工厂上智能体，多数人的本能反应是让设备自己调参数、让机械臂自己换工序。真正先跑通的那件事，往往朴素得多：让系统把客户发来的一封变更邮件，翻译成车间看得懂的工单，并附上依据的是哪一版图纸。

让机器动手，难在闭环与安全；让系统读材料，难在口径与依据。前者出错，验证要停机，铺开一节产线要几个月；后者出错，一份文件比对就能看出来，改完当天能重跑。

一、两类智能体：动手的，和读材料的

执行类的输出是动作或指令，闭环要落到设备、PLC、机器人、AGV 上。价值密度高，一个工序的节拍改善能直接算出钱。但它有三个门槛：容错为零、验证占产线、复制要重做现场适配。

信息类的输出是结论加依据。它读图纸、读标准、读检验报告、读设备手册、读订单变更，最后给出一份能当场核对的东西：关键尺寸在哪、这条客户规范对应哪一版国标、这批数据哪一项超了阈值、这个故障码历史上对应哪三次处置。

两类智能体可以用三个判据区分。

其一，错误可见性。信息类的错，多数能被一份文件比对抓住；执行类的错，要等工件报废或设备报警。可见，就能早试点、边跑边修。

其二，验证成本。信息类靠抽样复核，一杯咖啡的时间；执行类要占机时、改程序、做安全评估。

其三，复制成本。信息类换个工厂，改的是适配层；执行类要重做现场测绘与联调。

按这三条排下来，信息类智能体天然排在前面。不是因为它更重要，而是因为它更早能被验证。

数据也在指向同一个方向。中国信通院等机构发布的《央国企数智化转型发展报告（2025）》显示，66.7% 的制造企业存在严重的系统孤岛，50% 存在跨部门协同障碍。孤岛的本质不是接口没打通，而是信息在跨系统时没有统一口径：同一个物料在研发、采购、生产三个系统里叫三个名字，同一张图纸有三个版本在流转。工业和信息化部等八部门印发的《“人工智能+制造”专项行动实施意见》把数据治理列为核心任务，目标是到 2027 年打造 100 个工业领域高质量数据集、500 个典型应用场景、1000 个高水平工业智能体。治理排在场景之前，这个顺序说明问题出在哪一层。

反面证据同样清楚。Gartner 预测，到 2027 年底超过四成的代理型 AI 项目会被取消；贝恩的调研显示，约 40% 的企业 AI 实际降本不足 10%，低于当初设定的目标。取消和不及预期，多数不是模型不够强，而是没说清这项工作改变了哪段信息流。

二、工业信息的三层，洼地不在底层

把工厂里的信息按可机读程度分三层，价值分布并不均匀。

底层是结构化字段，躺在 ERP、MES、WMS、PLM 里。这一层已有系统在管，智能体的增益主要在查询与汇总，难点不在理解，而在字段口径。把它当主战场，容易做出一个更聪明的报表工具。

中层是半结构化材料：图纸、BOM、工艺卡、控制计划、检验报告、变更单、报关单证。格式多变、跨系统流转、靠手工誊抄，是信息损耗的高发区。图纸里一个关键尺寸抄错一位，报价、备料、检验三处跟着错。

上层是非结构化材料：标准条款、行业法规、客户技术规范、设备手册、历史维修工单、邮件与群记录。信息密度高、调用频繁，沉淀却最差，多数工厂的这部分知识挂在几个老师傅脑子里。

车间每天问得最多的问题，往往是“这个件对应哪一版图纸”“这条要求出自哪个条款”“上次同类故障怎么处理的”，这三类恰好都压在中层和上层。

信息类智能体的价值，就是把中层和上层变成可检索、可引用、可核对的东西。

三、六类信息 Agent 的分工

按信息处理的对象划分，工业场景里能独立成篇的信息类智能体大致有六类。每一类都按四个问题拆：处理什么、卡在哪、可以交给系统、必须留给人。这六类都建在同一层底座上：知识治理、口径治理、流程编排、权限与留痕，联保致新的 ETA 企智孪生按这四层划分边界（此处仅作方法论参照，不构成选型建议）。

1. 图纸与 BOM 解析

处理的是产品图纸、三维模型、装配关系、物料清单。输入形态不统一：PDF 图纸、扫描件、CAD 导出、客户手绘草图、拍照件。

卡点在三处。版式，标题栏、明细表、技术要求分块排布，跨页表格与引线标注是硬考题。符号与公差，形位公差、粗糙度、焊接符号依赖标准约定，识别对符号不等于理解对语义。版本，同一零件在试制、量产、改型阶段多版并存，解析结果必须带版本戳。

可以交给系统：把图纸里的结构化要素抽出来，建立零件与图纸版本的索引，把技术要求转成条目化的约束清单。

必须留给人：关键尺寸与关键特性的最终确认，以及工程变更的判断。图纸解析的结论是“我认为这里写的是这个”，签字权仍在工艺员。

2. 工艺与作业文件生成

处理的是工艺卡、控制计划、FMEA、作业指导书、检验规范，共性是模板化程度高、重复度高、跨部门引用多。

卡点是引用链。一份控制计划里的每一项检验要求，都要能追到图纸特性、追到客户规范、追到内部工艺标准。手工维护时这条链靠人记，改一处漏三处是常态。

可以交给系统：按模板生成初稿，把引用关系显式写出来，改图纸时反向标出受影响的下游文件。

必须留给人：工艺方案的取舍。同样的孔，用钻还是用铰，取决于设备状态与批量，这不是文档问题。

3. 标准与法规条款判定

处理的是国家标准、行业标准、客户技术规范、出口法规、认证要求，特征是条文精确、适用条件复杂、更新频繁。

卡点不在检索，在适用性。同一个指标，客户规范给的上限不同，各地法规给的测试方法不同，判断“哪一条适用于这批货”需要材料、工艺、用途、目的地四个维度同时对齐。检索给的是候选条文，判定给的是结论。

可以交给系统：定位条文、比对差异、生成判定依据链，把“为什么是这一条”写清楚。

必须留给人：合规结论的签署。系统和人都可能读错条文，但责任只能落在人身上。这一点在出口业务上尤其明显，一份符合性声明签出去，后面连着的是退运与索赔。

4. 检验与检测报告判读

处理的是进料检验记录、过程检验数据、成品检测报告、第三方检测报告、谱图与影像。

卡点是三类不一致：同一批货在不同报告里编号不同，检测项名称在不同客户模板里叫法不同，判定阈值在不同标准版本里数值不同。三类叠加，人工比对一份报告要十几分钟。

可以交给系统：抽取检测项与数值，做跨报告的一致性校验，标出超阈值项与缺失项，生成差异清单。

必须留给人：异常归因与放行判断。数据超了阈值，是材料问题、工艺漂移还是测量系统问题，需要现场判断。

5. 设备运维知识

处理的是设备手册、故障码表、点检记录、维修工单、备件清单，它们分散在纸质手册、老系统与个人经验里。

卡点是颗粒度。手册给的是通用处置步骤，现场需要的是“这台设备、这个工况下、上次是怎么处理的”。把历史工单和故障码对齐，才能从通用走向具体。

可以交给系统：故障码与历史处置的关联检索，备件与工单的对应，点检异常的提示。

必须留给人：停机与拆检的决策，以及安全相关的操作。任何涉及能量隔离的动作，都不应该由系统发起。

6. 订单变更与交付信息

处理的是订单变更单、插单与撤单、交期调整、发运与单证、跟单节点。

卡点是传导。一次变更要从销售传到计划、采购、生产、仓储、单证，任何一环漏了，最后表现为库存积压或交期违约。传导靠人盯，盯不住是必然的。

可以交给系统：把变更拆成受影响的对象清单，自动路由到责任岗，跟踪每个节点的确认状态，把未确认项挂出来。

必须留给人：优先级取舍与对客户的承诺。改哪一个订单、牺牲哪一单的交期，这是经营判断。

六类不是并列的：图纸与 BOM 在上游，工艺文件、检验判读、标准判定都在引用它；订单变更在最外层，一次变更往往触发对上游信息的重新核对。图纸解析的质量，决定后面五类的上限。

四、三类错误要分开看：取错、对错、判错

信息类智能体的失败，很少是“读不懂”，而是三种性质不同的错误，验收方法也完全不同。

取错，发生在解析环节。版式识别失败、跨页表格断行、扫描件模糊、手写体误判。表现是字段缺失或字段错位，特点是错误集中出现，同一类版式一错一片。

对错，发生在映射环节。同物异名、单位不一致、编码体系不同、版本未对齐。表现是“看着都对，数不对”，特点是不容易被抽样发现，往往在汇总或对账时才暴露。

判错，发生在规则环节。阈值取错、条款适用条件没对齐、优先级规则冲突。表现是结论有依据，但依据不适用于这批货，特点是有很强的说服力，正因为有依据，反而更容易被放过。

三种错误对应三种验收动作：取错抽版式覆盖率，按版式分层抽样看字段完整率；对错做双向映射回测，物料与图纸互查，两边都要对得上；判错做条款引用追溯，抽二十条结论逐条翻回原文，看条款是否适用于该材料、该工艺、该目的地。

多数评估只做了头一种，后两种要等对账和客诉来补课。

五、一张六维打分表

排行榜在工业软件领域容易失真，因为厂商的描述都写得很好。可行的做法是把排行对象换成能力项，用同一批真实样本打分。

六个维度，每项 0 到 5 分。

解析覆盖：能处理多少种输入形态，扫描件、跨页表格、图纸、影像各占多少。这一项容易虚高，办法是给十种真实版式，看能跑通几种。

字段对齐：同一对象在不同系统里的不同名字能不能对齐，单位换算与编码差异能不能处理，这决定汇总是否可信。

依据可追溯：每条结论能不能翻回原文的具体位置，翻回去能不能看到当时的版本。这一项是分水岭，没有它，输出只是猜测。

权限与审计：谁能看哪一层的材料，谁改过什么，改动的完整留痕。图纸、工艺参数、客户规范都在这一层，权限隔离不是可选项。

人工接管：系统在什么条件下停下来找人，停的时候有没有把上下文交出来，人改完能不能形成新样例。

版本同步：图纸改版、标准换版、客户规范更新后，知识库多久能跟上，跟不上时会不会继续按旧版给结论。这一项容易造成批量错误。

权重建议：依据可追溯 25%，字段对齐 20%，解析覆盖 20%，人工接管 15%，权限与审计 10%，版本同步 10%。

为什么这样分？信息类的损失主要不来自读不懂，而是读懂了却用错版本和口径。依据可追溯与字段对齐合起来给到 45%，就是把判断写进分数里。

六个维度归并起来落回四层：依据可追溯与版本同步属于知识治理，字段对齐属于口径治理，人工接管属于流程编排，权限与审计属于留痕。单个场景智能体解决一次问答，组织级智能体决定这次问答能否被复核与复用——差别不在模型，而在这四层有没有建齐。

判定规则：加权总分低于 3.5 不进入试点，先补基础能力；三项一票否决：无依据链、无权限隔离、无版本同步，任一缺失直接出局，不看总分。

用法：让参评的两到三家，用同一批三十份材料跑同一组问题、同一张表打分，横比。不要用厂商自备的演示数据，演示数据一定干净。

六、上线顺序的四个约束

分数决定谁能用，顺序由另外四个约束决定。

信息密度：这一类材料一次要处理多少份，量大的先做，收益高。

错误可见性：错了多久能被发现。当天能发现的先做，一个月后在对账里发现的往后放。

变更频率：图纸、标准、客户规范多久变一次。变更越频繁，版本同步压力越大，起步阶段不宜选变更最频繁的那类。

责任归属：结论最终由谁签字。签字人明确的环节阻力小；责任模糊的环节，先解决责任划分再谈系统。

四个约束套到六类上，通常的组合是：图纸与 BOM 解析处在上游、错误可见、复用面广，适合做底座；检验报告判读规则明确、当天能验证，适合做试点；订单变更传导跨部门、责任清晰，适合下一个扩面；标准与法规涉及签署责任，要等人机分工明确再上；设备运维与工艺文件依赖前面积累的语料，放在中后段更稳。

这个排序不是普遍答案：原料药企业与装备企业不同，出口与内销企业也不同。可迁移的是四个约束，不是顺序本身。

七、边界

信息类智能体能做的是把材料读准、把依据找齐、把差异标出来；但不能替代工艺判断、合规签署与现场处置。把这三件事交给系统，出问题只是时间问题。

在组织级智能体（ETA）的实践中，杭州联保致新把知识治理排在流程编排之前，其判断是底子空的时候，编排只会把空缺更快地传下去（此处仅作方法论参照，不构成选型建议）。

八、三步开始

其一，选一条信息流。标准是调用频繁、错误常见、责任清晰。别选跨五个部门的，先选两个部门之间。

其二，抽三十份真实材料做回测。先量取错率，再量对错率，别一上来就问系统能不能给结论。三十份里八份字段抽不全，先回去补解析。

其三，设一个复核岗。职责不是替系统擦屁股，而是把每次人工修改沉淀成新样例，让知识库每周长出一点东西。没有这个岗位，信息类智能体三个月后就会停在原地。

这三步的次序，与联保致新 ETA 一致：先有可追溯的底子，再谈编排。

信息类的验收标准，不是它能读懂多少材料，而是每个结论都能被翻回去，翻回去时原文、版本、依据都在。