1. 從“先計(jì)劃后判斷再執(zhí)行”說起工業(yè)質(zhì)檢的范式革新最近在跟幾個(gè)做工業(yè)質(zhì)檢和智能制造的朋友聊天大家普遍有個(gè)痛點(diǎn)現(xiàn)在的AI質(zhì)檢系統(tǒng)越來越像一個(gè)“黑盒”。模型訓(xùn)練好了部署上線產(chǎn)線上圖像一進(jìn)來系統(tǒng)就“啪”地給出一個(gè)“OK”或“NG”的判斷。至于為什么是NG是劃痕、污漬還是結(jié)構(gòu)異常這個(gè)異常有多嚴(yán)重是否需要立即停機(jī)產(chǎn)線工程師往往一頭霧水只能被動(dòng)接受結(jié)果。更麻煩的是當(dāng)產(chǎn)線工藝調(diào)整、物料批次更換時(shí)模型的誤報(bào)率可能突然飆升整個(gè)團(tuán)隊(duì)又要手忙腳亂地重新標(biāo)注數(shù)據(jù)、重新訓(xùn)練模型周期長、成本高嚴(yán)重影響生產(chǎn)效率。這讓我想起了制造業(yè)里一個(gè)非常經(jīng)典的方法論DMAIC。它來自六西格瑪是Define定義、Measure測(cè)量、Analyze分析、Improve改進(jìn)、Control控制五個(gè)階段的縮寫。這套方法論的核心思想不是上來就解決問題而是先花大力氣去“定義”問題、收集數(shù)據(jù)“測(cè)量”現(xiàn)狀、深入“分析”根因然后才去“改進(jìn)”方案最后通過流程“控制”來固化成果防止問題復(fù)發(fā)。它強(qiáng)調(diào)的是一種結(jié)構(gòu)化、數(shù)據(jù)驅(qū)動(dòng)、持續(xù)優(yōu)化的思維。那么能不能把DMAIC這種“先謀定而后動(dòng)”的嚴(yán)謹(jǐn)思維和當(dāng)前火熱的LLM驅(qū)動(dòng)的自主智能體技術(shù)結(jié)合起來打造一個(gè)全新的工業(yè)異常檢測(cè)系統(tǒng)呢這就是“Plan First, Judge Later, Run Better: A DMAIC-Inspired Agentic System for Industrial Anomaly Detection”這個(gè)標(biāo)題背后所探討的核心命題。它不再追求一個(gè)“端到端”的、一次性給出最終判決的模型而是構(gòu)建一個(gè)由多個(gè)具備不同能力的智能體組成的協(xié)作系統(tǒng)。這個(gè)系統(tǒng)的工作流是先由“規(guī)劃者”智能體根據(jù)任務(wù)上下文制定檢測(cè)策略Plan再由“分析者”智能體基于多源數(shù)據(jù)進(jìn)行綜合研判Judge最后由“執(zhí)行者”智能體執(zhí)行最優(yōu)的檢測(cè)動(dòng)作并反饋結(jié)果Run Better。整個(gè)過程是透明、可解釋、可干預(yù)、可迭代的。這種“智能體系統(tǒng)”的思路正是Lilian Weng等研究者所倡導(dǎo)的LLM Powered Autonomous Agents的典型應(yīng)用。它讓AI從單純的“模式識(shí)別器”升級(jí)為具備一定認(rèn)知和決策能力的“虛擬工程師”能夠應(yīng)對(duì)工業(yè)場(chǎng)景中復(fù)雜多變、小樣本、零樣本的異常檢測(cè)挑戰(zhàn)。接下來我就結(jié)合自己的理解和一些行業(yè)實(shí)踐拆解一下這樣一個(gè)系統(tǒng)的核心架構(gòu)、關(guān)鍵技術(shù)與落地難點(diǎn)。2. DMAIC方法論如何映射到智能體系統(tǒng)設(shè)計(jì)要理解這個(gè)系統(tǒng)首先得吃透DMAIC每個(gè)階段在異常檢測(cè)任務(wù)中的具體含義以及如何用智能體的能力來實(shí)現(xiàn)它。這不是簡單的概念套用而是需要設(shè)計(jì)具體的智能體角色、交互協(xié)議和知識(shí)庫。2.1 Define定義階段問題界定與任務(wù)拆解智能體在傳統(tǒng)質(zhì)檢中“定義”往往由工程師憑經(jīng)驗(yàn)完成比如“檢測(cè)手機(jī)外殼劃痕”。但在智能體系統(tǒng)中我們需要一個(gè)定義者智能體。它的輸入是來自生產(chǎn)管理系統(tǒng)MES的工單信息、產(chǎn)品圖紙、歷史缺陷庫以及自然語言描述的任務(wù)如“今天開始生產(chǎn)A型號(hào)零件請(qǐng)重點(diǎn)關(guān)注表面鍍層均勻性和邊緣毛刺”。這個(gè)智能體的核心工作是將模糊的、高層的檢測(cè)需求拆解成一系列具體的、可執(zhí)行的檢測(cè)子任務(wù)。例如子任務(wù)1定位ROI感興趣區(qū)域?；诋a(chǎn)品CAD圖紙和當(dāng)前圖像智能體需要識(shí)別出哪些區(qū)域是外觀面、哪些是功能面不同區(qū)域的檢測(cè)標(biāo)準(zhǔn)如光澤度、粗糙度不同。子任務(wù)2確定缺陷類型與等級(jí)。關(guān)聯(lián)歷史缺陷庫明確本次檢測(cè)需要關(guān)注的缺陷清單如劃痕、凹坑、污漬并為每類缺陷定義嚴(yán)重等級(jí)Critical, Major, Minor。子任務(wù)3配置檢測(cè)參數(shù)與流程。決定使用哪種成像方式如普通RGB、3D結(jié)構(gòu)光、熱成像、需要調(diào)用哪些預(yù)訓(xùn)練的視覺模型或傳統(tǒng)算法庫、檢測(cè)的流程順序等。這個(gè)智能體通常由一個(gè)具備強(qiáng)邏輯推理和知識(shí)檢索能力的LLM驅(qū)動(dòng)它需要訪問包含產(chǎn)品標(biāo)準(zhǔn)、工藝規(guī)范、缺陷圖譜的企業(yè)知識(shí)庫。它的輸出不是一個(gè)簡單的“是/否”而是一份結(jié)構(gòu)化的“檢測(cè)計(jì)劃書”這份計(jì)劃書將成為后續(xù)所有智能體行動(dòng)的“憲法”。注意這個(gè)階段的挑戰(zhàn)在于如何讓LLM理解極其專業(yè)的工業(yè)術(shù)語和圖紙。實(shí)踐中通常需要對(duì)行業(yè)術(shù)語進(jìn)行高質(zhì)量的向量化嵌入并結(jié)合規(guī)則引擎進(jìn)行后處理確保拆解出的子任務(wù)無歧義、可落地。2.2 Measure測(cè)量與Analyze分析階段多模態(tài)感知與根因研判智能體這是系統(tǒng)的核心研判環(huán)節(jié)通常由一組協(xié)同工作的智能體完成。測(cè)量者智能體集群負(fù)責(zé)數(shù)據(jù)采集與特征提取。它們不再是單一的CNN模型而是各司其職的“專家”宏觀外觀智能體使用經(jīng)過預(yù)訓(xùn)練的視覺基礎(chǔ)模型如SAM, DINOv2對(duì)整體圖像進(jìn)行分割和嵌入獲取全局上下文和語義信息。微觀細(xì)節(jié)智能體針對(duì)“定義階段”劃定的關(guān)鍵ROI使用高分辨率模型或傳統(tǒng)圖像處理算法如邊緣檢測(cè)、紋理分析提取局部精細(xì)特征。多源數(shù)據(jù)融合智能體如果產(chǎn)線配有光譜儀、振動(dòng)傳感器、PLC信號(hào)等該智能體負(fù)責(zé)將這些時(shí)序信號(hào)、結(jié)構(gòu)化數(shù)據(jù)與視覺特征進(jìn)行對(duì)齊和融合形成一個(gè)統(tǒng)一的多模態(tài)表征。分析者智能體則扮演“偵探”和“法官”的角色。它接收來自測(cè)量者智能體的多維度特征并執(zhí)行以下研判異常檢測(cè)基于正常樣本的特征分布如通過自編碼器、歸一化流模型學(xué)習(xí)得到計(jì)算當(dāng)前樣本的異常分?jǐn)?shù)。這里的關(guān)鍵不是用一個(gè)模型而是采用“委員會(huì)”機(jī)制綜合多個(gè)弱監(jiān)督或無監(jiān)督模型的結(jié)果。缺陷分類與定位如果判定為異常分析者智能體需要進(jìn)一步判斷缺陷類型。它通過對(duì)比當(dāng)前異常特征與歷史缺陷特征庫由“定義者”智能體提供的相似度來進(jìn)行分類并精準(zhǔn)定位缺陷區(qū)域。根因推理這是最具價(jià)值的一步。分析者智能體需要結(jié)合產(chǎn)品工藝參數(shù)如注塑溫度、壓力、設(shè)備狀態(tài)數(shù)據(jù)、來料批次信息等利用因果推理圖或LLM的推理能力推測(cè)導(dǎo)致當(dāng)前缺陷的最可能的生產(chǎn)環(huán)節(jié)根因。例如它可能輸出“當(dāng)前劃痕呈線性且方向一致結(jié)合該工位機(jī)器人軌跡日志推測(cè)為夾具定位偏移導(dǎo)致刮擦置信度85%?！边@個(gè)“先測(cè)量多維度數(shù)據(jù)再綜合分析研判”的過程完美體現(xiàn)了“Judge Later”的思想——不急于下結(jié)論而是充分收集證據(jù)后進(jìn)行綜合判決。2.3 Improve改進(jìn)與Control控制階段閉環(huán)優(yōu)化與流程管控智能體傳統(tǒng)AI質(zhì)檢系統(tǒng)往往到此為止但DMAIC驅(qū)動(dòng)的系統(tǒng)強(qiáng)調(diào)閉環(huán)和持續(xù)改進(jìn)。改進(jìn)者智能體負(fù)責(zé)從失敗中學(xué)習(xí)。當(dāng)系統(tǒng)誤判、漏判或工程師手動(dòng)修正了判決結(jié)果后這些案例會(huì)被自動(dòng)收集。改進(jìn)者智能體分析這些案例判斷是否需要更新模型模型微調(diào)如果發(fā)現(xiàn)某一類新缺陷反復(fù)出現(xiàn)且現(xiàn)有模型無法識(shí)別智能體會(huì)自動(dòng)啟動(dòng)一個(gè)小樣本微調(diào)流程用新增的少量標(biāo)注數(shù)據(jù)更新“微觀細(xì)節(jié)智能體”的分類頭。流程優(yōu)化如果發(fā)現(xiàn)某一步“測(cè)量”環(huán)節(jié)如光照條件導(dǎo)致數(shù)據(jù)質(zhì)量不穩(wěn)定智能體會(huì)建議調(diào)整該環(huán)節(jié)的參數(shù)或觸發(fā)校準(zhǔn)流程。知識(shí)庫更新將新缺陷的特征和根因分析沉淀到企業(yè)知識(shí)庫中豐富“定義者”和“分析者”智能體的知識(shí)?？刂普咧悄荏w則負(fù)責(zé)系統(tǒng)的健康運(yùn)行與流程固化。它像一個(gè)“管理員”持續(xù)監(jiān)控系統(tǒng)性能看板實(shí)時(shí)統(tǒng)計(jì)各產(chǎn)線、各產(chǎn)品型號(hào)的檢出率、誤報(bào)率、平均檢測(cè)時(shí)間等指標(biāo)。數(shù)據(jù)漂移預(yù)警監(jiān)控輸入圖像數(shù)據(jù)的分布變化如原材料顏色變化、環(huán)境光照緩慢改變當(dāng)漂移超過閾值時(shí)發(fā)出預(yù)警提示可能需要重新收集正常樣本或調(diào)整模型。流程合規(guī)性檢查確保每一次檢測(cè)都嚴(yán)格遵循了“定義階段”生成的檢測(cè)計(jì)劃書沒有步驟被跳過或篡改。通過“改進(jìn)”和“控制”智能體系統(tǒng)實(shí)現(xiàn)了從“一次性項(xiàng)目”到“持續(xù)運(yùn)營”的轉(zhuǎn)變真正做到了“Run Better”。3. 系統(tǒng)核心架構(gòu)與智能體協(xié)作機(jī)制理解了各階段智能體的職責(zé)后我們需要一個(gè)穩(wěn)固的架構(gòu)讓它們高效協(xié)作。下圖展示了一個(gè)參考的系統(tǒng)架構(gòu)整個(gè)系統(tǒng)可以劃分為四層1. 感知與執(zhí)行層由各類硬件工業(yè)相機(jī)、傳感器和底層的控制程序機(jī)器人、PLC組成是智能體系統(tǒng)與物理世界的接口。“執(zhí)行者智能體”位于此層負(fù)責(zé)最終執(zhí)行“分析者”下達(dá)的指令如控制機(jī)械臂將NG品放入返工區(qū)。2. 智能體協(xié)作層這是系統(tǒng)的“大腦”。一個(gè)主控協(xié)調(diào)智能體Orchestrator負(fù)責(zé)接收來自MES/ERP的工單并啟動(dòng)整個(gè)DMAIC流程。它按照預(yù)定義的協(xié)作協(xié)議如基于智能體工作流的框架如LangGraph, AutoGen來依次調(diào)用“定義者”、“測(cè)量者集群”、“分析者”、“改進(jìn)者”和“控制者”智能體并管理它們之間的信息流轉(zhuǎn)。智能體間的通信消息需要被標(biāo)準(zhǔn)化通常采用結(jié)構(gòu)化格式如JSON Schema包含任務(wù)ID、智能體角色、輸入數(shù)據(jù)、輸出結(jié)果、置信度等字段。3. 能力與模型層為各個(gè)智能體提供所需的“武器庫”。這包括領(lǐng)域LLM基于工業(yè)質(zhì)檢語料工藝文檔、維修記錄、專家經(jīng)驗(yàn)微調(diào)的大語言模型是“定義者”、“分析者”根因推理等智能體的核心。視覺模型庫包含各種預(yù)訓(xùn)練的缺陷檢測(cè)、分割、分類模型以及傳統(tǒng)的OpenCV算法模塊供“測(cè)量者智能體”按需調(diào)用。多模態(tài)融合模型用于處理視覺、傳感、文本數(shù)據(jù)的融合表征。因果模型與知識(shí)圖譜存儲(chǔ)產(chǎn)品-工藝-缺陷之間的關(guān)聯(lián)關(guān)系輔助根因分析。4. 數(shù)據(jù)與知識(shí)層系統(tǒng)的“記憶”與“經(jīng)驗(yàn)”。包括向量數(shù)據(jù)庫存儲(chǔ)產(chǎn)品圖紙、缺陷圖片、工藝參數(shù)的非結(jié)構(gòu)化數(shù)據(jù)嵌入供智能體快速檢索相似案例。關(guān)系型數(shù)據(jù)庫存儲(chǔ)結(jié)構(gòu)化的生產(chǎn)工單、檢測(cè)結(jié)果、設(shè)備狀態(tài)數(shù)據(jù)。企業(yè)知識(shí)庫以圖譜或文檔形式存儲(chǔ)的產(chǎn)品標(biāo)準(zhǔn)、作業(yè)指導(dǎo)書、歷史故障案例庫。整個(gè)系統(tǒng)的工作流是事件驅(qū)動(dòng)的。當(dāng)一個(gè)新的生產(chǎn)工單到達(dá)時(shí)主控協(xié)調(diào)智能體被觸發(fā)開啟一個(gè)DMAIC循環(huán)。每個(gè)智能體完成任務(wù)后將結(jié)果和上下文傳遞給下一個(gè)智能體直至流程結(jié)束結(jié)果反饋給MES并觸發(fā)相應(yīng)的生產(chǎn)動(dòng)作。4. 關(guān)鍵技術(shù)選型與落地挑戰(zhàn)構(gòu)建這樣一個(gè)系統(tǒng)技術(shù)選型至關(guān)重要同時(shí)也面臨諸多現(xiàn)實(shí)挑戰(zhàn)。4.1 智能體框架選型LangChain vs. AutoGen vs. 自研目前業(yè)界有幾個(gè)流行的多智能體框架LangChain / LangGraph生態(tài)豐富易于快速原型開發(fā)。其LangGraph非常適合描述有狀態(tài)的、循環(huán)的智能體工作流正符合DMAIC的循環(huán)特性。但對(duì)于高并發(fā)、低延遲的工業(yè)實(shí)時(shí)場(chǎng)景可能需要深度優(yōu)化。AutoGen由微軟推出支持復(fù)雜的多智能體對(duì)話模式智能體可以主動(dòng)發(fā)起聊天、進(jìn)行辯論非常適合需要多次討論才能達(dá)成一致的復(fù)雜分析場(chǎng)景。但架構(gòu)相對(duì)較重。自研輕量級(jí)框架對(duì)于追求極致性能和可控性的工業(yè)場(chǎng)景許多團(tuán)隊(duì)會(huì)選擇基于消息隊(duì)列如RabbitMQ, Kafka和輕量級(jí)RPC自研一套智能體調(diào)度框架。這樣可以對(duì)通信、容錯(cuò)、資源調(diào)度有完全的控制權(quán)。選型建議在項(xiàng)目初期驗(yàn)證概念時(shí)可使用LangGraph快速搭建原型。進(jìn)入生產(chǎn)環(huán)境前建議評(píng)估自研或基于成熟流處理框架如Apache Flink進(jìn)行重構(gòu)以滿足工業(yè)級(jí)穩(wěn)定性和實(shí)時(shí)性要求。4.2 領(lǐng)域大模型與知識(shí)注入通用LLM如GPT-4在理解工業(yè)場(chǎng)景上存在嚴(yán)重不足。必須進(jìn)行領(lǐng)域適應(yīng)檢索增強(qiáng)生成RAG這是必選項(xiàng)。為智能體配備一個(gè)強(qiáng)大的向量檢索系統(tǒng)能實(shí)時(shí)從企業(yè)知識(shí)庫中查找相關(guān)的工藝文件、缺陷案例、設(shè)備手冊(cè)作為上下文提供給LLM大幅提升回答的準(zhǔn)確性。監(jiān)督微調(diào)SFT收集大量“工單-檢測(cè)計(jì)劃”、“缺陷特征-根因分析”的配對(duì)數(shù)據(jù)對(duì)基礎(chǔ)LLM進(jìn)行微調(diào)讓它學(xué)會(huì)工業(yè)領(lǐng)域的思維模式和輸出格式。提示詞工程設(shè)計(jì)嚴(yán)謹(jǐn)?shù)奶崾驹~模板強(qiáng)制LLM以“角色扮演”如“你是一名經(jīng)驗(yàn)豐富的質(zhì)檢工程師”和“分步思考”的方式輸出提高其推理的可靠性和結(jié)構(gòu)化程度。4.3 實(shí)時(shí)性與確定性挑戰(zhàn)工業(yè)檢測(cè)往往要求在毫秒到秒級(jí)內(nèi)完成。而LLM推理速度較慢且存在一定隨機(jī)性。異步流水線設(shè)計(jì)將耗時(shí)的LLM推理環(huán)節(jié)如復(fù)雜根因分析設(shè)計(jì)為異步任務(wù)。系統(tǒng)先基于輕量級(jí)模型快速給出“有無異常”的判決和緊急處置LLM的深度分析報(bào)告稍后生成用于維修指導(dǎo)和工藝改進(jìn)。確定性保障對(duì)于“定義”、“控制”等關(guān)鍵環(huán)節(jié)需要設(shè)置嚴(yán)格的輸出驗(yàn)證規(guī)則如JSON Schema校驗(yàn)、關(guān)鍵字段枚舉值檢查必要時(shí)引入規(guī)則引擎作為LLM輸出的“安全閥”和校準(zhǔn)器。4.4 數(shù)據(jù)安全與系統(tǒng)可靠性工廠數(shù)據(jù)涉及核心工藝機(jī)密必須部署在本地或私有云。這意味著所有模型、框架都需要支持私有化部署。此外系統(tǒng)必須有完善的容錯(cuò)和降級(jí)機(jī)制當(dāng)某個(gè)智能體特別是LLM服務(wù)失效時(shí)系統(tǒng)應(yīng)能自動(dòng)切換到備用規(guī)則庫或簡化流程保證產(chǎn)線不停機(jī)。5. 一個(gè)簡化的實(shí)戰(zhàn)案例PCB板焊點(diǎn)檢測(cè)為了更具體地說明我們?cè)O(shè)想一個(gè)PCB板焊點(diǎn)檢測(cè)的場(chǎng)景。Define定義主控協(xié)調(diào)智能體收到任務(wù)“檢測(cè)B型號(hào)主板焊點(diǎn)”。它喚醒“定義者智能體”該智能體檢索知識(shí)庫得知B型號(hào)主板有QFP、BGA等5種封裝類型共計(jì)1200個(gè)焊點(diǎn)。它生成檢測(cè)計(jì)劃先進(jìn)行全局光學(xué)掃描測(cè)量者智能體A定位所有焊點(diǎn)區(qū)域針對(duì)QFP封裝使用3D共聚焦顯微鏡檢測(cè)引腳翹起和焊錫高度測(cè)量者智能體B針對(duì)BGA封裝使用X-Ray檢測(cè)隱藏焊點(diǎn)的空洞率測(cè)量者智能體C。判定標(biāo)準(zhǔn)依據(jù)IPC-A-610標(biāo)準(zhǔn)。Measure Analyze測(cè)量與分析測(cè)量者智能體A完成全局掃描將焊點(diǎn)坐標(biāo)圖傳遞給分析者智能體。分析者智能體初步判斷發(fā)現(xiàn)第305號(hào)QFP焊點(diǎn)區(qū)域顏色異常。它調(diào)度測(cè)量者智能體B對(duì)該點(diǎn)進(jìn)行3D掃描獲取高度圖。分析者智能體綜合全局圖像和3D高度數(shù)據(jù)計(jì)算異常分?jǐn)?shù)高達(dá)0.92。它檢索缺陷庫匹配特征后分類為“焊錫不足”。同時(shí)它查詢?cè)摴の坏幕亓骱笭t溫曲線日志發(fā)現(xiàn)該點(diǎn)位在焊接時(shí)爐溫比設(shè)定值低5度結(jié)合物料批次信息推測(cè)為該批次錫膏活性略差在臨界溫度下導(dǎo)致潤濕不良。它輸出判決“NG - 焊錫不足置信度90%”根因“回流焊爐溫偏低疊加錫膏批次差異”。Improve Control改進(jìn)與控制該案例被確認(rèn)后改進(jìn)者智能體將“焊錫不足-爐溫偏低”這個(gè)新的根因模式存入知識(shí)庫?？刂普咧悄荏w監(jiān)控到近期同一錫膏批次的板子焊錫不良率有上升趨勢(shì)自動(dòng)向MES系統(tǒng)發(fā)出預(yù)警建議對(duì)后續(xù)使用該批次錫膏的工單將回流焊爐溫上調(diào)3度作為補(bǔ)償并通知工藝工程師確認(rèn)。通過這個(gè)案例可以看到系統(tǒng)不再是簡單地“找不同”而是形成了一個(gè)感知、研判、決策、優(yōu)化的完整智能閉環(huán)。6. 未來展望與入門建議“Plan First, Judge Later, Run Better”代表的是一種系統(tǒng)性的思維升級(jí)。它將人工智能從“工具”層面提升到了“協(xié)作伙伴”層面。對(duì)于工廠而言它帶來的不僅是檢測(cè)準(zhǔn)確率的提升更是問題響應(yīng)速度的加快、工藝知識(shí)的沉淀和整體生產(chǎn)質(zhì)量的持續(xù)改善。如果你所在的團(tuán)隊(duì)也想嘗試引入這樣的系統(tǒng)我的建議是從小處著手選擇一個(gè)痛點(diǎn)明確、邊界清晰的場(chǎng)景比如某個(gè)特定工位的特定缺陷檢測(cè)而不是全產(chǎn)線鋪開。先構(gòu)建“單智能體”MVP例如先實(shí)現(xiàn)一個(gè)“分析者智能體”的雛形讓它能接收現(xiàn)有檢測(cè)系統(tǒng)的“疑似異?！眻D片然后調(diào)用LLMRAG生成一份包含缺陷類型和可能原因的分析報(bào)告給工程師做參考。這一步價(jià)值立即可見也能積累經(jīng)驗(yàn)。高度重視數(shù)據(jù)與知識(shí)沉淀在項(xiàng)目啟動(dòng)時(shí)就要有意識(shí)地結(jié)構(gòu)化整理工藝參數(shù)、設(shè)備日志、維修記錄構(gòu)建最初的知識(shí)庫。這是整個(gè)系統(tǒng)的“燃料”。團(tuán)隊(duì)需要融合多種技能不僅需要算法工程師和軟件工程師更需要熟悉生產(chǎn)流程的工藝工程師、設(shè)備工程師的深度參與。只有懂業(yè)務(wù)才能設(shè)計(jì)出真正有用的智能體角色和協(xié)作流程。這條路并不容易需要跨越技術(shù)、數(shù)據(jù)和組織的鴻溝。但它的前景是清晰的一個(gè)更加智能、柔性和透明的工業(yè)質(zhì)檢新時(shí)代正在這種“先計(jì)劃后判斷再執(zhí)行”的智能體協(xié)作中緩緩展開。