摘要：新一代人工智能技术正以前所未有的速度发展，尤其是大模型的进步与突破，深刻改变着千行百业的数字化转型进程。在这股浪潮中，制造业作为国民经济基础支柱产业，正迎来智能化转型的关键机遇。
新一代人工智能技术正以前所未有的速度发展，尤其是大模型的进步与突破，深刻改变着千行百业的数字化转型进程。在这股浪潮中，制造业作为国民经济基础支柱产业，正迎来智能化转型的关键机遇。
随着ChatGPT、DeepSeek等大模型技术加速迭代，2025年被业界公认为“智能体年”，以Agent智能体为载体的工业智能应用是大势所趋。正如中国工程院谭建荣院士近期指出，“智能制造是新一代人工智能技术与装备及其制造过程的有机融合。发展智能制造，推动我国装备制造与产品整体升级为‘智能一代’，是实现中国制造业整体实力提升的关键之一”。这里的“智能一代”，即通过多智能体协同系统构建的覆盖设计、生产、管理、服务全链条的智能化网络，能理解复杂工业知识、感知动态环境、执行自主决策、协同解决问题。以制造对象、制造过程、制造工具的全面智能体化，为智能制造带来新动能。
工业智能体的前世今生
工业智能的发展大致经历了三个阶段，从最初的自动化控制到数字化智能再到当下的认知智能，每一阶段都代表着制造范式的重大转变。🔵 自动化阶段1.0：以可编程逻辑控制器PLC和分布式控制系统DCS为代表，实现生产过程的基础自动化和监控。这一阶段系统多为封闭式架构，智能水平有限，主要执行预定义的逻辑与控制规则，对复杂环境的适应能力较弱。🔵 数字化阶段2.0：以工业物联网和大数据分析为核心，实现设备互联互通和数据驱动的决策支持。制造企业开始应用机器学习算法进行设备状态监测、质量预测和生产优化，但仍以单点应用为主，缺乏系统协同。🔵 认知智能阶段3.0：以大模型、知识图谱和强化学习为技术支撑，实现更高级的推理、决策和持续学习能力。智能系统开始具备处理非结构化数据、理解复杂场景和自主决策的能力，标志着工业智能真正进入认知时代。综合中国工程院《中国智能制造发展战略研究报告》与炽橙科技实践案例，大多数中国制造企业正处于从2.0向3.0演进的关键阶段，而多智能体协同代表了3.0阶段的高级形态。与传统工业智能体相比，新一代基于大模型的智能体能够理解和生成自然语言，处理大量非结构化数据，并通过持续学习优化自身性能。最重要的是，生成式工业智能体实现了“知识+经验+推理”的完整智能闭环，弥合了通用人工智能与专业工业应用之间的鸿沟，为工业企业提供了前所未有的机会，使智能制造真正走向认知智能与自适应系统的新时代。何谓智能体和多智能体
智能体是一种具备自主性、响应性、社会性和主动性的软件实体或物理实体，能够基于自身感知和知识独立做出决策，无需外部系统的持续指导。在工业环境中，智能体的自主性尤为重要，使它们能够在复杂多变的制造场景中持续运行并适应环境变化。工业智能体则是专门应用于工业场景的智能体，它们不仅具备通用智能体的基本特性，还深度融合工艺知识、设备知识和业务逻辑，能够理解和处理工业特有的数据和问题。例如，设计智能体理解产品性能参数和工程图纸，工艺智能体掌握材料特性和加工工艺，质量智能体了解检测标准和缺陷特征。多智能体（Multi-Agent System，M.A.S）是由多个具有自主性、社会性和响应性的智能体构成的系统，这些智能体通过协作完成复杂任务。与传统单一智能系统相比，多智能体系统具有分布式自主决策、协作与协商、涌现性和自适应性等特征，特别适合应对制造业分布式、动态变化的复杂生产场景，能在保持系统整体目标的同时，实现局部的灵活调整和优化。图1 炽橙科技工业多智能体开发工作流
大模型技术与多智能体系统的融合，标志着工业智能迈入新时代。大模型为智能体提供了前所未有的通用推理能力、知识表示能力和自然语言交互能力，使工业智能体能够理解复杂工业指令、整合跨领域知识、实现自然人机交互，并具备自主规划与推理能力。例如，智能体能理解“优化生产线能耗同时保持产能”这类包含多维约束的复杂要求，能够整合机械、电气、材料、信息等多学科知识，实现专家知识与AI能力的无缝融合。工业多智能体系统代表了智能制造的新范式，对中国制造业具有特别重要的意义。一方面，多智能体系统的分布式架构与中国制造业多层次、多元化的产业体系高度吻合，能更好地适应不同企业的智能化需求；另一方面，多智能体技术能有效整合和放大中国制造业的比较优势，如丰富的工程人才、多样化的应用场景和完整的产业链，从而加速形成具有国际竞争力的智能制造新优势。新一代工业智能新范式
面向先进制造业的生成式多智能体系统，突破传统工业智能的边界，构建全新的技术架构和应用范式，融合大模型、知识工程、多智能体协同和数字孪生等先进技术，形成层次分明、协同高效的系统框架。
1. 技术架构
图2 浙大炽橙先进智能数字孪生联合研究中心
多智能体系统架构
上图为浙大炽橙先进智能数字孪生联合研究中心提出的多智能体系统架构，采用分层协同思想，将数据、平台、构建和应用层紧密连接，形成从数据获取到智能决策的完整闭环。系统引入多模态大模型融合架构，实现对文本、图像和时序数据的综合理解，并通过检索增强与知识图谱技术实现专业知识的精准把握。架构设计包含丰富的工具集成和零代码构建智能体能力，降低开发门槛，同时支持多智能体在不同场景下的协同作业，实现跨部门、跨流程的自动化流程。整个系统贯穿数据安全与治理机制，确保数据价值最大化与合规运营。此架构的核心价值在于：有序融合多智能体系统，实现制造企业全流程的智能化迭代，增强企业核心竞争力。2. 关键技术
🔵 知识驱动的数字孪生闭环优化架构技术以工业知识图谱为核心，结构化表达设备、工艺和材料间的复杂关系，为智能决策提供知识基础。其价值一是通过知识与数字孪生环境融合，使智能体（孪生体）能在虚拟场景中安全测试各种生产方案；二是通过建立物理世界与数字世界的实时数据交换，系统不断从实际生产数据中学习优化，形成真正的闭环进化；三是通过情景模拟，支持管理者评估不同方案，将静态知识转化为动态智能决策并提高科学性。🔵 具身智能驱动的虚实融合协作系统该技术创新性地构建了感知-认知-行动闭环，使机器人从简单执行器转变为自主决策智能体。一方面，基于数字孪生的虚拟调试平台允许任务先在虚拟环境验证，大幅降低物理调试风险。另一方面，大模型增强的认知系统使机器人能理解任务语义并动态规划路径，适应环境变化。在柔性生产中，多机器人智能体能自主分配任务、协调轨迹并规避冲突。结合自然语言交互能力，工人无需编程知识即可指导机器人完成复杂任务，降低自动化应用门槛，为多品种小批量生产提供解决方案。图3 炽橙“超真云”具身智能软件产品
🔵 大模型驱动的增强型智能体跨域交互该技术主要针对传统工业系统专业壁垒高、跨部门协作效率低的痛点，以多智能体消化操作手册、故障记录与专家经验等非结构化信息，将工业信息获取从编码指令转向语义理解。例如，检维修智能体能从海量维修记录中提取规律，借大模型促进机械、电气等专业知识整合。同时，智能体通信从参数传递升级为语义对话，多智能体通过自然语言协商解决方案。这种语义通信系统具有更高灵活性和自我解释能力，使决策过程透明可追溯，特别适用于制造企业的高风险决策场景。此外，基于先进的连接协议MCP，可实现制造企业级的智能体系统集成。MCP通过标准化上下文信息访问机制，可支持多样化数据形式，大幅简化数据连接，并提高交互安全性。利用MCP，多智能体系统可与企业现有信息系统深度整合，获取实时业务数据，执行跨系统操作，成为企业数字化体系的有机组成部分。3. 协同机制
工业多智能体系统通过一系列协同机制确保高效运作。智能体间采用语义级通信协议交换信息，基于统一的本体模型进行交互，消除信息理解上的歧义。复杂任务被动态分解为子任务并分配给专业智能体，如复杂零件加工可由调度智能体分解为切削、热处理、表面处理等子任务，并分配给相应的设备和工艺智能体。当资源冲突发生时，智能体通过协商机制寻求解决方案，包括基于规则的简单协商、基于市场机制的拍卖和基于效用函数的多目标优化等高级协商策略。智能体不仅独立学习，还通过经验共享实现集体智慧积累，如分布在不同工厂的相同类型设备智能体可共享故障案例和优化经验，加速整体学习过程。同时，通过层级目标分解和激励机制设计确保各智能体在协作过程中维持系统整体目标，避免产生有害于整体系统的局部优化行为。生产协同的演进和应用
1. 演进路线
工业多智能体系统遵循从简单到复杂、从辅助到自主的渐进路径。炽橙科技提出基于工业AIoT数据底座的六阶发展路线：图4 中国制造企业构建智能体的6层能力
🔵 L1基础接入层：智能对话与简单任务响应。企业通过公有云服务接入大模型，实现基础智能对话，解答常见问题。如制造企业基于3D技术手册接入大模型，为员工提供工艺手册查询服务，快速回答“零件的热处理参数是多少”等基础问题。🔵 L2知识赋能层：企业专有知识沉淀与应用。智能体与企业专业知识库深度结合，能够检索和应用企业独有专业知识。如某装备企业构建包含数万份设备手册和维修案例的知识库，使智能体能回答“过去三年中压缩机组最常见的故障原因和解决方案”等问题。🔵 L3角色定制层：企业专属智能助手构建。企业进行私有化部署并通过提示词工程对智能体进行角色定制，如工艺专家、质量顾问等特定角色。例如某汽车零部件企业定制的质量顾问智能体，能根据图像识别结果给出具体质量缺陷的原因分析和处理建议。🔵 L4系统融合层：与企业业务系统深度整合。智能体与企业业务流程、组织架构和信息系统实现深度打通，能无缝对接ERP、MES、PLM等系统。例如某电子厂智能体系统根据“帮我处理某订单的交期延迟问题”的指令，自动查询订单状态，分析延迟原因，并在MES系统中调整生产计划。🔵 L5流程决策层：复杂业务流程的规划与推理。智能体具备执行复杂规划、推理和预测的能力，处理多步骤、多变量的复杂工作流。如在新产品研发过程中，基于目标性能参数和历史数据，自动规划材料选择、结构设计和工艺路线，缩短产品开发周期。🔵 L6生产协同层：多智能体生态系统与自主进化。作为理想形态，形成企业级的完整智能生态系统。如某智能工厂部署设计Agent、采购Agent、生产Agent等多个智能体，既能独立工作，又能在复杂任务中实现信息共享和决策协同。通过强化学习和专业推理模型训练，多智能体不断从实践中学习优化，真正成为具备创新能力的“数字员工”。2. 应用场景
工业多智能体系统将在智能工厂内部、跨工厂与供应链等场景发挥关键作用。🔵 在单一工厂内，多智能体系统解决生产过程复杂协同问题。柔性生产线智能调度将生产资源和任务均视为智能体，通过自组织方式动态匹配，使产线可处理数千种产品变型且能应对设备故障等异常情况；跨工序智能协作通过工序智能体间实时协商，优化生产节奏和中间库存，显著提升设备利用率并缩短生产周期；人机协同制造将人类工作者视为特殊智能体融入协同网络，助手机器人能理解工人意图，预测操作并主动准备工具和零件，同时提供工艺指导。🔵 跨工厂场景中，多智能体协同实现产能均衡与负载分配，使全球生产网络内的工厂能基于实时能力评估和成本模型进行订单分配协商，提升整体产能利用率；跨工厂技术协同使不同工厂的工艺智能体能共享参数优化经验和质量控制知识，加速工艺改进，缩短新工艺导入周期。🔵 在供应链层面，动态供应网络优化将供应商、工厂、配送中心和零售商都建模为智能体，通过分布式协商应对需求波动和供应中断；协同库存与预测通过信息共享和协同预测减少“牛鞭效应”，提升库存周转率并降低缺货率；可持续供应链协同实现碳足迹追踪和优化，各环节智能体共享碳排放数据并协商减排方案，系统性优化整体碳足迹。企业级落地的战略路径
工业智能应用是一项长期战略，企业既要实时关注技术发展动态，又要有序推进落地实践，避免盲目跟风或错失机遇。当下日新月异的大模型技术可提供通用能力，但缺乏制造业的数据知识与真正的思考，要解决企业产供销研一体化协同的深层挑战，必须构建完整的多智能体平台。我们基于炽橙科技的实践经验，提出五步落地建议：🔵 一是达成理念共识，组建专家团队。首先是理念的转变，企业应组织管理层和技术骨干系统学习工业智能体最新发展，理解其与传统自动化、数字化的本质区别，建立跨部门的专家团队，包括业务专家、数据专家和AI工程师。领导层需积极拥抱工业智能，将其作为企业级战略，提供必要的资源支持和组织保障。🔵 二是找场景、找数据，共建数据工程。应从实际业务痛点出发，识别具有明确价值和可行性的应用场景，如产品设计优化、异常检测、预测性维护等。同时，系统梳理企业数据资源，评估数据质量和可用性，多方共建数据工程与多智能体开发框架。要特别关注数据标准化、知识沉淀和模型训练，构建支撑多智能体运行的数据底座。🔵 三是建组织，设立跨部门推进机制。工业智能转型是一项跨部门的系统工程，需要设立专门的组织保障。应作为"一把手工程"，由企业最高决策层直接负责智能化转型推进小组，明确责任分工和考核机制，确保组织协同和持续推进。🔵 四是建设试点项目，打造标杆案例。选择价值明确、风险可控的场景开展试点，快速迭代、验证价值。可从单一智能体应用开始，如质检智能体、维护智能体等，积累经验后逐步拓展到多智能体生产协同。成功试点项目既是内部推广的样板，也是对外展示数智化成果的窗口。🔵 五是有序推进，融入业务流程。工业智能不是孤立的项目，而应成为企业生产经营的有机组成部分。需制定阶段性落地计划，分批次、分层次推进多智能体应用，通过流程再造将其融入日常运营，并持续评估应用效果，不断优化完善，形成技术业务融合发展的良性循环。结 语
新一代人工智能技术正以“润物细无声”之势重塑工业智能格局。以大模型为核心、智能体为载体的工业多智能体系统，超越了传统单点优化和固定场景应用，构建起覆盖全链条的智能化网络。这代表着制造业生产组织方式的深刻变革——从集中控制向分布式自组织转变，从规则驱动向知识与数据融合进化，从封闭系统向开放生态扩展。对中国制造业而言，工业多智能体技术的兴起恰逢从制造大国向制造强国迈进的关键时刻，企业应以开放心态积极拥抱这一趋势，与中国制造、全球同行共同探索智能制造的美好未来。来源：制造界
