MANUFACTURING AI / AGENT SYSTEM

传统制造+AI：凯恒集团探索“大模型+智能体”双轮驱动

制造企业关注的不只是AI技术本身，更是如何让它与企业知识、业务系统和实际流程形成协同。

随着数字化转型持续推进，制造企业已在生产、设备、质量、采购、销售和财务等环节部署了不同类型的信息系统，并积累了大量技术文档、工艺资料与业务数据。

但在实际工作中，知识分散、系统割裂、经验难以沉淀等问题仍然存在。面对具体任务，员工往往需要跨系统查询信息，部分关键经验仍依赖个人积累，企业已有的数据与知识尚未得到充分利用。

对凯恒集团而言，这并不是一个抽象问题。在日常业务中，技术文档、项目资料、工艺记录和历史经验分布在不同部门与系统中。面对具体任务，人员需要判断资料是否有效、版本是否一致、内容是否适用于当前场景。如何让AI理解这些企业内部知识，并在明确权限下参与业务流程，是凯恒持续关注的方向。

人工智能正在加快向工业设计、中试、生产、服务和运营等环节延伸。按照相关规划，到2027年，我国将推出1000个高水平工业智能体，推广500个典型应用场景。^[1][2]

在此背景下，制造企业需要关注的不只是AI技术本身，更要思考如何将其与企业知识、业务系统和实际流程相结合。

近年来，人工智能在企业中的应用范围不断扩大。

2024年，受访企业中报告已使用AI的比例由上一年的55%上升至78%；在至少一项业务职能中使用生成式AI的比例，则由33%上升至71%。^[3]

结合凯恒自身的资料管理与业务协同场景，我们也看到，仅依靠通用大模型，很难直接完成技术参数查询、文档版本追溯和跨系统任务处理。

其中一个重要原因是，通用大模型不了解企业内部长期形成的业务分类、专业术语、文档结构和管理规则。

目前，部分企业已将AI用于文案生成、资料整理、会议纪要和知识问答。这些应用能够提高信息处理效率，但距离生产、运维和经营管理等核心流程仍有一定距离。

一方面，通用大模型并不了解企业内部的设备型号、技术标准、业务制度和历史经验。如果缺少企业知识支撑，其回答即使表述完整，也未必能够直接应用于具体业务。

另一方面，大模型通常只能提供信息和建议，难以独立完成数据查询、系统操作、任务创建及结果跟踪等后续工作。

接入大模型只是企业应用AI的起点。要进一步形成实际价值，还需要解决企业知识接入、业务流程衔接和系统持续运行等问题。

制造业知识具有专业性强、来源分散、形式多样等特点。相关知识既包括技术手册、工艺文件和检验规范，也包括维修记录、项目资料及工程人员长期积累的实践经验。

通过大模型与企业知识库结合，原本分散在不同部门和人员手中的知识，可以逐步转化为可查询、可验证、可更新的组织资产。

但知识库建设不能简单等同于文件集中上传。文档版本、内容有效性、信息来源和访问权限都需要统一管理。否则，AI可能引用已经失效或不适用于当前场景的资料。

大模型能够提升企业对知识的理解和利用效率，但要推动具体任务继续执行，还需要进一步连接相关工具和业务流程。

智能体是在大模型基础上，具备任务规划、工具调用、状态反馈和连续执行能力的智能系统。

接收到任务后，智能体可以根据目标判断所需信息，调用企业知识库或业务系统，将任务拆分为多个步骤，并根据执行结果调整后续操作。

大模型主要承担任务理解和信息分析，智能体则负责将分析结果转化为可执行步骤。对于需要AI进行自主规划和执行的工业场景，应配置相应的智能体，而不能仅依赖内容生成模型。^[4]

当AI开始调用工具、更新业务状态或发起流程时，企业需要同步建立权限控制、异常处理、人工审核和过程记录机制。

AI可以执行哪些操作、执行到什么程度，以及哪些事项必须由人员确认，都应在系统设计阶段予以明确。

凯恒集团对“大模型+智能体”的思考，并非简单叠加两项技术，而是关注二者如何与企业知识和现有流程形成有效协同。

只有明确三者的职责边界，AI才能在可控条件下进入实际业务。

以Zleap-Agent采用的“工作空间优先”设计为例，系统接到任务后，首先判断任务所属的工作空间，再加载与当前任务有关的知识、工具、记忆和权限。资料检索任务主要开放搜索与阅读能力，文件处理任务则配置相应的编辑与测试工具，不同任务不必共享全部上下文和操作权限。^[5]

这一设计旨在解决智能体接入的资料和工具不断增加后，如何控制信息范围与操作边界的问题。系统根据任务类型提供当前所需的知识、工具和权限，避免模型在每项任务中加载全部内容。

例如，资料检索任务无须开放文件修改能力，文件处理任务也不必读取与之无关的业务资料。这说明，智能体能否稳定执行任务，不只取决于模型能力，还取决于上下文组织、工具配置和权限控制。

制造企业的生产、设备、质量、采购和财务等业务具有不同的数据范围、操作流程和责任边界。AI进入具体场景时，应当按照任务需要配置知识和工具；对于设备控制、质量判定、资金审批等关键事项，还应保留人工确认，并对资料来源、工具调用和执行结果进行记录。

相比构建覆盖所有业务的统一入口，从具体任务出发，明确AI的使用范围和责任边界，更有利于形成稳定、可验证的应用能力。

制造企业应用AI，不宜在初期追求覆盖全部业务。选择边界清晰、价值明确且结果可验证的场景，更有利于控制风险并评估实际成效。

确定场景后，企业还需要梳理相应的知识、数据、系统和权限，明确哪些环节可以由AI协助完成，哪些环节必须保留人工审核。

系统投入使用后，应持续检查知识是否更新、输出是否准确、工具调用是否成功、权限是否符合要求，以及运行成本是否合理。

AI系统的可信性需要贯穿设计、开发、使用和评估全过程。^[6]对制造企业而言，系统上线并不意味着建设结束，后续运维和治理同样是AI应用的重要组成部分。

制造业判断一项技术是否具有实际价值，最终要看它能否解决具体问题，并在长期运行中保持稳定可靠。

大模型有助于提升企业知识的理解与利用效率，智能体则进一步将知识能力连接到实际流程。二者结合，为制造企业应用AI提供了一条可行路径。

这一路径不必从“大而全”开始。

企业可以先梳理一类知识、验证一项流程、明确一组权限，再根据实际运行结果逐步调整。技术和工具会持续演进，但衡量其价值的基本标准不会发生根本变化：问题是否得到解决、结果是否能够核验、过程是否可以追溯、系统是否能够稳定运行。

对于制造企业而言，这些基础工作决定了AI能否由技术能力转化为持续、可靠的业务能力。

围绕传统制造AI、大模型架构与智能体运维等方向，凯恒集团仍在持续推进相关探索。

知识分散、系统协同、智能体权限和AI执行追溯，往往需要结合具体业务场景持续验证。凯恒也希望通过更多实践交流，完善对这些问题的理解。围绕上述方向，蔡君贤持续参与凯恒集团相关技术研究与实践。