大模型驱动的制造智能体探索与实践 | TF技术前线174期回顾

阅读量:2 2025-11-25 收藏本文

2025年11月18日，CCF TF迎来了第174期活动，主题为“大模型驱动的制造智能体探索与实践”。本次活动由CCF TF智能制造SIG策划呈现，邀请到中国科学技术大学信息学院胡博副研究员、东声智能创始人及董事长韩旭、联宝科技研发中心数字化方案部经理兼资深工程师赵兵三位讲者。活动以线上直播的形式进行，吸引了众多专业人士的参与。本文将系统梳理本次活动的核心观点与技术洞察，呈现大模型驱动的制造智能体的最新发展趋势。

扫码观看回看

当“人工智能 +”行动深入产业肌理，大模型与制造业的融合需要从概念走向实战。然而，大模型在实验室的亮眼表现难以直接复制到制造复杂场景，行业知识缺失、数据调用不足、设备协同不畅等“水土不服”问题突出。与此同时，高端制造对质量与柔性的极致追求，正推动工业智能从单一功能向“感知-决策-执行-反馈”全链路进化。在此背景下，兼具知识整合、任务规划、工具调用能力的制造智能体，成为破解转型痛点的关键抓手。

活动由CCF高级会员、联宝科技研发中心研发总监陈陶根主持，首先陈陶根介绍了CCF TF的宗旨和活动安排，随后引导与会者进入主题讨论。

中国科学技术大学信息学院副研究员胡博，以《从大模型到智能体：赋能企业效率革命》为主题，系统剖析了大模型向企业级智能体演进的技术路径。他指出，大模型在数学推理、小型代码生成等领域已接近甚至超越人类水平，如快速排序算法等小型代码任务生成速度快、错误率低，但在企业级复杂业务场景中，仍面临专业知识匮乏、任务规划薄弱、工具调用生疏、能力评估缺失四大短板。

针对这些痛点，胡博提出企业级智能体必须具备四大核心能力，并详细拆解了各能力的技术实现路径：在知识注入方面，从全量微调到高效参数微调，再到知识编辑与 RAG（检索增强生成）方法，技术路线不断优化，实现了知识更新效率与成本的平衡。其中，RAG 方法通过查询改写、复杂问题分解、检索结果后处理等优化手段，无需修改模型参数即可引入外部知识，可成为当前企业场景的优选方案。在任务规划领域，从思维链（CoT）到思维树（ToT），再到结合反思机制的动态规划方法，智能体已具备复杂任务拆解、动态环境适应和多角色协同能力，通过 “规划 - 评估 - 调整” 的闭环提升决策精度。在工具调用层面，接口协议从简单 Schema 到模型上下文协议（MCP）不断完善，工具学习通过“步骤粒度奖励”，优化工具组合策略，工具检索则通过轻量化模型筛选与大模型整合提高效率。在能力评估方面，胡博强调需基于企业真实业务场景构建高阶数据集，实现知识、规划、工具调用等全维度评估，确保智能体真正适配业务需求。

胡博还分享了与人民网合作的 “社交智能助理” 案例，该智能体具备思考、规划、协同、执行四大能力，可自动完成热点总结、日程管理、内容创作等任务，验证了智能体在企业场景的落地价值。

东声智能创始人及董事长韩旭，立足十余年工业AI视觉深耕经验，带来《智造新纪元：AI 大模型驱动智能制造应用创新与实践》主题分享。他指出当前制造业正从自动化向智能化、自主化转型，AI大模型成为降本、提效、提质的核心驱动力。相较于传统小模型数据收集难、训练周期长、小样本/零样本场景适配差的痛点，工业视觉大模型依托海量多行业数据，能降低标注难度、缩短训练周期，多模态大模型更可融合多类数据实现 “检测 - 分析 - 决策 - 反馈” 闭环。

韩旭详细介绍了多模态大模型在工业检测的三大核心应用场景：一是通过多模态训练以及产线数据拟合，不仅能识别缺陷，还能诊断成因并提供解决方案；二是凭借多模态大模型对缺陷的深度理解，实现新产品上线的小样本甚至零样本检测；三是视觉智能体与工业机器人、设备系统联动，形成 “检测 - 决策 - 执行” 闭环，大幅提升生产效率。

通过具体锂电领域应用案例，在落地层面韩旭介绍了采用 “大模型 + 小模型” 混合部署平衡精度与效率，搭配覆盖算法、工具、硬件的全流程技术支撑及端边云架构实现数据与模型复用的实践方法，助力研发设计（光学/机构设计）提效85%，数据收集效率、神经网络训练速度、缺陷检出率均显著提升，适配锂电行业快速迭代的产品需求。同时在泛3C、汽车等领域也有广泛落地，充分验证了技术可行性与实用价值。

联宝科技研发中心数字化方案部经理赵兵，聚焦实体企业落地痛点，分享《工业大模型驱动的具身智能体协作系统》的探索实践。他指出，工业大模型落地面临三大核心挑战：复杂任务分解能力不足、模型幻觉影响生产质量、工业数据匮乏制约知识积累。对比AI大模型与传统工业技术的优劣势，赵兵提出 “扬长避短” 的构建思路，依托企业既有技术积累，融合大模型自主决策能力，规避其精度不足的缺点。

赵兵介绍基于内部 MBX 技术平台（含智能视觉平台 SVP、运动控制平台 MCP），通过软硬件解耦、算子模块化封装，构建可复用知识库，打通研发到制造的数据链路。在此基础上，提出 “制造智能体” 构建框架，聚焦多模态感知、规划决策、调度执行三大能力，拆解为流程编排智能化与小脑级运动控制精细化两大方向。针对任务拆解复杂问题，团队采用 “先拆后合” 策略，先明确各智能体职责边界与触发条件，通过逻辑自检与可行性验证降低执行风险，再根据验证结果优化合并。

赵兵以3C行业贴标场景为例，展示了智能体如何自动拆解流程步骤，生成可执行的工作流，并支持参数调整与适配，实现从人工编排到智能调度的转型。赵兵指出，当前系统仍处于试错阶段，垂直领域模型适配与智能体耦合问题仍需大量领域知识注入，但已展现出破解制造柔性不足痛点的巨大潜力。

互动问答环节气氛热烈，观众提问聚焦技术落地关键问题，专家们的精彩解答进一步深化了分享内容：针对智能体任务规划如何提升决策透明度与人工介入效率的问题，胡博提出三大解决方案：一是要求智能体分步骤展示规划逻辑与依赖项，实现过程可追溯；二是基于置信度设置人工介入阈值，低置信度任务触发人工审核；三是训练模型主动求助能力，使其在自身无法决策时主动请求人工介入。关于工业检测中精度与效率的平衡这一行业共性痛点，韩旭表示，可通过算力分层部署解决，边侧部署高性能算力处理复杂计算，端侧部署轻量化算力保障实时响应。同时，随着训练数据量的积累，模型精度提升与效率优化可逐步实现动态平衡。在现场操作人员如何与智能体协作交互的问题上，赵兵指出，工业场景的终极目标是无人工厂，自然语言输入并非刚性需求。当前阶段，通过系统层面的任务编排与UI展示实现人机协作，操作人员可通过界面查看工作流程、调整参数，未来将逐步实现系统间直接对接，减少人工干预。

在 “人工智能 + 制造” 的浪潮下，大模型与制造智能体的融合之路虽仍面临挑战，但随着技术的持续迭代与实践的不断深入，必将为制造业培育新质生产力、实现高质量发展注入强劲动力。让我们共同期待下一场技术盛宴，见证更多智能制造的创新突破！

相关阅读：

具身智能机器人的大模型与应用研发 | TF技术前线173期回顾

关于TF：

CCF 技术前线（TF），是专为企业一线工程师搭建的合作交流平台，通过12个SIG（特别兴趣小组）覆盖架构、人工智能、云原生、安全工程、智能制造等核心领域，聚焦技术落地痛点，助力工程师突破职业瓶颈。

<<< 上一篇 CCCF2025年11月刊发布——“深思考模型与强化

具身智能机器人的大模型与应用研发 | TF技术下一篇 >>>

<<< 下一篇具身智能机器人的大模型与应用研发 | TF技术