随着制造业加速向数智化转型，制造执行系统（MES）作为连通企业计划层与车间控制层的关键枢纽，其智能化水平已成为影响智能制造落地成效的核心要素。传统MES依托ANSI/ISA-95《企业系统与控制系统集成国际标准》，通过实时数据采集与资源调度支撑现代制造体系的运行。但在智能化不断深入的背景下，系统仍面临多方面瓶颈：在数据层面，存在多源异构融合困难与实时价值提取不足的问题；在决策层面，多依赖静态规则，难以适应动态生产环境；在响应层面，缺乏对异常工况的自适应与闭环控制能力；系统架构呈封闭状态，与人工智能技术融合存在障碍；在知识层面，缺乏有效的沉淀和自主进化机制。这些问题严重制约了MES在柔性生产和实时优化方面的能力提升。

针对上述问题，本研究系统分析了MES系统现存的技术瓶颈，提出一种融合小型语言模型（SLM）与工业智能体的新一代MES架构，以推动MES从规则驱动向智能决策转变。

在现有研究中，针对MES的智能化升级，学者们已从多角度展开探索，包括基于云边协同计算的MES架构设计、深度学习算法在质量预测中的应用、强化学习在柔性作业车间动态调度中的应用，工业互联网平台与MES的集成以及利用数字孪生技术实现虚实映射与闭环优化。尽管这些研究取得了显著进展，但现有研究在MES智能架构方面仍存在不足。目前，MES智能化升级大多通过添加人工智能（AI）功能模块或接入AI能力来实现，这种集成方式虽有一定成效，但难以充分发挥AI模型的潜力。本文聚焦于构建AI原生的一体化MES系统，通过深度整合AI智能体与MES架构，实现多智能体协同与低延迟响应，弥补现有方法在适配成本和持续学习能力方面的局限。

一、问题剖析

（一）数据智能的数据割裂与实时价值不足

传统MES的数据采集以人工录入和基础设备接口为主，难以兼容物联网传感器、视觉检测系统等高维异构数据源。例如，本公司某工厂因设备与MES工单信息协议不兼容，使工艺参数与质量检测结果无法关联，削弱了预测性维护、根因分析等场景的实施基础。设备故障预测仅依赖单一阈值告警，误报率较高，见表1。

表1 传统MES“数据孤岛”问题及其影响

在数据时效性方面，传统MES的数据采集周期多以分钟计，无法满足高端电子制造等领域的毫秒级响应需求。同时，其架构过度依赖中心数据库，缺乏边缘算力，难以在本地完成实时数据清洗与特征提取，严重制约了数据的实时价值挖掘。

（二）决策智能的规则驱动与算法僵化

传统MES缺乏产能仿真能力，难以动态优化多约束生产流程。例如，本公司某厂采用“先到先做”的排产策略，在遇到紧急插单的情况时，需要人工重新排产，不仅耗时，而且效率低下。

同时，因缺少内嵌的AI引擎，无法运行实时回归分析、聚类算法等质量预测模型，质量分析仍依赖质量控制人员手动排查报表，难以满足电子行业通过统计过程控制（SPC）模型实时关联生产参数、自动锁定工艺偏移的需求。

（三）响应智能的调整滞后与闭环失效

传统MES在设备故障处理中仅能触发告警，后续维修依赖人工派单，响应效率低。同时，由于工控层与信息系统层的指令通道未实现打通，PLC停机信号无法联动MES重置工单，进一步降低了生产响应速度，见表2。

表2 动态响应能力差距分析

（四）技术架构的封闭性与AI融合障碍

在系统集成层面，MES作为连接企业计划层与工业控制层的中枢，因缺乏标准化接口和统一的数据治理机制，使跨层级的数据交互受阻。例如，企业资源计划（ERP）基于简单对象访问协议（SOAP）实现服务调用，而PLC/SCADA遵循多种工业通信协议。若MES未进行接口适配，易形成数据孤岛。

工业数据具有强噪声、小样本、多模态特性，不同层级的系统在数据格式、编码规则、更新频率等方面差异显著，进一步加剧了AI融合难度。此外，AI与MES的集成缺乏统一的行业标准，厂商在数据接口、通信协议、模型部署等方面存在技术壁垒，导致定制化开发成本高。

（五）学习能力的知识沉淀与进化不足

工厂中的维修记录、工艺日志等非结构化数据占比较高，但传统MES无法将其转化为知识图谱，导致企业知识传承依赖个人经验。若资深技术员离职，故障处理能力会明显下降。此外，传统MES依赖厂商进行定制升级，缺乏自主学习机制。与之相比，智能MES具备在线学习能力，能基于历史订单优化排产规则，通过缺陷模式迭代质检模型，从而实现自我进化。

传统MES陷入智能化困境的根源在于其封闭架构与动态制造环境之间的矛盾。突破困境需从三方面重构：一是解耦架构，采用微服务化与标准化接口，提升碎片化场景适配性；二是构建智能闭环，强化数据采集、算法分析与生产执行的协同，实现全链路智能化；三是探索与SLM集成，基于领域知识库实施检索增强生成（RAG），平衡应用成本与数据安全，以适应当前智能制造需求。

二、技术架构设计

本文提出一种融合SLM和工业智能体的新MES系统架构设计，如图1所示，该架构通过模块化分层、AI原生集成与数据驱动策略，实现MES与SLM能力的深度协同。

（一）核心设计理念

1.模块化设计与微服务架构

系统采用“核心基础服务+可插拔功能模块”的架构模式，核心层仅保留认证中心、消息通信、数据存储及任务调度等基础设施服务，确保系统最小化运行。所有功能模块（包括MES业务模块与智能体模块）均以独立微服务形式存在，支持按需部署与弹性扩展。借助容器化技术实现模块的快速部署与动态编排，以有效应对制造场景的碎片化需求。

2.AI原生集成

将智能体框架与SLM模型库作为系统基础设施的核心组件。AI能力通过模型上下文协议（MCP）与微服务API接口接入业务流程，为生产调度、质量预测、故障诊断等场景提供实时智能服务。

3.数据驱动与事件驱动机制

构建统一的数据总线（基于ApacheKafka的消息队列），并将其作为模块间通信中枢，实现异构数据的实时汇聚与分发。系统采用事件驱动架构，通过预定义事件触发智能体动作，提升系统响应敏捷性。数据流与事件流的协同设计确保了业务逻辑的动态适应性。

4.RAG范式

本地部署的SLM专注于指令理解、上下文管理、精准查询生成及检索结果整合等核心能力。在制造工艺解析、设备故障诊断、标准符合性检查等依赖精确行业知识的任务中，SLM动态检索MES数据库、行业知识图谱、企业文档库等领域的知识库，获取权威数据支撑。

（二）系统架构分层设计

MES系统架构如图1所示。

图1 MES系统架构

1.现场设备层

现场设备层是智能制造体系的物理基础，主要由PLC和SCADA控制，通过协议适配实现与MES的互联互通。其核心功能包括数据采集、设备控制、协议转换和安全防护，是构建互联生态和精益生产体系的关键。

该层通过部署传感器和智能仪表，实时采集设备运行状态、工艺参数和环境指标等多源数据，打破“信息孤岛”，为上层系统提供高时效性、高准确性的数据。同时，利用协议转换技术，实现异构设备的统一接入与协同控制，解决设备间“语言不通”的问题。

1.AI基础设施层

AI基础设施层是MES智能化升级的核心支撑，构建了智能体框架、模型资产库、领域知识库及数据集成层，为制造场景提供智能决策底座。该层以“模型驱动-知识赋能-互联数据”为架构理念，打造可扩展的AI能力中枢，推动MES从数据感知向认知推理升级，支撑工艺优化、质量预测等高阶智能应用。

（1）智能体框架

智能体框架构建了AI能力的运行基座，包含三大核心组件：一是运行时环境，负责管理智能体的全生命周期，支持智能体注册、MCP等通信协议的管理、任务调度及上下文感知，实现生产任务的动态响应与状态保持。二是工具集组件，采用插件化设计模式，预集成多种标准化工具函数，支持行业专属工具扩展。三是任务编排引擎，基于分层决策机制，将复杂制造任务分解为多智能体协作流程，通过状态机模型协调执行顺序与数据交互，实现自动化决策的闭环。

（2）模型资产库

模型资产库针对中低算力硬件进行适配优化，主要选用参数范围在0.5~32B的开源SLM，如DeepSeek、Qwen3等模型的知识蒸馏模型，并借助RAG技术实现对制造场景的适配。此外，该库还集成了一系列机器学习模型，专门用于满足制造领域的特殊场景需求。

（3）领域知识库

领域知识库作为智能知识中枢，基于数据集成层的输入，构建语义理解与推理的知识体系，为SLM和RAG提供精准检索支撑。它包含以下4个组件：一是知识加工引擎，负责将原始数据转化为知识。对于结构化数据，运用自然语言处理流水线和本体建模技术，抽取实体和关系，构建知识图谱；对于非结构化文档，通过嵌入技术将其转化为语义向量。二是多模态知识存储组件，该组件采用差异化存储方案，将工艺知识图谱存储在图数据库；通过向量数据库对语义向量进行索引；文档库利用Git-LFS，实现了标准文档的版本化存储。三是统一语义层组件，该组件通过元数据管理、本体库构建和同义词扩展，实现业务语义的标准化与统一映射；定义业务术语规范含义，构建业务分类体系，并利用网络本体语言（OWL）、简单知识组织系统（SKOS）等技术实现同义词扩展。四是知识服务网关，该组件为SLM和RAG提供调用接口与混合检索能力。通过RESTAPI提供图谱查询接口，支持多模态混合检索，并附带数据溯源信息，确保知识调用的准确性与可追溯性。

（4）数据集成层

数据集成层作为统一的数据枢纽，实现全链路工业数据的接入、治理与基础服务，为领域知识库提供高质量的数据输入。它包含以下4个组件：一是多源接入引擎，用于对接异构数据源，分层接入数据。实时层通过工业通信协议采集PLC/SCADA数据；业务层通过应用程序编程接口（API）/消息队列，与ERP、产品生命周期管理（PLM）、仓储管理系统（WMS）、设备健康管理（PHM）等系统对接；文件层解析标准作业程序（SOP）、手册等非结构化文档，确保多源数据的有效接入。二是流批处理中心，专注于数据清洗与融合。进行流处理时，使用数据质量规则引擎实时校验设备数据，保障数据的有效性；进行批处理时，借助Spark、Flink技术关联业务数据，构建复杂映射关系，提升数据的完整性与可用性。三是核心存储库，按数据类型和需求进行分级存储。时序数据库用于存储设备的实时状态数据；关系数据库用于存储业务实体数据；数据湖则对原始文档、日志等数据进行备份，实现高效的管理与存储。四是服务化接口，通过标准化数据服务为知识库赋能。利用事件驱动机制实现实时事件推送，触发知识更新，并开放数据溯源与质量报告，保障数据流向清晰、质量可控。

1.业务逻辑层

业务逻辑层作为MES的处理中枢，由传统MES核心模块与工业智能体使能模块协同构成，进而构建起“数据驱动-智能决策”的智能生产管理体系。传统MES的核心模块提供基础功能，覆盖全流程业务；工业智能体使能模块基于专业智能体，赋能关键环节，实现动态优化与自主决策。

（1）传统MES核心模块

工单管理模块基于状态机模型，实现工单全生命周期管理，通过工作流引擎驱动跨部门协同，确保生产任务得以有序执行。物料管理模块以批号/序列号为标识，构建物料追溯体系，实现原材料至成品的双向追踪，以满足质量追溯与合规要求。

生产调度模块依据约束理论，综合考量资源约束，生成最优排产计划，并通过甘特图直观展示产线负荷。生产执行跟踪模块实时采集设备运行与工艺数据，利用数字孪生技术可视化地呈现生产状态，实现对异常事件的及时预警。

质量管理模块内置SPC算法，支持质检标准设定、缺陷采集与不合格品处理，通过控制图分析保障工艺稳定性。设备管理模块集成台账管理、预防性维护与故障记录功能，基于OEE指标评估设备效能，实现维护工单的自动化派发。绩效分析模块内置关键KPI计算模型，通过可视化仪表盘展示准时交付率、合格率等生产绩效，辅助定位产能瓶颈。

（2）工业智能体使能模块

工业智能体使能模块集成多个专业智能体，驱动智能制造决策的优化。预测维护智能体基于时序数据预测算法与剩余寿命（RUL）模型，解析设备传感器数据，提前预警故障并触发维护工单，优化备件管理，降低非计划停机风险。质量诊断智能体融合机器学习（ML）分类模型与故障知识图谱，实时剖析质检数据，快速定位质量异常并完成根因诊断，联动工艺调整流程，提升产品质量稳定性。

调度优化智能体采用强化学习与约束规划融合算法，基于生产与设备数据动态优化排产指令，实现换型时间压缩与产能均衡的多目标协同。排产助手智能体基于事件驱动机制，通过启发式算法快速响应生产扰动，生成重排产方案并评估交付影响，保障计划灵活性。

问答助手智能体依托SLM与领域知识库，运用RAG技术，支持自然语言交互，为现场人员提供操作规范与工艺咨询。故障诊断智能体构建“异常检测-诊断-处置”闭环，借助实时数据监控与规则引擎，自动触发应急预案，实现异常快速响应。数据分析智能体提供可视化交互工作台，支持自定义分析任务，降低数据使用门槛，为生产决策提供数据支撑。

1.应用层

应用层作为MES面向用户的人机交互界面，承担着数据可视化、业务操作集成与智能交互支持的关键任务。该层构建于统一前端框架之上，提供Web端、桌面端及移动端多终端协同的应用体验。

三、关键技术点实现

MES的四层架构融合工业自动化、人工智能与制造管理技术，在实施过程中面临诸多技术挑战。

（一）高质量数据集建设

高质量数据集是领域知识库构建的基石。依据全国数据标准化技术委员会分类体系，重点建设行业通识数据集与行业专识数据集两类，如图2所示。

图2 高质量数据集建设框架

行业通识数据集面向行业从业人员，通过整合通用性知识提升模型的泛化能力。数据源涵盖行业白皮书、技术报告、标准规范、专利文献、学术论文、专业出版物、政策法规、产品说明书、行业资讯、百科词条及企业财报等，全面覆盖行业共性知识结构。行业专识数据集面向特定业务场景的专业人员，聚焦细分领域深度知识，支撑业务模型的精准应用。数据来源于企业内部研发文档、工艺文件、作业指导书、质量记录、专家经验库，并结合行业前沿技术报告、专利文档与学术成果，系统挖掘专业技术与经验性知识。

两类数据集在知识深度、受众范围及场景适配性方面差异显著。在知识深度方面，行业通识数据集注重广度，服务于入门至中级需求；行业专识数据集强调深度，达到专家水平，常涵盖前沿技术与方法论。在受众范围方面，行业通识数据集覆盖约80%的通用岗位人员，行业专识数据集则面向5%~10%的高端专家与核心技术人员。在场景适配性方面，行业通识数据集适用于多类通用场景，行业专识数据集则紧密耦合特定业务环节，通常包含定制化规则与历史案例库。

为保障数据集的时效性与准确性，需要建立动态更新机制与失效数据清理策略。原始数据文件存储于数据湖架构，依托数据治理实现高效组织和管理；图文数据经过嵌入模型向量化后，存储于向量数据库，支持高效语义检索与模型训练任务。

（二）模型资产库建设

模型资产库作为AI基础设施层的核心，为MES智能化提供可扩展的模型支撑，构建了“通用+专用”双层架构：上层以SLM为主体，融合领域知识与RAG技术，以实现语义理解；下层部署专用ML模型，适配特殊业务场景。同时，基于机器学习运行（MLRun）、气流（Airflow）、特里同（Triton）及机器学习流程（MLFlow）等开源技术搭建全链路机器学习运维（MLOps）服务，贯通数据准备、模型训练、部署优化的全流程，支持模型高效微调与迭代。

1.分层协同模式

采用双层架构实现功能解耦：通用层基于SLM模型，结合RAG技术对接领域知识库，实现自然语言理解、指令解析等交互功能，其典型应用是设备维修工单的语义解析与工艺指令的分发；专用层针对制造场景选型适配模型，如强化学习优化动态排程、采用YOLO算法实现边缘质检、利用LSTM/Transformer预测能耗以及使用生存分析模型支撑设备预测性维护等。该模式通过通用层处理非结构化任务、专用层解决确定性问题，有效避免了模型能力冗余。

2.模型资产治理体系

结合分布式版本控制系统（Git）MLOps构建模型资产治理框架，对模型二进制文件、训练配置及评估报告实施版本化管理，通过“提交-触发持续集成/持续部署（CI/CD）-注册版本-支持回滚”流程保障模型迭代可控。MLOps流水线整合阿帕奇气流（ApacheAirflow）进行数据预处理调度，利用MLRun执行分布式训练任务，借助Triton实现模型服务化部署，并通过普罗米修斯（Prometheus）进行运行指标监控。同时，引入模型卡记录数据血缘、伦理审查结果及性能衰减阈值，确保模型全生命周期的可追溯性与合规性。

3.模型优化策略

针对不同的业务需求制定差异化优化方案：对于知识密集型任务，优先采用RAG方案，可大幅降低算力消耗并支持动态知识更新；对于特定场景的泛化需求，在具备万条以上标注数据的条件下，通过定向微调可使推理精度明显提升；而对于其他结构化业务场景，则通过开发专用的ML模型实现高效处理，形成需求驱动的模型优化决策路径。

（三）任务编排引擎实现

智能体框架基于开源技术栈构建，涵盖多类型智能体协作与复杂业务逻辑。本节以任务编排引擎为例，结合设备故障诊断智能体，阐述其如何通过LangGraph状态机模型构建分层决策机制，实现设备故障的高效处理与响应，如图3所示。

1.分层任务分解机制

故障诊断任务被划分为三级子任务流。一级任务由设备传感器通过OPC UA协议实时采集振动、温度等数据，当振动值超出阈值时，就会触发故障事件；二级任务由诊断智能体执行，包括“历史工单检索”和“多参数关联分析”两个并行子任务；三级任务由维护智能体负责，依据诊断结论生成操作序列。

图3 设备故障诊断智能体协作流程

1.状态机驱动的协作流程

状态机定义就绪、诊断中、方案制定、执行中、已完成5种状态，以实现智能体间的有序协作。设备振动异常触发系统进入“诊断中”状态，激活诊断智能体多线程处理；诊断完成后，状态迁移至“方案制定”，维护智能体检索维修手册并确认备件可用性；控制智能体向PLC下发维护指令后进入“执行中”，传感器反馈数据恢复正常后，标记任务“已完成”。

2.多智能体协同机制

多智能体系统通过基于消息传递的协作网络实现协同运作。设备传感器借助MQTT协议实时发布故障事件，触发控制智能体启动诊断流程；诊断智能体与维护智能体通过上下文存储实现知识共享与状态同步。当PLC指令下发失败时，系统状态机自动回滚至“方案制定”节点，维护智能体切换至远程指导模式，并依托AR技术向现场人员推送实时维修指引，以确保异常状况下操作流程的连续性与可控性。

（四）微服务与容器化架构的统一管理

系统采用微服务架构对MES功能模块与工业智能体进行解耦，各服务以容器化形式独立封装，实现高内聚低耦合。该架构既能支持MES核心功能的敏捷迭代，又能保障AI服务资源的弹性伸缩。

Kubernetes作为容器编排与集群管理的核心，提供以下关键能力：一是服务编排与弹性伸缩，依据资源调度策略动态分配Pod资源，避免资源竞争。水平扩缩容基于CPU/内存指标及自定义Metric自动调节Pod副本数；垂直扩缩容实时调整Pod资源限配，以应对突发负载。二是服务发现与流量治理，Pod启动后自动注册端点信息，ClusterIPService实现服务间的负载均衡；Ingress提供七层路由机制，支持基于路径的流量分发。集成ServiceMesh可细化流量治理与故障隔离能力，增强系统鲁棒性。三是统一配置与密钥管理，借助ConfigMap集中管理环境配置，Secret加密存储敏感凭证；通过Reloader监控外部变更并触发滚动更新，避免Pod重启。四是有状态服务支持，StatefulSet确保数据库、消息队列等有状态应用的稳定运行，结合PV/PVC保障数据持久化；InitContainer从对象存储中拉取最新的AI模型，并将其加载至推理服务，实现模型的更新与版本的无缝切换。

四、结语与展望

本文提出的融合SLM与工业智能体技术的下一代MES系统架构已完成开发，并进入企业内部验证阶段。针对验证中暴露的问题，后续将从实时控制性能与数据资产全周期管理两方面进行优化。

在实时控制性能优化方面，传统RAG机制因涉及知识库检索、提示词处理及模型推理等多个环节，在设备突发报警等毫秒级响应场景中，时延超过2000ms，难以满足工业实时性需求。为此，计划在设备侧部署边缘AI算力终端，实现数据就近处理与推理，有效缩短响应链路，提升系统实时性。

数据资产全周期管理是保障智能决策的关键。需构建“数据采集-标注-验证-迭代”闭环管理机制，持续适配业务场景并更新领域知识库，确保模型推理的时效性与准确性，使数据管理贯穿制造业务全生命周期，为智能决策提供高质量数据支撑。

该架构通过融合微服务化业务组件、智能体框架驱动、本地化SLM及领域知识库，将本地大模型推理、智能体任务编排等AI能力深度融入系统基础设施，结合模块化设计推动传统MES智能化升级。具备充足算力资源的企业可尝试替换为DeepSeek-R1-0528等高性能大语言模型，进一步提升系统智能水平。随着边缘计算与模型轻量化技术的发展，该架构在复杂制造场景中的应用潜力有望得到更充分的释放。

原文刊载于《数字化转型》2025年第11期 作者：李强 刘剑飞