制造业正在从“数字化系统覆盖”走向“智能化运营协同”。ERP、MES等系统已经解决了大量数据记录、业务流转和执行控制问题但当异常发生时方案制定和结果复盘仍然高度依赖人工经验。工业AI大模型与智能体的核心价值就在于补上这一层能力缺口。工业AI大模型不是替代MES或ERP而是在既有IT与OT体系之上构建一层能够理解上下文、编排任务、调用工具、协同决策并闭环执行的Factory Brain。FII MOMClaw制造运营多智能体系统正是以这一思路构建面向未来工厂的Factory Brain把分散的数据、知识、流程和业务逻辑连接起来形成“感知—理解—协同—决策—执行—复盘”的制造运营闭环。工业智能体系统的技术边界从“系统功能”到“目标驱动执行”传统工业软件的核心能力是记录、控制和流程化执行。例如MES负责生产执行QMS负责质量管理EAM负责设备资产与维护ERP负责订单、物料和财务等经营数据。工业智能体则增加了四种能力上下文理解能够同时理解设备状态、工艺参数、订单优先级、质量风险和历史经验任务规划能够把“查明良率下降原因”“处理设备异常”“重新安排订单”等目标拆解成可执行步骤工具调用能够按权限调用数据库、知识库及各类工业软件接口闭环复盘能够追踪动作是否完成、指标是否改善并把有效过程沉淀为可复用的AI Skills。因此工业智能体不应被理解为单一对话入口而应被理解为一个具备角色、权限、工具和行动边界的任务执行单元。工业AI的推荐架构六层能力构建Factory Brain要让工业大模型和智能体进入真实制造流程建议采用“六层架构”而不是直接将通用大模型接到业务系统上。1. 现场与系统接入层连接IT和OT这一层负责接入各类数据和系统,重点不只是“接入数据”更是建立统一的对象和语义。例如“设备编号”“工单状态”“质量缺陷”等关键对象需要在跨系统环境中具备一致的标识、口径和关联关系。没有统一语义智能体只能看到碎片信息无法形成跨系统判断。2. 工业知识与AI Skills层把经验转成可调用能力工业场景的核心资产往往是专家经验而不是单纯的数据量。AI Skills可以理解为被结构化封装的工业经验单元包括触发条件、所需数据、判断逻辑、约束规则、推荐动作、执行权限和验证指标。例如一个“设备异常诊断Skill”可以包含什么告警或趋势变化触发分析需要调用哪些设备、维修、工艺和订单数据如何排除常见误报哪些情形只能给建议哪些情形可以自动派单维修后如何判断是否恢复正常。这种结构化沉淀能让经验从“人脑记忆”转化为可共享、可审计、可持续优化的组织能力。3. 工业大模型与专业模型层负责理解、推理和生成这一层提供工业语义理解、多模态分析、知识检索、任务拆解和方案生成能力。在工业环境中大模型不应单独决策。它需要结合工艺规则、设备边界、质量标准、权限体系和实时数据才能生成可靠建议。对于复杂的时序分析、视觉检测、故障预测、优化排产等问题还需要由专业模型、机理模型或运筹优化能力提供支撑。因此工业AI不是“一个模型解决全部问题”而是“通用理解能力专业模型能力工业规则约束”的组合。4. 多智能体协同层让不同专业角色共同完成任务复杂制造问题通常不属于单一部门。一次良率异常可能同时涉及物料、工艺、设备、质量和计划一次设备停机也可能牵动维修、备件、生产排程和客户交期。因此需要设备Agent、质量Agent、工艺Agent、生产调度Agent、能源Agent等专业角色协同工作。MOMClaw的价值就在于构建统一的多智能体协同机制。不同Agent分别从自身专业角度分析问题再通过统一上下文和任务编排机制汇总证据、识别冲突、输出行动建议。相比单一智能体这种模式更适合跨系统、跨工序、跨角色的制造运营任务。5. 执行与流程编排层让建议变成受控动作智能体价值能否落地取决于它是否能进入流程。这一层需要具备任务编排、工具调用、工单生成、消息通知、审批流、参数建议、结果回写和异常升级等能力。对于低风险、高频、标准化动作可以逐步实现自动派单、自动查询、自动回写对于涉及安全、质量放行、设备控制的高风险动作则必须采用人机协同机制。核心原则是智能体可以主动发现、主动分析、主动建议但越接近物理控制层越需要明确的权限边界、审批机制和可回滚能力。6. 运营治理层让智能体可控、可信、可持续迭代工业智能体上线后不能只看对话次数或调用次数更要看是否真正改善运营指标。治理层至少要覆盖五类内容身份、权限和数据访问控制推理、调用和执行过程的审计高风险动作的人机协同与审批模型、知识库、AI Skills的版本管理从结果指标反哺模型和Skills优化的反馈机制。三、四大高价值场景如何设计任务闭环场景智能体的核心任务关键数据输入推荐指标研发设计规范检索、参数校核、设计审查、方案推荐图纸、标准、仿真报告、历史案例设计周期、返工率、知识复用率生产制造工艺分析、过程预测、参数建议、异常协同工艺参数、设备状态、质量数据、订单良率、节拍、能耗、异常处置时长质量检测缺陷识别、自动复判、根因分析、改善追踪图像、检测结果、来料、制程与设备数据漏检率、一次合格率、根因分析时长设备运维预测维护、故障诊断、维修建议、工单闭环振动、温度、电流、维修记录、备件数据非计划停机、故障率、维修响应时长以质量分析为例一个完整的智能体任务链不应只是“识别缺陷”而应包括发现异常趋势、关联批次和工艺、调用设备状态和物料数据、输出根因假设、推荐改善动作、触发复检或派单、追踪改善效果、沉淀有效经验。这也是为什么在MOMClaw的典型缺陷分析与良率提升场景中根因分析时间可缩短约80%。真正带来效率提升的不是单一模型识别速度而是跨系统分析和闭环动作的协同效率。设备运维同样如此。维修助手连接故障代码、维修履历、工艺数据和订单数据后能够更快定位异常源头并为人员提供更具体的检查与维修指导。典型场景目标是降低非计划停机帮助设备故障发生率下降约10%。从PoC到规模化工业智能体建议采用“三阶段”实施路线第一阶段选择一个可证明价值的场景不要从“全厂智能体平台”开始。优先选择异常高频、数据可用、收益可量化、系统可连接的场景例如质量根因分析、设备维修助手、预测维护、生产排程协同。首期项目的目标要具体例如“根因分析时长缩短30%”“设备异常响应时长降低20%”“工单闭环率提升至90%”。没有指标的PoC很容易停留在展示层。第二阶段构建知识、技能和工具闭环在首个场景完成后把高频问题、历史案例、处理SOP、规则边界和接口能力沉淀为AI Skills。此时重点不再是不断增加新问答内容而是让智能体完成更多可验证、可审计的任务。同时需要建立工具调用规范、权限边界、异常升级机制和结果回写机制确保智能体不仅“会说”还能“做对”。第三阶段扩展为多智能体协同当单场景能力稳定后再逐步扩展到跨部门、跨工序的协同任务。例如先完成设备异常诊断再接入生产计划Agent和质量Agent使设备异常能够自动评估对订单、质量和交付的影响先完成缺陷识别再向工艺优化和供应商质量协同扩展。这种由单点闭环到多智能体协同的路径更符合制造业对可靠性和可控性的要求。工业智能体的核心不是“更像人”而是“更懂工业”工业AI大模型与智能体的最终目标不是复制一个万能工程师而是将制造企业长期积累的工艺、设备、质量和运营经验转化为可被调用、验证、协同和持续进化的数字能力。FII MOMClaw所代表的Factory Brain路径提供了一个清晰方向在存量数字化系统之上通过统一Agentic Layer连接数据、知识、流程和角色让工厂具备实时感知、协同理解、智能决策和受控执行能力。对于制造企业而言下一阶段最重要的问题不再是“要不要做工业AI”而是企业最值得被沉淀为AI Skills的经验是什么最先需要被智能体闭环的任务是什么又该如何让智能体在安全边界内真正进入业务流程工业富联科技服务透过 MoMClaw 多智能体架构打造 Factory Brain实现知识传承、协同决策与自主运营。