星轮胎把十多年排产经验拆成规则、限制条件和 优化目标，形成可计算的排产系统。项目公开信息显示，过去一天的排产工作可在 30 秒内完成，一期 减少 10% 的换型时间；实际效果应结合订单结构和生产周期持续验收。 这个案例更接近“运筹优化系统＋AI 交互与调参”，不能只因为产品名称包含 AI 就认定为完全自主智能 体。评估重点应是硬约束是否 100% 满足、方案是否可执行、人工改排次数、准交率、换型时间和异 常恢复能力。 案例七：海信供应商数据治理——规则工作流也是智能体底座 海信案例将多套系统中的供应商数据汇入统一数据底座，使用字段校验规则进行全量体检，把异常分 派给数据管家，并通过会议任务和工作流持续复检。 这类方案的核心价值主要来自数据治理、规则引擎和任务闭环，AI 智能体承担会议任务提取、分析和 交互等部分。它提醒企业：智能体不能建立在错误、重复、责任不清的主数据之上。

图：海信供应商数据治理案例图 案例八：Apollo Tyres 生产异常分析——多智能体如何进入工业根因分析 Apollo Tyres 案例把智能体带进了一个更垂直的现场问题：乘用车子午线轮胎硫化环节的周期时间异 常。旧流程虽然已经有 IIoT 描述性看板，但工程师仍要按设备、SKU、介质、供应商等维度逐层筛选 ，并组织制造、工艺、工业工程等专家共同判断。主要耗时来自分析起点不明确：不知道应该从哪个 维度开始查，也难以快速验证多个假设。 Apollo Tyres 的系统把一句自然语言问题拆成数据查询、假设生成、工具验证、图表和根因报告，并 通过多角色协作处理复杂分析。项目公开信息显示，复杂问题的分析时间从最长约 7 小时缩短到 10 分钟以内，人工分析投入减少约 88%；年度收益仍属于项目目标，企业应用时应以自身基线和财务口 径独立验收。 这个案例最值得保留的是四条工程纪律：

• 模型不替代事实库，所有分析必须回到真实生产数据；
• 假设需要被工具和数据验证，不能只生成听起来合理的原因；
• 图表、代码和大数据处理本身也要纳入工程验收；
• 根因报告仍由专业人员确认，智能体不直接修改参数或控制设备。

六、制造业智能体的系统架构

一个可落地的制造业智能体通常由六层共同组成。 业务角色：销售 研发 计划 一线 质量 设备 管理层 → AI 智能体与多智能体编排 → 知识与约束：标准 SOP 图纸 手册 案例 本体 规则 → 工具与系统：ERP MES PLM QMS WMS SRM SCADA 协同平台 → 数据与现 场：订单 物料 工艺 设备 图片 传感器 任务 → 人工控制：审批 复核 放行 调参 停机 安全责任 → 可观测与 治理：日志 评测 权限 成本 告警 回滚

1. 数据层

• 订单、物料、供应商、设备、工艺、质量和项目主数据编码统一；
• CAD 模型、图纸、BOM、工艺路线、SOP 和工程变更之间能够按版本追踪；
• 合同、收货/验收、发票和付款记录能够关联同一订单与供应商；
• 时间戳、单位、版本、批次和责任人可追溯；
• 图片、报警、振动、温度和维修记录能够关联具体设备或产品；
• 保存失败样本、人工纠正和绕过系统的记录，而不只保存成功结果。

2. 知识与约束层

• 产品标准、SOP、设备手册、工艺窗口和安全联锁结构化；
• 老师傅经验通过维修报告、访谈、复盘和案例沉淀；
• 每项可执行动作记录前置条件、禁止条件、参数范围和后置检查；
• 知识版本绑定适用产线、设备型号、产品版本和生效日期。

3. 工具与系统层

根据场景连接 CAD/CAE、ERP、MES、PLM、QMS、WMS、SRM、财务/发票、SCADA、PLC 和 协同平台。智能体不应默认获得所有系统权限，应按照最小权限、任务范围和操作风险进行授权。设 计和工艺执行优先进入副本、沙箱或版本分支，确认后再合并；采购与财务写入则要经过订单状态、 金额和审批权限的确定性校验。

4. 人工控制层

以下动作原则上不应由大语言模型独立完成：

• 修改 PLC 和安全联锁；
• 直接调整高风险工艺参数；
• 发布正式工艺路线、SOP 或工程变更；
• 产品最终放行；
• 供应商淘汰和重大采购承诺；
• 发起或批准实际付款；
• 自动停机、报废、召回或对外通知；
• 删除关键生产、质量和审计数据。

5. 工程可靠性与异常恢复

所有写入、派单、调参和删除动作需要鉴权、幂等、日志、超时、重试、回滚和人工接管。对于网络 断开、模型不可用、接口失败和数据异常，应预先定义降级路径。

七、制造企业落地路线图

阶段 0：建立问题与基线 先选择一个具体问题，而不是先购买平台。例如“设备故障平均需要 10 分钟定位”“供应商良率数据晚两 天”“质量报告审批平均需要一小时”。记录当前耗时、错误率、成本和责任链。 阶段 1：只读知识与分析 从检索、汇总、报告、数据查询和建议开始，不自动写入核心系统。重点验证答案依据、任务覆盖率 和一线是否愿意使用。 适合场景：设备知识、标准检索、研发报告、工艺知识、历史报价分析、经营日报、市场情报。 阶段 2：受控流程执行 允许智能体创建草稿、任务和提醒，写入动作经过人工确认。重点验证权限、任务到人率、回写成功 率和错误恢复。 适合场景：交付物预审、CAD 副本建模、工艺路线草稿、三单核验、异常分诊、供应商整改、维修工 单、项目风险。 阶段 3：有限闭环 对于低风险、规则明确的动作，允许自动执行并持续监控；高风险分支自动升级人工。 适合场景：库存预警、数据治理、报告生成、常规催办、低风险工单流转。 阶段 4：工业现场与规模化复制 当模型、规则、工程和组织验收稳定后，再连接边缘设备、专业模型和现场系统，并将成熟模式复制 到其他产线和工厂。复制的对象应是“场景、数据合同、权限和验收方法”，不是简单复制提示词。

八、试点选择方法

企业可以用五个问题筛选第一批场景：

• 业务问题是否高频且可以量化？
• 所需数据是否存在、可访问、可追溯？
• 智能体的错误是否能够被人发现和纠正？
• 是否能够在 4 至 8 周内形成一个真实闭环？
• 成功后能否复制到更多人员、产线或工厂？

推荐优先级 优先级 场景特征 代表场景 优先试点 高频、只读或低风险、数据现成、结果明确 报告、知识检索、历史比价、项目预警、数据治 理、库存预警 条件成熟后试点 需要跨系统写入或专业判断，但可人工确认 CAD 副本操作、工艺路线草稿、三单核验、交 付物审核、维修工单、排产建议 严格验证后试点 涉及产品质量、资金、设备动作、工艺和安全 付款、视觉质检、预测性维护、参数建议、停机 与放行

九、评测与验收

通用验收框架 维度 核心问题 示例指标 业务结果 是否改善成本、交付、质量或停机 工时、准交率、库存周转、停机分钟、废品率、 异常关闭周期 任务质量 判断是否可靠 漏报率、误报率、根因 Top-N 命中率、建议采 纳率、人工修改率 流程闭环 是否真正进入业务流 自动触发率、任务到人率、按期关闭率、回写成 功率、人工升级率 工程可靠性 是否能够稳定运行 端到端成功率、P95 延迟、接口失败率、重试成 功率、单次成本 使用与组织 一线是否持续使用 活跃用户、任务覆盖率、绕过系统率、培训后独 立完成率 风险控制 错误能否被发现和恢复 高风险动作人工确认率、审计日志完整率、回滚 成功率、安全事件数 典型场景验收 视觉质检 不良漏检率、良品误报率、单件延迟、异常拦截率、人工复核量和不同工况下的数据漂移。 设备诊断 根因 Top-N 命中率、平均修复时间、错误维修建议数、预警提前量、非计划停机时间和知识回写质量。 智能排产 硬约束通过率、计划可执行率、准交率、换型时间、产能利用率和人工改排次数。 供应商预审 风险项召回率、专家复核通过率、审核周期、错误放行数和供应商整改关闭时间。 项目风险智能体 风险提前发现时间、有效预警率、无效打扰率、责任任务按期关闭率和数据完整性。

工艺路线与 SOP 智能体 路线可执行率、工程师修改量、漏工序、试制问题、影响对象召回率、版本一致性和旧版停用情况。 工业 CAD 设计执行智能体 命令执行成功率、几何约束满足率、模型可编辑性、工程师修改率、错误传播范围和回滚成功率。 三单核验与付款审核智能体 字段抽取准确率、异常召回率、误拦截率、重复付款数、审批绕过数、回写成功率和审计日志完整性。 生产异常多智能体分析 根因 Top-N 命中率、分析耗时、专家否决率、错误数据查询或图表数、行动建议采纳率和问题复发率。

十、风险边界

1. 概率模型与确定性控制的冲突

大语言模型适合理解、解释和协调，但工业控制需要确定性。毫秒级控制、设备安全联锁和不可逆动 作不能把大语言模型放在唯一控制链路上。

2. 幻觉与错误依据

所有涉及标准、工艺、质量和维修的建议都应提供来源或规则依据。无法找到依据时，智能体应明确 说“不确定”并升级人工，而不是补全一个看似合理的答案。

3. 数据版本和适用范围

同一份 SOP、图纸或维修方案可能只适用于某一设备型号和产品版本。知识检索必须带上版本、产线 和生效日期。

4. 越权与错误写入

智能体连接多个系统后，风险从“回答错误”升级为“业务状态被错误修改”。CAD 和工艺智能体可能把错 误传播到图纸、BOM 和 SOP，采购财务智能体可能影响供应商关系与资金安全。应采用最小权限、 操作白名单、副本或分支、人工审批、审计日志和可回滚设计。

5. 公开案例数字的应用边界

不同企业的流程、数据、设备和组织基础差异较大，效率、准确率、节省金额和调用量不能直接迁移。 试点应设置自身基线、对照范围、运行周期和财务口径。

十一、案例与来源索引

核心来源

• 永卓控股：高炉生产管理

• 山西鹏飞：高危设备监测

• 阿维塔：全生命周期质量管理与 AI 预审

• 内江金鸿：语音报工与物料预警

• 德马科技：研发项目管理

• 雅迪：精益改善与知识助手

• TCL 华星：委外供应商良率与多智能体

• 东风康明斯：工业视觉质检

• 海信：供应商主数据治理

• 四维图新：跨系统项目经营智能体

• 东风奕派：设备维修与预测性维护多智能体

• 远星轮胎：智能排产

• 赛力斯：供应商尺寸链预审

• 临工重机：国际运价监测与预警

• Apollo Tyres：生产异常多智能体分析

• 工业智能体：工艺智能体

• 工业 CAD 进入智能体时代

• 制造业三单核验与采购比价方案

• 工业智能体技术架构 本章小结 制造业 AI 智能体的应用全景，不应被缩成“车间里多了一个机器人”。它既可以工作在研发交付、CAD 和工艺设计，也可以进入供应商协同、采购付款、排产、生产监测、质量、设备、仓储、售后和经营 管理。 真正的分水岭在于企业能否把数据、知识、规则、系统、权限和责任链组织起来，让智能体在可控范 围内持续完成任务。 对于大多数制造企业，第一步应选择一个高频、可量化、可纠错的业务问题，让 AI 从“给建议”逐步走 向“推动闭环”，暂不追求全自动工厂。