AI Agent进入工厂，通常不会一开始就改造整条产线。它更容易先落在几个具体岗位上：巡检员少跑几趟现场，计划员少在多个系统之间切换，质检员少做一部分重复复核。
这和把大模型接进企业微信、做一个问答助手差别很大。JINGdigital在《制造业AI Agent：六大场景与落地策略全解》中提到，AI Agent是一类可以主动理解任务、调用系统资源、执行流程动作并反馈结果的智能助手。放到制造业，重点就变成了：它能不能接上MES、ERP、WMS，能不能读懂现场规则，能不能把判断变成流程动作。
PowerArena关于智能工厂的文章也提到，生成式AI之后，产业界的关注开始转向Agentic AI / AI Agent。这个判断落到车间里，会更直观。工厂并不缺系统，MES、ERP、WMS、APS、视觉检测平台都在；麻烦的是，异常出现后，谁来把这些系统串起来，谁来把“发现问题”推进到“处理问题”。
巡检Agent，不能只多一路视频
传统巡检常见两种方式：人工定时点检，或者固定摄像头报警。人工点检依赖经验，固定摄像头依赖点位。可设备异常未必按点位出现。仪表读数、设备声音、温度变化、现场异味、阀门状态，这些信息往往要放在一起看，才有判断价值。
巡检机器人接入AI Agent后，价值也不只是多装了一个摄像头。更实际的路径是：机器人采集图像、声音、温度等现场信息，Agent再结合历史维修记录、设备台账、工单状态，给出初步判断。比如发现某台设备读数异常，它需要进一步查询这台设备最近有没有维修、备件库存是否可用、是否要生成工单。
中国日报转载的德塔精要案例中提到，很多智能体仍停留在“外挂阶段”，只是简单接入大模型做问答；企业更需要理解业务、融合系统、驱动结果的“业务原生型智能体”。其自研工具平台强调“应用 + 数据 + 智能”的一体化融合，并支持业务流程、数据逻辑、智能操作的可视化配置。
放到巡检现场，这些话其实很具体。一个能用的巡检Agent，至少要知道报警发给谁，工单走哪个流程，哪些设备不能自动停机，哪些异常必须人工确认。否则，现场只是从“看视频”变成“看AI提示”，工作量没有真正降下来。
排产Agent，绕不开老师傅的经验
动态排产听起来像算法问题，实际更像系统协同问题。
在3C电子、汽车零部件、新能源相关产线里，插单、缺料、设备检修、换线、返工都可能打乱计划。传统APS可以做排程，但现场条件一变，计划员还是要在MES、WMS、ERP之间来回核对，再手工调整。
AI Agent介入后，比较理想的状态是：它接入MES查看产线状态，接入WMS查看物料齐套情况，接入ERP查看订单和交期，再根据约束条件给出调整建议。某台设备临时停机时，Agent可以重新计算哪些订单先做、哪些工序后移、哪些物料需要提前拉动。
但系统里的约束，常常不等于车间里的全部约束。
比如频繁换模，在数据表里可能只是一次工序切换；到现场，可能还包括等待、清洁、调机、首件确认。老员工知道“这两批最好别连着做”，但这类经验未必写进系统。排产Agent如果只追求账面最优，很容易给出现场不愿执行的方案。
所以，排产Agent更适合先做“辅助决策”，把分散信息收拢起来，让计划员看到更完整的备选方案，而不是直接替计划员拍板。甲子光年《2025 AI Agent 行业价值及应用分析》中提到，AI Agent的价值正在从概念泛化走向场景重塑与价值深挖。排产就是这样的场景：表面是软件排程，背后是物料、设备、人员、工艺规则一起合账。
视觉质检，先把现场的不完美算进去
视觉质检是制造业AI较早被验证的一类场景。Agent加入后，重点开始变化。
传统机器视觉更擅长处理明确、稳定、可量化的问题，比如尺寸测量、位置偏移、字符识别。外观缺陷更麻烦，划痕、污渍、异色、压痕都会受到批次、光线、拍摄角度影响。
视觉质检Agent通常不只是一个识别模型。更合理的拆法是：感知模型负责发现疑似缺陷，决策部分再结合产品区域、工艺参数、订单质量要求，判断是放行、复检，还是报废。这样，质检结果才能进入后续流程，而不只是停在“合格/不合格”。
管理问题也随之出现。模型为什么判定不良？这次阈值有没有调整？人工复核是否推翻了AI结果？这些记录必须留得下来。否则一旦出现漏检或误杀，责任很难说清。
在质检场景里，企业尤其不能把“自学习”当成万能答案。新样本怎么进入训练集，标注由谁确认，模型版本何时更新，都需要明确规则。规则不清，系统越用越复杂，现场反而更难信任。
供应商说能接入，不等于现场跑得通
制造业AI Agent项目里，接口和数据经常被低估。
很多工厂已经有MES、ERP、WMS、PLC、SCADA、视觉检测系统，但建设时间不同，供应商不同，字段命名不同，数据质量也不同。Agent想调用这些系统，首先要过接口这一关。是否支持主流工业协议，能否和现有系统稳定集成，权限怎么管，异常怎么回滚，这些问题往往比模型参数更早摆上桌面。
德塔精要提到低代码、可视化配置，原因也在这里。制造企业不可能每改一个流程，就重新开发一套系统。订单变化、工艺调整、人员班次变动，都会影响Agent的执行逻辑。配置能力越弱，后期维护成本越高。
但低代码降低的是配置门槛，不会自动补齐业务理解。巡检Agent能不能用，要看它是否知道哪些报警必须升级；排产Agent能不能用，要看它是否理解换线、缺料、交期之间的取舍；质检Agent能不能用，要看它是否能把判定结果纳入质量追溯。
先做小闭环，别急着喊全厂智能
制造企业引入AI Agent，更稳妥的入口，是选择边界清楚、流程明确、责任可划分的场景。
巡检可以从固定路线、固定设备开始；排产可以先采用建议模式，由计划员确认后执行；视觉质检可以先用于疑似缺陷分拣，保留人工复核。等数据、流程、权限、责任边界跑顺，再逐步扩大范围。
ROI也要按这个思路算。不能只看少了几个人，还要把系统集成、数据清洗、现场培训、后期维护，以及异常情况下的人工兜底成本算进去。Lumevalley关于生产巡检Agent和数据分析Agent的文章提到，相关系统通常围绕全天候、多维度管理、生产效率和运维成本展开。对工厂来说，这些目标都成立，前提是项目落到具体流程上。
AI Agent进车间，真正要证明的是它能不能在真实流程里承担一段责任：能查数据，能触发动作，能留下记录，出错时还能退回人工。做到这些，再谈扩展才有基础。
