设备出现报警后，工程师往往需要先查设备手册，再翻维修工单，联系熟悉这台设备的同事，最后结合运行参数判断问题。资料并不少，但完成一次有效排查，依然要跨越多个系统和知识断点。

这也是工业智能体落地时需要解决的基础问题：如何让分散的工业知识，在正确的时间、以正确的方式参与业务判断？

工业智能体建设需要同时关注模型能力、知识质量和业务连接。只有把设备资料、维修经验、现场数据与操作规则组织起来，AI才能从知识问答进一步走向故障分析与任务辅助。

围绕这一方向，工业富联科技服务布局GenAI设备助手、GenAI制造运营管理MOM相关方案及MoMClaw工业多智能体系统，探索工业知识进入制造运营流程的应用路径。

一、工业知识接入大模型，为什么不能止步于“上传文档”？

检索增强生成（RAG）的基本思路，是先从知识库中检索相关资料，再让模型结合资料生成回答。但在工业场景中，“检索到相关内容”和“找到适用依据”之间，还有较大距离。

1. 同一个故障描述，可能对应不同处理方式

同样是温度异常，不同设备型号、控制程序版本、加工材料和工艺阶段，可能对应不同的排查顺序。如果系统只按语义相似度检索，容易找到描述接近、适用条件却不一致的维修建议。

因此，工业知识检索除了理解“问题是什么”，还需要识别“问题发生在哪台设备、什么工况和哪个版本下”。

2. 维修经验存在适用边界

“之前遇到这个报警，换一个传感器就好了”，是一条经验线索，却不足以直接成为操作依据。

需要进一步明确：

当时的报警代码、设备状态和伴随现象是什么？

是否排除了线路、供电和参数设置等其他因素？

更换后通过什么测试确认问题解决？

这条经验适用于哪些设备和工况？

经验沉淀的重点，是把判断条件、排查过程和验证结果一起保存，让后续使用者能够判断经验是否适用。

3. 历史资料可能与现场状态不一致

设备经过改造、工艺发生调整后，旧版手册仍可能被检索出来。即使模型准确复述了文档，也可能给出不适用于当前现场的建议。

因此，工业知识库需要持续维护版本、生效时间和失效状态，并与设备主数据建立关联。

GenAI设备助手面向设备知识查询、故障排查及维修辅助等场景，其应用基础正是设备资料与历史维修经验。知识能否被准确识别、及时更新并按条件调用，直接影响设备助手的使用效果。

二、构建工业知识底座，需要完成哪些工作？

面向设备运维，可以从“知识对象、适用条件、证据来源、反馈更新”四个方面组织知识。

1. 建立统一的设备与故障标识

设备台账、报警记录和维修工单经常采用不同名称。同一台设备在不同系统中可能有多个编号，影响信息关联。

知识建设首先需要明确设备唯一标识，并建立设备、部件、报警代码、工单和资料之间的映射关系。这样，工程师提出设备问题后，系统才能围绕同一对象关联知识与业务数据。

2. 给知识补充适用条件

一条可调用的维修知识，建议包含以下字段：

这些信息不一定都由人工重新录入，可以结合文档解析、字段提取和专家审核逐步完善。对于涉及生产安全与关键工艺的知识，专业审核仍是必要环节。

3. 按业务结构切分资料

设备手册中的故障代码、原因说明、检查步骤和安全事项通常相互关联。如果机械地按固定长度切分文本，可能把关键条件与操作步骤拆开。

更合理的方式是保留章节关系，并尽量让一条故障处理知识包含完整的适用条件和排查逻辑。遇到跨页表格、图示和复杂流程，还需保留原始资料定位，方便工程师核查。

4. 把知识与实时数据分别管理

设备手册回答的是“通常应如何处理”，运行数据回答的是“现场正在发生什么”。

两者需要共同参与分析，但应采用适合各自特点的管理方式。历史资料可以进入知识库；当前报警、运行参数和设备状态，应通过授权接口获取，并标注采集时间、单位和数据有效性。

这也是工业知识应用与制造运营系统协同的连接点。GenAI制造运营管理MOM相关方案关注制造运营数据、业务流程与AI能力的协同，为智能体获取业务上下文、开展异常分析提供基础。

三、从RAG到Agent：让知识参与完整排查过程

RAG为分析提供资料依据，Agent则进一步组织任务、调用工具并跟踪处理状态。以“某设备持续报警，协助分析原因”为例，可以设计以下辅助流程。

第一步：确认任务对象

识别设备编号、报警代码和异常发生时间。如果信息不足，先补充关键条件，避免仅凭一句描述直接推断原因。

第二步：获取现场上下文

通过授权接口读取当前报警、相关运行参数、近期维护记录和历史同类故障。数据缺失时，应明确说明缺口。

第三步：检索适用知识

结合设备型号、资料版本和工况过滤知识，再检索相关手册、SOP、FMEA及历史工单。

第四步：形成有依据的排查建议

输出应区分已确认事实、可能原因和待验证假设，并给出建议的检查顺序、引用来源及适用条件。

例如，“历史上存在类似故障”只能说明这条经验值得检查，不能直接证明当前故障原因相同。

第五步：记录执行与验证结果

工程师确认并执行后，将实际原因、处理动作和恢复情况写回业务流程。经过审核的结果，再沉淀为可复用知识。

通过这一流程，知识查询可以逐步形成“检索—分析—处置—验证—更新”的持续改进机制。以上为场景流程设计示例，具体实施需结合企业接口、权限及现场规则确定。

四、从设备助手到多智能体，连接更完整的业务链路

围绕设备管理与故障维修需求，工业富联科技服务的GenAI设备助手结合设备资料与历史维修经验，为工程人员提供知识支持，减少信息查找和问题分析的时间。

设备助手的价值应体现在具体工作链路中：工程师能否更快找到适用资料，能否减少跨系统查找，能否获得便于核查的分析依据。

当设备异常进一步影响生产和质量时，还需要更广泛的业务连接。

GenAI制造运营管理MOM相关方案为异常处理和运营分析提供业务基础。面向跨领域任务，MoMClaw则围绕专业Agent协作与任务编排，探索设备、质量和生产等信息的联合分析。

例如，设备侧提出潜在故障原因后，质量侧可以进一步检查关联批次，生产侧则评估停机对订单的影响。这样的协同，需要建立在清晰的数据接口和任务边界之上。

当调整方案涉及设备布局或生产组织时，还可以结合数字化建模与仿真开展评估。工业富联科技服务布局的Omniverse Sim2Real数字孪生平台面向工厂规划、设备布局、生产仿真与运营优化，为适用场景提供数字环境中的方案验证能力。

从知识辅助到业务协同，再到方案验证，各项能力需要围绕具体任务衔接，并以项目实际集成范围为准。

五、如何判断工业知识应用是否有效？

评估设备运维智能体，既要看回答质量，也要看业务结果。

知识层面，可以关注适用资料检索准确性、引用完整性、过期知识命中情况，以及信息不足时能否正确转交人工。

业务层面，可以关注资料查找时间、故障定位时间、平均维修时间、建议采纳率和重复故障率，并与部署前基线比较。维修时间变化还需结合故障类型、备件供应和人员经验分析，避免把所有改善都归因于AI。

企业可以从边界明确、资料较完整、结果便于验证的设备场景起步，先做好知识查询和辅助排查，再逐步扩展任务处理范围。

工业知识的数字化价值，体现在每一次有依据的判断和经过验证的处置中。工业富联科技服务将持续推进工业知识、设备助手与制造运营体系的融合，让经验更易复用，让分析更可追溯，让工业智能体服务于现场工作。