我的AI工厂
工厂智能体
从事件到动作，闭环才算智能体
大模型只负责“想”，真正落地还要有工具、知识和边界。下面是一套能在车间跑起来的架构与运行数据。
68%自动处置（无需人工）
24%建议后人工确认
8%转人工 / 升级
9s平均处置时长（事件→动作）
数据为典型项目复盘区间，随场景与数据质量波动；不是产品承诺指标。
架构：四层 + 一条治理线
感知层把现场变成事件，核心层做规划与工具调用，执行层落到系统和人，治理线贯穿全程。
感知与核心
执行
治理
运行数据
三张图回答老板最关心的三个问题：谁在做决定、省了多少时间、靠不靠得住。
处置方式分布
事件进入后如何收尾自动处置 68%
建议后确认 24%
转人工 8%
自动处置只覆盖低风险、可回滚的动作；涉及停线、改工艺参数的，一律走人工确认。
每周节省工时
按任务类型（小时 / 周 / 班组）节省来自“少翻记录、少开会、少重复问人”，不是把人替掉。
建议一次通过率（12 周）
人工不改直接采纳的比例，衡量“靠不靠得住”前两周偏低是正常的：知识库还没喂够、规则没有校准。第 4 周起应稳定上升，否则要检查数据质量而不是换模型。
一次运行发生了什么
以“交期提前”为例，从事件到动作的九个步骤。
| 步骤 | 动作 | 关键控制 |
|---|---|---|
| 1 | 接收事件：订单 A 交期提前 2 天 | 事件去重、来源可信 |
| 2 | 检索知识：换型时间、设备产能、历史排产 | 知识版本与有效期 |
| 3 | 规划：生成 3 条候选方案并排序 | 约束来自工艺规则，不让模型随口编 |
| 4 | 调用工具：MES 查工单、APS 做仿真 | 接口白名单、只读优先 |
| 5 | 校验：交期可行性、换型成本、在制影响 | 规则引擎复核，越界即拦截 |
| 6 | 风险判定：是否影响在制工单 / 客户承诺 | 高风险 → 人工确认 |
| 7 | 执行：下发排产调整 12 条工单 | 灰度、可回滚、限幅 |
| 8 | 通知：车间看板 + 责任人消息 | 分级推送，避免打扰 |
| 9 | 复盘：结果回流，形成新案例 | 案例入库需人工抽检 |
落地时的四个硬约束
数据
没有权威数据源就没有智能体
工单、BOM、工艺参数必须能查到唯一版本；多版本并存时，模型只会给出“看起来对”的答案。
权限
工具调用必须收口
能查什么、能改什么、改多少，要在接口层限死，而不是靠提示词约束。
评测
先建离线评测集
用 100～300 条历史事件做基准，改提示词或换模型都跑一遍，避免“感觉变好了”。
人
保留人工兜底
停线、改配方、承诺交期这类动作永远留人；智能体负责把信息准备到人面前。