随着新型工业网络中控、网、算不断融合，能够实现更大范围、整体流程柔性制造的工厂会越来越多，促使工业企业集中管控生产流程与资源调度。智能工厂积极探索通过人工智能技术完成IT-OT融合管控。早期，国内外多使用知识图谱、机器学习、神经网络等技术完成工业设备的自主控制，往往陷入工业知识和经验无法泛化的困境。大模型通过模型微调、RAG等技术实现了更宽域的信息输入与决策，基于大模型的工业智能体通过自主迭代优化提升工业场景下的决策准确度，从而为人工智能的工业应用开辟了新场景、新模式。然而，产业界在工业智能体应用方面存在大模型幻觉、确定性保障难、应用场景模糊、方案不清晰、推广难度大等问题，导致基于大模型的工业智能体主要用于非生产核心环节。目前在工业企业中，普遍采用大小模型结合的多种工业智能体协同完成复杂任务，具体体现为IT侧的工业智能体采用大模型制定整体方案，OT侧的工业智能体采用小模型完成精准分析。本文提出将工业IT-OT融合管控和工业智能体技术相结合的管控模式，深入研究工业智能体在个性化定制、网络化协同、服务化延伸等模式中的应用方案与技术特征，提出分布式工业智能体的生产管控模式，梳理工业智能体的实施路径，在新型工业网络中为提高自智化确定性管控能力奠定基础。

1 工业智能体的概念

智能体的概念并不新鲜，早在20世纪90年代国内外学者就对基于早期人工智能技术的智能体开展了研究。智能体主要包含感知、记忆、学习、分析、决策、执行等模块，在主体结构不变的情况下，各模块采用的 AI 新技术不断演进。工业智能体是智能体技术在工业领域的应用实现，不同厂商将智能体加入工业软件、机器人、自动化系统等产品中，形成多种 AI 技术路线产品。本文研究对象为依托工业大模型进行分析与决策的新一代工业智能体，在整合 IT 系统和 OT 系统中可发挥纽带作用，其工业大模型特定场景微调，具有专业知识与解决方案生成能力。工业智能体是指在工业场景中具备环境感知、自主决策、协同执行和持续学习能力的智能化软件、硬件或软硬件结合实体。工业智能体不是简单的自动化设备或单一功能软件，而是智能决策与执行单元，是工业互联网、人工智能、大数据等技术在工业领域深度融合的核心载体。工业智能体的内涵可基于其基本功能模块深入理解，通常包含如图1所示的5个关键模块。

感知模块通过集成传感器、物联网（IoT）设备、工业相机、SCADA系统等采集终端实时采集物理世界的各种数据，是智能体的“感官系统”与认知物理世界的基础。该模块负责将物理世界数字化，形成可被理解和处理的感知信息。记忆模块是存储工业智能体长期、短期知识的模块，决定了工业智能体的业务能力和运行效能，支撑工业智能体实时感知工业环境并完成空间定位。推理与决策模块是工业智能体的“大脑”，利用机器学习、知识图谱、强化学习、工业大模型等智能技术，对感知层数据进行分析、理解和推理。执行模块将工业智能体输出的代码、配置参数或指令转化为纳管设备的实际动作。该模块既可以通过控制PLC、机器人、执行器等设备的接口直接作用于物理设备，也可以通过人机交互界面将建议提供给操作人员，由人工完成决策闭环。交互与协同模块是工业智能体与其他智能体、MES、ERP 等上层管理系统、云平台以及人类专家进行信息交互和任务协同的窗口，依托该模块的通信交互能力，多个智能体可以组成多智能体系统，在统一目标下通过分工协作共同完成复杂的生产任务。工业智能体的基本结构如图1所示。工业智能体通常表现出自主性、交互性、反应性、主动性、自学习适应性、协同性的核心特征。

图1 工业智能体的基本结构

以独立工业智能体软件为例，其基本结构使其可在设定目标和约束条件下独立运行。“感知、推理决策、动作”的闭环不仅可被动响应事件，还能基于目标采取主动行动。一个初始化的工业智能体就像一个刚毕业的学生，大模型赋予了足以完成工作的基本知识，但对实际工作不够了解，对工作流程不够熟练。工业系统赋予其RAG信息、工业知识的过程就像对其进行了企业培训，使工业智能体接收企业积累的数据和经验（在线学习或增量学习），优化自身的模型和决策策略，从而适配设备老化、工艺变更、市场波动等动态变化的环境。通过实时接收生产情况的时空信息，才能确切掌握生产情况，进而及时对相关事件做出响应。在具备基本工作能力后，工业智能体可围绕共同目标，与其他工业智能体、生产设备、信息系统等“数字员工”进行协商、协调和互操作，在IT和OT之间形成最大化的“群体智能”，通过全局视角和协同监督解决单个智能体无法处理的复杂问题。

2 工业智能体的IT-OT融合管控模式

2.1 按需灵活选择工业智能体IT-OT融合模式

各行业对 IT-OT 融合管控具有个性化适配程度、实时响应性能与全局优化能力等方面的差异化需求。“一刀切”的工业智能体管控模式难以适配不同行业、不同场景，这决定了工业领域对工业智能体具有“灵活协作模式”的刚性需求，目前可分为IT-OT 融合的集中管控模式、分布管控模式和混合管控模式。

一是针对多粒度场景的管控要求按需调整大模型。工业智能体需支持颗粒度按需切换，同一垂直行业内部存在多个细分场景，且场景需求可随业务变化。例如，汽车制造包含多个细分场景，从冲压、焊接到总装，每个工序的生产逻辑、设备参数、管控精度需求均存在差异。同时，柔性制造场景需求并非固定不变，会随产能扩张、工艺升级等业务调整动态变化。这意味着工业智能体可根据当前场景，灵活调整大模型的功能覆盖范围与输出精度，面对高复杂度的精密装配场景，切换至细粒度模式，调用更精准的专用子模型。而在批量物料运输等粗管控场景中，切换至粗粒度模式，采用轻量化模型以提升效率。

二是工业智能体需适配工厂现有设备。垂直行业的 IT-OT 基础设施差异巨大，不同行业的 IT系统与 OT设备具有不同的成熟度、算力水平、接口规范等，工业智能体需避免“重投入、高复杂度”，采用适配不同行业现状的轻量化、弹性架构提升智能体复用能力。传统行业OT层多为无标准接口、算力设备薄弱，IT层系统简单，缺乏跨系统的数据整合、算力调度能力，这类场景目前只能在边缘侧部署工业智能体，通过兼容各厂商设备管控接口实现智能化。新兴行业 IT-OT 基础设施完善，自带标准化接口与基础算力，搭建了一体化的工业互联网平台，具备强大的算力调度、数据存储与业务协同能力。工业智能体可延伸到工业现场，依托IT系统实现跨环节的业务联动。

三是工业智能体需动态平衡实时性与可靠性。小规模生产的核心诉求是生产流程的高确定性与实时响应，适宜采用集中式自主决策架构。如果多车间协同采用集中决策，则难以覆盖多环节的复杂变量，此时需采用分布式工业智能体协同决策架构。每个车间部署专属的工业智能体，可结合自身车间的产能、设备状态、物料库存等信息，独立生成初步生产方案。随后通过工业智能体间的实时通信与协商机制，对各方案中的冲突点（如物料供给时间、工序衔接节奏）进行调整，最终形成全局统一、协同一致的生产计划。

2.2 基于工业智能体的 IT-OT 融合模式面临的挑战

IT-OT工业企业在采用基于大模型的工业智能体完成融合的过程中，面临大模型幻觉和确定性执行两方面问题。

为此，工业智能体在协同过程中采用“多智能体形成共识、交叉核验”的机制。

（1）大模型在工业场景中面临准确度过低的问题，需依托多个工业智能体融合工业知识和实时数据，精准研判生产情况，通过分工协同抑制大模型幻觉。该类依托群体协同提升决策水平的监督方式有两种。一种是纵向监督，即使用一个更高层的工业智能体管理底层设备上的智能体，借助全局视角避免陷入局部最优。另一种是横向监督，多个智能体在执行顺序上存在关联，前后工序之间可以共享工业 Know-how 信息，从而缓解或部分纠正大模型幻觉。在这些模式中，本质上是采用主从模型的决策比对，利用工业实际情况识别逻辑矛盾，避免大模型凭空捏造输出结果与处置方案。

（2）智能体执行速度在互联网中无严格约束，该特性无法满足工业领域的确定性要求，因此需要从控、网、算一体化角度考虑工业智能体管控模式的确定性问题。面向应用的确定性技术［22］可在工业智能体管控系统中针对复杂问题构建确定性服务体系，服务涵盖工业智能体、工业大模型处理节点及工业智能体间的通信过程节点。依据工业生产的时延、抖动、丢包等参数，保障算力资源和网络资源，确保从 IT 侧智能体任务、通信过程到 OT 侧智能体任务的端到端“准时、准确”执行。

2.3 工业智能体的IT-OT融合集中式管控模式

集中式管控主要适用于产线级、车间级 IT-OT融合场景。工业智能依托借自主决策与动态适配能力，部署于生产设备、边缘计算节点、自动化系统等，解决跨系统异构性、实时性冲突、资源协同复杂。

图2 集中式管控模式

图2中的集中式工业智能体管控系统由智能体平台、仿真验证模块、RAG数据库等构成，经工业网络连接网络化生产线 1、2、3 等产线层，底层工业网络则连通配备工业智能体的智能机械臂、人形机器人、AGV机器人等设备，形成管理、网络、产线、智能设备层级化的工业智能管控体系。该系统运作时，上层集中式工业智能体管控系统借助RAG数据库、智能体平台制定策略并完成仿真验证，再通过工业网络将指令下发至各网络化生产线，继而通过底层工业网络将任务分配至上述搭载工业智能体的终端设备，设备执行任务的同时回传数据。多个工业智能体可通过管理智能体实现动态分工，根据自然语言描述的生产任务生成工业代码或配置参数。

2.4 工业智能体的IT-OT融合分布式管控模式

分布式管控主要适用于工厂级 IT-OT 融合场景，工业智能体系统分布式部署在多个边缘算力节点。每个车间都具备独立的智能体管理能力，通过协作来动态分配生产任务，避免单个管控中心的负载过高。图3展示的工厂信息管理系统运作流程为：上层系统统筹管理并传递指令，车间工业智能体管控系统依托边缘算力、智能体平台、RAG 数据库完成策略生成与仿真校验，通过工业网络将任务分配给各智能设备，设备执行任务的同时回传数据，上层系统、车间系统、设备间持续进行信息交互，由此构建多层级、闭环的工业智能管控运作机制。当多个车间的业务模式调整时，工业智能体通过自组织、自配置能力快速适配 IT、OT 两侧的管控系统，无需重构整个管控架构。工业智能体通过智能体间协议同步各车间的工业智能体，形成对生产任务和动态资源的共同理解，遵循共同的策略接受并执行生产计划。

2.5 工业智能体的IT-OT融合混合式管控模式

混合式管控模式主要适用于生态级IT-OT融合场景。图4络化制造的规划中的工业智能体系统负责产业协同和网，将各企业的供需信息、资源情况、定制化需求无缝传递，有力支撑去中心化的多企业动态协作。跨企业IT-OT融合的工业智能体管控生态架构上层由产业协同工业智能体管控系统和网络化制造工业智能体管控系统构成，通过工业网络连接企业 A 的集中式工业智能体系统、企业 B 的分布式工业智能体系统等。在该模式中，工业智能体管控系统实现“生态级策略制定、企业级任务分解、车间/工厂级生产执行、全链路数据反馈”的闭环运行，推动跨企业、多产线的IT-OT融合式智能管控，将人工商业对接转化为智能体协同排产，极大缩短产业链合作周期。

图3 分布式管控模式架构图

2.6 工业智能体IT层与OT层数据交互流程

工业智能体在 IT层与 OT层之间主要有上行数传流程与下行控制流程两种过程，通过智能体处理相关数据可以实现信息透明化，形成更加流畅的“感知、决策、校核、执行、反馈”的闭环协同。多级工业智能体之间的通用交互流程，流程可以参见各应用场景中的详细案例。

（1）上行数传流程

步骤1：OT侧智能工业终端采集原始数据，并利用现场级工业智能体完成初步降噪、异常数据剔除并附加高精度时间戳。该步骤需解决工业智能体能否屏蔽传统传感数据格式差异的问题。

步骤 2：车间级工业智能体进行数据挖掘，完成Modbus、Profinet等工业协议的转换处理。

步骤 3：将高质量工业数据分发给 IT 层决策智能体，大模型决策智能体接收现场实时数据后，结合工业知识库调取的工艺约束，获得工业现场的数据孪生结果。

（2）下行控制流程

步骤 1：IT 侧基于工业大模型的工业智能体依据管控需求输出决策方案，结合实时工况和知识库工艺规则开展自监督校验，输出 XML、JSON 等格式的通用优化操作方案与故障处置策略。

步骤 2：OT 侧车间级工业智能体执行三重规则校核以抑制大模型幻觉，车间级工业智能体内置严格的语法、语义、数据校核引擎，对大模型输出逐行检查工业规则、物理机理和操作时延与时序约束，任意一项不通过则直接拦截指令。

步骤 3：车间级工业智能体将指令从 IT 语义规范化转换为OT控制信号，其核心是将大模型的通用控制策略翻译成工业设备可执行的 OPC UA、Profinet 等工业控制指令。边缘计算设备还会为控制指令打上全局统一时间戳，以适配确定性技术所需的时间同步，保证多设备动作时序一致。

步骤 4：控制指令下发至现场级工业智能体并执行，如果车间级智能体判断无冲突，再下发给现场控制智能体执行闭环调节。在物理终端保留最高权限，形成最后一道安全保障。

图4 混合管控模式

3 工业智能体管控模式与传统管控模式对比

传统模式下，工业互联网平台依靠静态策略分域管控IT、OT软硬件，存在融合难度大、运维依赖人工，故障处置滞后，扩展改造成本高等问题。工业智能体依托自主推理与信息协同能力，更适配复杂多厂、多设备的智能制造融合管控需求。管控模式对比如表1所示。

表1 管控模式对比

4 工业智能体IT-OT融合管控的应用场景

4.1 工业智能体管控的平台化设计

工业智能体通过“集中理解市场需求、并行协作缩短周期”的核心逻辑，工业智能体的专业化分工与协同促进多个环节同步推进，适配当今市场快速响应的诉求，可更快完成产业链上下游对接。图5展示了 IT-OT 融合的产业协同管控架构，上层是包含供需对接、IT协同设计模块的产业协同工业智能体管控系统，通过工业网络连接企业A的集中式工业智能体系统、企业B的分布式工业智能体系统等。企业级系统再经工业网络覆盖开展3D打印、柔性装配等的车间A、B和进行产品组件协同制造的工厂C、D等生产单元。其工作流程为：产业协同工业智能体管控系统先完成供需对接，再通过IT协同设计拆解需求并分工，经工业网络将任务下发至企业 A、B的工业智能体系统，企业系统结合自身产线能力生成方案并进行成本效益分析，形成“需求分解、任务下发、方案反馈”的产业级协同闭环，最终全局最优方案会选择适合的车间进行生产。工业智能体实现设计过程对市场需求的“极速响应”，让新产品从设计到生产的时间极大缩短。工业智能体以并行处理替代串行人工，减少等待时间并缩短复杂功能开发周期。

图5 工业智能体的平台化设计场景

4.2 工业智能体管控的智能化制造

工业智能体打通 IT侧产品需求定制和 OT侧产线柔性生产链路，解决两者描述不一致、缺乏方案生成能力等问题。新场景实现控网算设备的管理、配置与动态调整，极大简化了系统管理与运维工作。图6展示了一套分层的工业智能管控系统架构，包含企业信息管理系统、制造执行系统、生产控制系统、资源控制器，以及网络控制器等设备层，同时配备主工业智能体实现全局管控。工业智能体技术在每个设备部署专用智能体，代替专门人员进行控、网、算设备的联合调试，通过集中控制输出业务和资源一体化的优化方案。

图6 工业智能体的智能化制造场景

4.3 工业智能体管控的个性化定制

在个性化定制场景中，工业智能体打通“IT侧客户需求、OT生产执行、IT反馈优化”全链路，推动产品个性化定制从长周期模式向快速响应模式转变，利用大数据适配市场对多样化定制化产品的需求，该场景核心是通过工业智能体自动解析定制业务特征，实现需求精准解析、生产柔性调整、资源动态匹配。图7中的上层企业电商平台/入驻网店通过工业智能体开展定制需求分析、生产方案生成与场预测。通过工业网络联动的企业 A 和企业 B，企业 A 通过工业网络连接生产设备、机器人、仓库等单元，企业B则依托工业网络实现定制产线的加工作业。工业智能体系统通过智能体动态交互融合简化网络化协同数据流转简化，在业务互通和互操作方面更加具有普适性。

4.4 工业智能体管控的网络化协同

工业智能体系统将工厂的整体生产任务转化为多层处理流程，每个工作智能体替代云环境中的微服务，将服务互操作模式转变为智能体协商机制。以智慧电网网络化协同场景为例，图 8 左侧智慧微电网测试实体的电站由工业智能体管控，工业智能体基于 UDP、OCPP、OpenADR 等协议，将数据传输至由数据库、控制服务器、工作站组成的系统，再通过工业网络与搭载机器学习模块的信息物理系统完成交互。同时平台部署本地数字和物理孪生体，支持人机交互，最终实现对智慧微电网的调控策略制定、综合评估、智能运维及故障恢复等功能。多种工业智能体通过 A2A 通信协议实现智能体自治协同，智能体可以获取生产过程中的各种数据，如设备状态、物料供应、质量检测结果等，以便做出准确的决策。

图7 工业智能体的个性化定制场景

4.5 工业智能体管控的数字化管理

数字孪生工厂利用多个工业智能体进行生产模拟，与IT侧数字孪生平台交互，可直观呈现车间OT 制造细节，预测加工过程中会发生的问题，引导OT车间选择更为合理的生产方案。图 9 展示了基于数字孪生技术的智能制造系统架构，上层由仓库智能体、机床设备智能体、运输工具智能体、孪生智能体组成，通过工业网络连接下层的立体仓库、机床设备、物流运输工具、数字孪生平台。工业智能体协作具有全流程数字化闭环、实时动态优化、精细化管控等核心能力。工业智能体通过分布式协同与数据驱动决策，既大幅降低成本，又强化全流程数据可追溯性，全方位保障工厂高效、精准、灵活运营。

图8 工业智能体的网络化协同场景

4.6 工业智能体管控的服务化延伸

工业智能体在服务化延伸场景中可从终端产品采集工况信息，分析并研判软件服务、产品设备改进方向，推动商业模式从“产品销售”向“产品+服务”螺旋升级，打造增值服务生态。图 10呈现了 IT-OT融合的企业服务升级架构，IT侧企业服务升级平台通过用户画像需求分析、市场预测、生产方案生产等模块，联动企业 A和企业 B，企业 A开展工业智能体信息采集，借助互联网感知产品用使用习惯与潜在需求，企业 B 开展工业智能体的产品软硬件升级分析，依托工业网络与厂商侧工业智能体管控OT侧生产环境的生产设备、机器人、仓库。工业智能体将原本松散的用户需求采集与产品迭代衔接起来，替代人工进行软件、硬件需求分析与产品规划，形成IT-OT融合管控的服务增值新范式。

图9 工业智能体的数字化管理场景

5 结束语

我国需拓展工业互联网中智能体的应用场景，鼓励各行业积极应用工业智能体平台并将工业智能体部署至边缘节点与现场终端，以工业互联网平台和试点城市为载体，拓展设备运维、质量检测、产能调度等典型应用场景。鼓励龙头企业打造行业级工业智能体解决方案，通过“揭榜挂帅”等方式推动中小企业应用落地。构建“研发、测试、推广、迭代”产业生态闭环，推动技术创新与实体经济深度融合。