當(dāng)下，企業(yè)級工業(yè)應(yīng)用在大模型浪潮的推動下正經(jīng)歷著深刻變革。大模型究竟帶來了哪些根本性的改變？與傳統(tǒng)做法相比，它是否構(gòu)建了新的范式？本文將借助5個(gè)具有代表性的工業(yè)領(lǐng)域智能體案例，為大家進(jìn)行詳細(xì)的分享與解答。

分享嘉賓｜悅點(diǎn)科技CTO孟嘉

內(nèi)容已做精簡，如需獲取專家完整版視頻實(shí)錄和課件，請掃碼領(lǐng)取。

重構(gòu)與挑戰(zhàn)：智能體如何重塑工業(yè)開發(fā)范式

當(dāng)前，企業(yè)級工業(yè)應(yīng)用中的大模型正促使開發(fā)范式發(fā)生轉(zhuǎn)變。Agent智能體作為當(dāng)下的主導(dǎo)形態(tài)，具備自主思考與閉環(huán)執(zhí)行能力，有逐步替代企業(yè)員工的潛力。從宏觀發(fā)展趨勢來看，人工智能正從生成式向推理式邁進(jìn)，未來甚至可能替代架構(gòu)師、決策者乃至CEO，實(shí)現(xiàn)“單人公司”的運(yùn)營模式。

然而，在ToB環(huán)境中，智能體的落地面臨著諸多挑戰(zhàn)。數(shù)據(jù)形態(tài)復(fù)雜，存在多源異構(gòu)、結(jié)構(gòu)化與非結(jié)構(gòu)化并存的情況；場景鏈條長，往往需要幾十步以上的推理；對準(zhǔn)確性、可溯源性與數(shù)據(jù)安全的要求極高。在工業(yè)場景中，大模型作為概率模型，在長鏈條推理中出現(xiàn)逐步出錯(cuò)的風(fēng)險(xiǎn)較大，因此必須引入新的機(jī)制來保障其可靠性。

未來，企業(yè)應(yīng)用的開發(fā)將逐漸從“數(shù)據(jù)庫 + 編程”轉(zhuǎn)向“自然語言生成智能體”。例如，可以通過Workflow構(gòu)建智能體，未來還有望通過簡短提示詞直接生成能執(zhí)行復(fù)雜流程的智能體。實(shí)現(xiàn)這一愿景的前提是將數(shù)據(jù)有效轉(zhuǎn)化為知識，所以“知識 + 智能體”將成為未來企業(yè)應(yīng)用的核心形態(tài)。

實(shí)際上，ToB與ToC的Agent存在顯著差異。在ToB市場中，根據(jù)業(yè)務(wù)邏輯密度的不同，可進(jìn)一步分為低業(yè)務(wù)邏輯密度與高業(yè)務(wù)邏輯密度兩類場景。

低業(yè)務(wù)邏輯密度的場景，如當(dāng)前利用市場上開源的智能體構(gòu)建工具快速搭建知識庫，或者通過NL2SQL在數(shù)據(jù)庫中進(jìn)行自助式分析。這類應(yīng)用業(yè)務(wù)覆蓋面廣，但通用性較強(qiáng)，深度相對較淺。

另一類高業(yè)務(wù)邏輯密度的應(yīng)用則與企業(yè)的內(nèi)部數(shù)據(jù)、業(yè)務(wù)流程以及未公開的內(nèi)部知識緊密相關(guān)。這類場景又可從程序復(fù)雜度和探索性兩個(gè)維度進(jìn)行劃分：一類是高程序化復(fù)雜度的Agent，其執(zhí)行鏈條長達(dá)幾十步，能完全替代流水線員工的工作，且要求每一步都不能出錯(cuò)；另一類是探索式的Agent，不僅要描述已發(fā)生的情況，還要預(yù)測未來趨勢并提供決策建議。

當(dāng)然，還存在更復(fù)雜的場景需要將這兩種類型結(jié)合起來。悅點(diǎn)科技專注于高業(yè)務(wù)知識密度、高業(yè)務(wù)復(fù)雜度以及高流程復(fù)雜度的應(yīng)用領(lǐng)域，這既是市場的核心需求，也是公司目前重點(diǎn)發(fā)展的專業(yè)方向。

在服務(wù)客戶的過程中，我們發(fā)現(xiàn)企業(yè)在數(shù)字化轉(zhuǎn)型中普遍面臨著一些核心問題，如數(shù)據(jù)未真正貫通、知識傳遞效率低、質(zhì)量管控與根因追溯困難等。

傳統(tǒng)系統(tǒng)中數(shù)據(jù)孤島嚴(yán)重，系統(tǒng)協(xié)同不足。大模型憑借其泛化與整合能力，為這些問題提供了新的解決途徑。它降低了數(shù)據(jù)使用的門檻，使非技術(shù)背景人員也能有效利用企業(yè)的數(shù)據(jù)資產(chǎn)。

案例深挖：冶金、工業(yè)、國央企、鐵路、供應(yīng)鏈5個(gè)智能體實(shí)戰(zhàn)復(fù)盤

悅點(diǎn)科技的核心產(chǎn)品Knora是一個(gè)端到端的智能體開發(fā)平臺，其產(chǎn)品架構(gòu)主要包含兩個(gè)層次。

底層是面向企業(yè)級的數(shù)據(jù)分析平臺，該平臺以O(shè)ntology（本體論）為核心架構(gòu)，致力于整合企業(yè)內(nèi)部分散的多模態(tài)數(shù)據(jù)，并在此基礎(chǔ)上構(gòu)建統(tǒng)一的語義層。其核心目標(biāo)是幫助企業(yè)實(shí)現(xiàn)數(shù)據(jù)的深度融合與知識層構(gòu)建。

上層為智能體開發(fā)平臺，與其他平臺側(cè)重于快速構(gòu)建智能體不同，Knora平臺在執(zhí)行層之下深度集成了知識層與推理層。為提升智能體執(zhí)行的準(zhǔn)確性與安全性，支持私有化模型的短鏈條與長鏈條推理能力。

我們認(rèn)為智能體的未來發(fā)展將基于推理邏輯而非搜索邏輯。與當(dāng)前普遍采用的RAG技術(shù)不同，后者主要通過多路數(shù)據(jù)搜索結(jié)合大模型匯總來生成答案，而真正通向通用AGI的路徑需要智能體具備自主推理能力。為此，我們構(gòu)建了強(qiáng)大的推理層，持續(xù)優(yōu)化長短鏈條推理能力，使大模型能夠更深入地理解客戶數(shù)據(jù)與業(yè)務(wù)場景。

案例一：冶金行業(yè)的科研情報(bào)分析與知識管理系統(tǒng)。

該系統(tǒng)的核心是通過Agent技術(shù)為客戶建立了四級分類的知識體系。面對客戶擁有的數(shù)萬篇文檔（包括采購資料與內(nèi)部資料），我們利用Agent高效梳理出多層次的知識結(jié)構(gòu)。這一知識體系隨后被應(yīng)用于研發(fā)生產(chǎn)管理，客戶基于此開發(fā)了問答式和看板式的研發(fā)管理應(yīng)用。

該案例的核心價(jià)值在于：通過Agent技術(shù)能夠高效完成海量知識體系中的要素抽取。此前，悅點(diǎn)團(tuán)隊(duì)采用語義流水線技術(shù)，集成了20余個(gè)小型模型完成此類任務(wù)。雖然當(dāng)前Agent的實(shí)際處理效率可能略低于專用小模型，但其顯著優(yōu)勢在于免除了數(shù)據(jù)標(biāo)注需求，大幅降低了人工成本，從而實(shí)現(xiàn)了整體效率的提升。

這一實(shí)踐表明，大模型技術(shù)本質(zhì)上實(shí)現(xiàn)了自然語言處理能力的普惠化。

案例二：工業(yè)檢測報(bào)告生成系統(tǒng)

該項(xiàng)目的核心需求是自動生成長達(dá)70 - 80頁的專業(yè)維修檢測報(bào)告。需要說明的是，這個(gè)系統(tǒng)并非單純利用大模型的文本生成能力，而是通過十余個(gè)智能體協(xié)同工作完成的復(fù)雜任務(wù)。整個(gè)報(bào)告生成過程約需30分鐘，其內(nèi)容完全由業(yè)務(wù)數(shù)據(jù)、專業(yè)計(jì)算和業(yè)務(wù)邏輯構(gòu)成。

這個(gè)案例充分體現(xiàn)了ToB場景與ToC場景在大模型應(yīng)用上的本質(zhì)差異。雖然表面上是簡單的報(bào)告生成需求，但由于涉及復(fù)雜的業(yè)務(wù)規(guī)則和專業(yè)要求，其實(shí)際落地周期長達(dá)數(shù)月。

盡管實(shí)施難度較大，但最終成效顯著：該系統(tǒng)不僅完全實(shí)現(xiàn)了特定場景的自動化，更重要的是大幅提升了工作人員的效率，成為人工智能技術(shù)與傳統(tǒng)工業(yè)場景深度融合的成功范例。

案例三：大模型結(jié)合知識圖譜的產(chǎn)業(yè)鏈情報(bào)中心

以產(chǎn)業(yè)情報(bào)系統(tǒng)為例，為了應(yīng)對突發(fā)公共事件或意外事件，提供決策支持。這個(gè)案例屬于之前提到的四個(gè)象限中左上角的類型，其核心在于結(jié)合大模型與知識圖譜的技術(shù)路徑。

需要明確的是，大模型本質(zhì)上仍是概率模型。在工業(yè)或ToB復(fù)雜場景的推理任務(wù)中，單純依賴大模型的推理能力并不可靠——這種能力更接近于模擬和學(xué)習(xí)，而非真正的問題解決。事實(shí)上，在決策支持領(lǐng)域早已存在諸多成熟算法，包括基于知識圖譜的算法、圖算法以及動態(tài)規(guī)劃等方法。

我們通過大模型整合這些傳統(tǒng)算法，構(gòu)建完整的事件推理流程。這充分說明了在處理復(fù)雜業(yè)務(wù)場景或深度業(yè)務(wù)邏輯時(shí)，構(gòu)建基于Ontology的知識層至關(guān)重要。只有建立這樣的知識基礎(chǔ)，才能真正實(shí)現(xiàn)有效的決策支持效果。

案例四：大型國央企實(shí)施復(fù)雜項(xiàng)目管理分析

該場景本質(zhì)上是數(shù)據(jù)查詢場景，但傳統(tǒng)NL2SQL技術(shù)無法有效應(yīng)對。核心原因在于大型企業(yè)的數(shù)據(jù)倉庫結(jié)構(gòu)異常復(fù)雜，業(yè)務(wù)語言往往無法通過簡單轉(zhuǎn)換為幾條SQL語句來實(shí)現(xiàn)查詢需求。

面對這一挑戰(zhàn)，我們通過構(gòu)建企業(yè)專屬知識層，采用NL2API的查詢方式來解決這個(gè)問題。這一轉(zhuǎn)變帶來了顯著的效果提升：將原有供應(yīng)商70%的準(zhǔn)確率直接提升至95%以上。

需要說明的是，我們并非否定NL2SQL技術(shù)的價(jià)值。在單表查詢、多表聯(lián)合查詢等場景，以及大模型較為熟悉的電商等領(lǐng)域，該技術(shù)確實(shí)能夠提供良好的準(zhǔn)確度。

但在專業(yè)性強(qiáng)、數(shù)據(jù)倉庫結(jié)構(gòu)復(fù)雜、需要大量標(biāo)簽處理及內(nèi)部映射的特殊場景中，建立知識層并提供更復(fù)雜的處理機(jī)制才是有效的解決路徑。該方案目前已在集團(tuán)總部上線，實(shí)際運(yùn)行效果顯著。

案例五：工業(yè)廠商多智能體協(xié)同對接生產(chǎn)設(shè)計(jì)管理

最后一個(gè)案例展示了智能體落地的未來趨勢：通過多智能體協(xié)同完成復(fù)雜任務(wù)。

該案例實(shí)現(xiàn)了從需求輸入到設(shè)計(jì)生成，并最終對接工業(yè)系統(tǒng)的全流程貫通。需要注意的是，該流程中仍存在多個(gè)人工審核環(huán)節(jié)，特別是與生產(chǎn)排期相關(guān)的關(guān)鍵決策部分。

雖然這個(gè)案例初步展現(xiàn)了端到端打通的潛力，但目前仍處于實(shí)驗(yàn)階段。通過這個(gè)示例，我們可以看出智能體技術(shù)已經(jīng)具備處理端到端任務(wù)的能力，但在實(shí)際應(yīng)用中仍然需要大量人工參與。

我們必須坦誠地指出：當(dāng)前的智能體技術(shù)遠(yuǎn)未達(dá)到完全替代人類生產(chǎn)的程度。其真正價(jià)值在于逐步替代重復(fù)性工作，這是一個(gè)持續(xù)演進(jìn)的過程，也是我們對該技術(shù)發(fā)展路徑的基本判斷。

未來已來：從“AI輔助人”到“人輔助AI”的演進(jìn)之路

智能體為企業(yè)與工業(yè)領(lǐng)域的開發(fā)帶來了新范式。它顯著提升了交付效率，尤其在明確場景和應(yīng)用目標(biāo)的情況下。

過去我們交付數(shù)據(jù)項(xiàng)目時(shí)，最大的難點(diǎn)在于找不到合適的應(yīng)用場景，而智能體是自上而下從場景切入的——能夠明確輔助哪個(gè)員工、訪問哪些數(shù)據(jù)、使用哪些系統(tǒng)、處理程序式還是探索式任務(wù)，這些都讓交付過程更清晰、更高效。

另一方面，我們建議客戶構(gòu)建知識層，以提升查詢準(zhǔn)確度。實(shí)際上，智能體的效果大約70%依賴于底層數(shù)據(jù)的整理與知識層的構(gòu)建。

如果不系統(tǒng)整理數(shù)據(jù)、不讓大模型充分理解業(yè)務(wù)背景，僅靠模型加簡單編排，在復(fù)雜場景中很容易遇到準(zhǔn)確度瓶頸。因此，我們強(qiáng)調(diào)將知識圖譜與大模型相結(jié)合——前者具備可溯源的推理能力，后者提供強(qiáng)大的泛化能力，兩者協(xié)同才能更好地支持企業(yè)應(yīng)用。

此外，我們看到兩個(gè)重要趨勢：一是多智能體協(xié)同，二是長鏈條推理。目前我們通過模型蒸餾的方法來提升三步以內(nèi)的短鏈條推理，長鏈條推理采用悅點(diǎn)科技自研的Action Graph技術(shù)去提升。探索型任務(wù)可以嘗試，但對準(zhǔn)確性要求高的還需結(jié)合工作流（workflow）實(shí)現(xiàn)。

整個(gè)行業(yè)正向通用AGI方向努力，但目前工業(yè)與to B場景還不能完全依賴智能體自動處理所有需求。必須認(rèn)清的現(xiàn)實(shí)是：智能體還不是“許愿池”，無法做到有求必應(yīng)。

例如在研發(fā)、設(shè)計(jì)和生產(chǎn)等環(huán)節(jié)，仍大量依賴人工參與，智能體更多是輔助角色——生成的報(bào)告和查詢結(jié)果需由人員校驗(yàn)。

未來趨勢肯定是從“AI輔助人”逐漸轉(zhuǎn)向“人輔助AI”，但目前智能體的能力仍有邊界。

總之，我們將繼續(xù)推進(jìn)通用AGI的實(shí)現(xiàn)，最終達(dá)到以人輔助AI的新階段。

本文僅代表作者觀點(diǎn)，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請?jiān)谖闹凶⒚鱽碓醇白髡呙帧?/p>

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時(shí)與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com