智能制造Agent项目拆解：从对话框到真实生产力落地全流程

​

工厂要实现 AI 落地，关键不是模型，而是一个能让 AI 看懂数据、调得动工具、管得住行为的运行环境。​

​

一个对话框，不等于 AI 落地​

工业软件行业过去两年出现了一个普遍现象：很多厂商在已有产品上快速接入了大模型。做法不复杂——平台不变，前端加一个对话框，用户输入自然语言，系统转发给大模型，大模型返回答案。从宣传上看，这些平台都有了”AI 智能问答”。实际效果呢？不到一个月，用户就不用了。​

​

👍

解开这个困局，不能靠一个更强的大模型，只能靠一套不同的系统架构。这套架构需要回答四个问题：数据能否被 AI 直接访问和理解？系统能力能否被 AI 直接调用和执行？行业知识能否在 AI 推理时被自动检索和引用？行动能否在权限内由 AI 自主完成？ 如果一个答案是不能，说明 AI 在这个平台里只是停留在表层的对话组件。​

​

IAR：让 AI 从”客人”变成”主人”​

IAR（Industrial Agent Runtime）的定位很明确：不做大语言模型，不做内置的大模型服务。 它在大模型之上做两件事：让 AI 懂行业，让 AI 受管控。​

​

​

让 AI 懂行业。 通用 AI 之所以在工厂里水土不服，是因为工业领域最核心的知识——工艺手册、操作规程、历史故障案例、老师傅几十年的经验判断——不在互联网上。它们锁在企业内部的档案柜和专家脑子里。IAR 的知识库管理让企业将工艺手册、操作规程、设备维护指南、历史故障案例上传后自动索引，AI 在问答、根因分析、数据解读时就能给出贴合企业实际工艺的回答，而不是靠通用知识猜测。Skills 机制更进一步——将行业经验固化为 AI 可调用的标准化工作流。一个老师傅判断压缩机喘振的流程，可以被定义为一个 Skill，之后任何工程师调用这个 Skill，AI 就按这套章法来。知识库定义”依据是什么”，Skills 定义”怎么做”。两者叠加，让 AI 从通用对话工具转变为具备行业认知能力的工业智能体。​

让 AI 受管控。 聊天助手答错一句话影响很小。工业 AI 答错一个工艺参数、误判一次设备状态，可能造成数百万物料损失甚至安全事故。IAR 围绕可控、可信、可审计、稳健四个维度构建完整的安全管控体系。我们在后面展开。​

十三个 AI 助手：工业数据消费的完整链条​

传统工业数据平台有一个根深蒂固的前提：默认用户会写代码。 查数据要写 SQL，搭面板要配数据源，做分析要写 Python，设告警要懂规则引擎。真正需要从数据里找答案的人——工艺工程师、设备主管、运行值长——反而被挡在门外。他们不是不会分析，是被技术手段隔离在数据之外。​

​

​

数据查询 + 面板创建。 “烘丝机昨晚十点到凌晨两点的出口水分趋势，把蒸汽压力和公共风量也拉出来，三条线放一起。”几十秒，曲线叠加，嫌疑范围收窄。”帮我把这几条线做成实时趋势图，加上目标值和参考线。”面板自动生成并发布。从”找 IT 写 SQL、来回几天”变成”说一句话、几十秒”。解决的不仅是效率问题，更是”谁有资格看数据和用数据”的问题。​

分析任务 + 告警配置。 “每 5 分钟看一次蒸汽压力平均值，如果过去 10 分钟跌了超过 0.05MPa，生成预警事件，严重程度 Major，通知发给值班工程师。”这条需求被自动翻译成流计算任务，配好触发类型、窗口参数、输出属性，创建后立即启用。告警准不准，取决于定规则的人离现场有多近——把这件事从 IT 手里交还给最懂工艺的人，漏报和误报才会真正减少。​

异常检测 + 趋势预测。 很多异常在数值越限之前就已经有征兆了——连续几天小幅波动、一天比一天晃得厉害，但每次都在正常阈值以内，传统告警根本没反应。异常检测不只看”有没有超标”，它分析数据的变化模式。趋势预测走得更远——根据历史走势推演未来，在问题发生前发出预警。阈值告警告诉你”已经超标了”，异常检测告诉你”有点不对劲”，趋势预测告诉你”接下来可能会出事”。​

根因分析。 最花时间的不是发现异常，而是搞清楚异常怎么传导的。根因分析助手在告警事件触发后自动启动，沿着工业本体中已建好的设备关系网络一层层往回追溯——这个异常关联的上游设备有哪些、同时段同类设备有没有异常、知识库里有没有相关的历史案例——每一步有记录、有依据，最后生成从”发生了什么”到”为什么会发生”的结构化调查报告。​

事件查询 + 对比分析。 “过去一年所有 Major 级别的蒸汽压力波动事件”，几秒钟完整列表。”把 A 线和 B 线在同一次波动中的受影响程度叠在一起对比”——一句话完成。对比不是为了好看，是为了找到规律、找到差距、找到该从哪里下手。​

健康评估 + 指标计算 + 报告生成。 健康评估持续跟踪每台设备的运行状态，生成评分和退化趋势，维护资源跟着数据走。指标计算把 OEE、能效比等复合业务指标变成系统里持续更新的标准资产。报告生成把这些能力串成一个动作——”生成 3 号产线烘丝段上周的运行报告”——图表、分析、事件、指标自动汇总为结构化报告。人的时间应该花在读报告、做决策上，不是花在凑数据和排版上。​

​

AI 助手的能力扩展：知识库、技能与自定义 AI Function​

TDengine 内置了完整的工业知识管理体系，支持用户对私有域的工业知识进行集中管理，将企业积累的行业知识与经验转化为可被复用的AI 技能，并基于这些技能构建个性化的AI Function。​

知识库管理。 企业可以把各种格式的文档——Word、PDF、Markdown，也包括工艺图纸和现场照片——直接上传到TDengine 系统内对应的设备节点上。系统自动对文档内容进行语义解析和索引，构建一套 Wiki 化的知识图谱，不需要人工标注关键词或分类。这套知识图谱和工业本体是打通的：一份风机故障案例上传到某台风机上，它会自动关联到同型号的其他风机、同一个车间的同类设备、同一次故障涉及的上游测点和下游工序。知识不再是孤立的文件，而是工业本体这张大网上的节点。更重要的是，TDengine 的所有 AI 功能都设定为优先检索这套企业知识库——只有找不到相关信息时，才会退回到通用知识，确保 AI 的每一次回答都基于工厂的真实经验。​

Skills 管理。 一个 Skill 就是一个 Markdown 文档，它不需要编程，只需用自然语言编写，描述一个完整的业务场景和操作流程。它和提示词不同——提示词只是给大模型的一段指令，而 Skill 是一套被系统管理、可版本化、可复用的标准化任务流程和执行要求。上传到系统后，AI Agent 就能在对应业务场景下按步骤执行。TDengine 内置了一整套 Skills 管理体系——创建、编辑、测试、发布、回滚，支持完整的版本管理。TDengine 预置了一批经过验证的通用 Skills，第一篇里讲的十三个 AI 助手，每个助手背后都是由多个 Skills 组合而成。企业也可以上传 Customized Skills，针对自己行业的设备特性和管理流程定制专属工作流。每个 Skill 均可以设置为公开或私有，也可以指定对接的大模型——这意味着不同的 AI 任务可以选用最合适的模型来执行，而不被单一模型锁定。​

个性化 AI Function 配置。 用户不仅可以使用系统内置的 AI 助手和 Skills，还可以在 TDengine 的管理后台中创建自己的 AI Function——选择要对接的模型、上传自定义的 Skills、配置预设提示词和输出规则、设定对其他用户是否可见、决定是否出现在某个页面分析按钮的下拉菜单中。系统内置的 AI Function 作为经过验证的基础能力不可编辑，但用户自定义的 AI Function 可以随时修改和迭代。这让每个企业、每个团队都能构建专属的 AI 能力，而不是只能被动使用厂商预置的固定功能。​

​

​

从”看见”到”行动”：AI 落地的最后一公里​

以上十三个助手，解决的是”看见”和”理解”的问题——让数据能被任何人访问、分析、解读。​

但工业 AI 的价值不止于看见。凌晨两点设备异常，大屏前面没有人。配了告警规则，系统看见了，发一条通知——然后呢？值班工程师收到通知，还需要自己登录系统、拉趋势图、判断严重程度、决定要不要派人。通知发出去了，行动链还没走完。从”看见问题”到”解决问题”，中间横着一道被忽视了二十年的断层。​

TDengine 的实时分析引擎在流计算触发的那一刻就预定好了”然后”。分析创建表单中内置动作（Action）区段——条件满足时，动作自动执行。当前版本已完整实现通知类动作——飞书、邮件、企业微信，通过联系途径和动作模板在基础库中统一管理。​

更长远的规划中，动作库（Action Library）将所有”向外部下指令”的能力收敛到统一的动作模板，按风险等级 L0 到 L4 分级治理——L0 信息类（通知、报表）可全自动，L3 生产影响类（调整报警阈值）必须人审，L4 现场指令类（启停设备、调用 PLC）必须人审加二次确认。AI、自动化、人触发同一个动作，走同一套审批。风险等级 ≥ 中的动作不允许全自动，超时不放行。从”看见”到”行动”，不是加一个通知按钮，而是把”然后怎么办”从人的脑子里搬到系统的执行链路里。​

工业 AI 的安全边界：可控、可信、可审计、稳健​

企业级 AI 的可信，不来自 AI 的天然可靠，而来自它被嵌入一个可治理、可管控、可追溯的运行环境中。​

可控。 Agent 沙箱让每个 AI Agent 运行在独立隔离环境中，不能直接访问底层数据库。身份继承式权限让 Agent 不拥有独立身份——它每次调用的权限完全等于发起用户，用户看不到的数据 AI 也看不到，由沙箱在工具调用层强制拒绝。双层护栏在提示词层注入本体上下文和权限边界，在工具调用层每次操作前二次校验。行为准则预设可自主完成、需人工确认、绝对不可委托三类边界。任务安全等级按风险分级——低风险自主执行，中风险需用户确认，高风险必须 human-in-the-loop。​

可信。 AI 的推理路径被限定在工业本体信息结构之内，偏离即拒绝。每个结论必须标明数据来源、分析路径和本体节点，输出前自动与本体交叉校验。未引用本体对象的输出标记为”未绑定工业对象”，禁止驱动下游动作。​

可审计。 IAR 记录 Agent 工作流的每一个关键节点——从任务触发、Skill 调用、大模型交互、工具执行到用户反馈——形成完整证据链，日志不可篡改。​

稳健。 TDgpt 时序 AI 引擎独立于外部大语言模型运行，异常检测、趋势预测、数据补全不依赖任何外部 AI 服务。AI 生成的面板和分析一旦创建，脱离 AI 持续运行。即使外部大模型完全不可用，数据接入、存储、查询、流计算、告警通知依然独立稳定运行。AI 是增强器，不是依赖项。​

开放即生态：AI 不是封闭王国里的私有财产​

“我们选平台，最怕的就是被锁死。”花几年时间把数据和流程迁进去，结果想接新工具接不了，想导出数据做分析导不出——换平台的代价大到换不动了。TDengine 对开放性的理解，通过一系列”不做”来定义。​

不做紧耦合架构。 每个组件独立部署，客户可以用现有采集工具、熟悉的 BI 工具、自建的模型服务替换对应模块。不被任何厂商锁定。​

不内置大模型。 大模型赛道变化太快。IAR 统一连接所有主流大模型，企业自己选，今天 DeepSeek 明天 GPT-5，随时切换。模型可以换，数据、能力和配置始终留在平台里。​

不做数据烟囱。 JDBC/ODBC 对接 BI 工具，原生 Excel 插件让业务人员直接查询，Kafka/MQTT 支持实时数据订阅和发布。数据应该自由流向每一个需要它的地方，带着完整的业务语义。​

不做封闭系统。 MCP 协议将 50 余项系统能力以标准化工具暴露给外部 AI Agent——远程即可按语义路径查询元素、检索事件、创建分析、生成面板。CLI 面向脚本和自动化，REST API 以 OpenAPI 规范完整描述。任何外部程序和 AI 智能体都可以用标准方式调用平台全部能力。​

不限制部署方式。 公有云全托管（AWS、Azure、Google Cloud、阿里云），私有化部署（适配麒麟、统信及龙芯、鲲鹏），边云协同——网络中断时边缘独立运行，恢复后自动补传。​

功能不黑盒。 页面操作可查看后台 SQL，Skills 可编辑，知识库可在线阅读，模型训练和推理全过程可追溯。​

以上每一条开放能力有一个共同前提：相应权限。 角色权限精细到元素级别，API Key、MCP、CLI 全部在权限框架下运行。开放越彻底，管理越严格。​

一个封闭的平台，每一次新需求都是一道墙。一个开放的平台，每一次新需求只是一条新通道。过去几十年，工业软件行业习惯了先建平台、再加功能——每次加装都在一个没有为 AI 预留位置的架构上打补丁。TDengine 的选择是在写出第一行代码之前，就把 AI 放到架构的中心位置。AI 能做多少事，不取决于模型本身，而取决于平台给了它多少空间。这份空间就是 IAR——让 AI 走出对话框，走进真实生产力的工业运行环境。​

IAR（Industrial Agent Runtime）是 TDengine 为工业 AI 提供的企业级运行环境。它统一连接所有主流大模型，通过知识库和 Skills 将行业隐性知识转化为 AI 可调用的数字资产，内置十三个开箱即用的 AI 助手覆盖从数据查询到报告生成的全链条，以可控、可信、可审计、稳健四根支柱构建完整的安全管控体系。在这里，AI 不是外加的对话框，而是原生在架构中的数据消费者、系统操作者和应用使用者。​