很多工业智能体项目会从知识库问答开始。企业将设备手册、SOP、维修文档、工艺规范、质量标准、EHS 制度等资料导入知识库，让工程师通过自然语言提问，例如“某设备报警代码是什么意思”“这类缺陷如何处理”“某工序的点检要求是什么”。

这类应用是合理的起点，但如果企业希望智能体真正参与生产分析、异常处理和流程协同，仅靠 RAG 远远不够。

原因在于，工业现场不仅有知识，还有大量不可突破的约束。知识可以用于解释问题，但约束决定了什么可以做、什么不能做、谁可以做、做到什么程度、是否需要审批，以及出现异常时必须如何升级处理。

因此，工业智能体不能只建设知识库，还必须建设面向生产现场的规则系统、约束系统和流程控制机制。

一、工业知识不只是文档内容

在工业企业中，知识通常分散在多类载体中：

• 设备手册。
• 维修 SOP。
• 工艺规程。
• 参数窗口。
• 质量标准。
• 检验规范。
• 客户特殊要求。
• EHS 安全制度。
• 维修案例。
• 专家经验。
• 班组口头经验。
• 历史异常报告。

其中一部分适合进入知识库，用于检索和解释；另一部分则必须转化为确定性规则。

例如，“设备启动前需要检查润滑油位”可以作为 SOP 文档被检索；但“当压力超过上限时不得继续升压”“某参数不得超出工艺验证窗口”“未完成首件确认不得批量生产”，就不能只停留在文档里，而应进入规则校验和流程控制。

如果智能体只通过 RAG 引用文档，很可能出现以下问题：

• 引用到过期版本的 SOP。
• 将不同设备型号的维修方法混用。
• 忽略参数上限和安全边界。
• 对需要审批的动作给出直接执行建议。
• 将经验性建议误认为强制性操作。
• 在不适用的产品或工艺场景中引用错误标准。

因此，工业智能体的知识体系建设，必须区分“可解释知识”和“强制约束”。

二、软知识与硬约束需要分层管理

工业智能体中的知识可以分为两类。

第一类是软知识，用于帮助理解、解释和分析。例如设备故障机理、常见缺陷原因、维修经验、工艺原理、操作注意事项和历史案例。这类知识适合通过知识库、向量检索、知识图谱或案例库提供给模型使用。

第二类是硬约束，用于限制智能体的输出和动作。例如安全边界、参数上下限、质量放行条件、审批权限、设备互锁、EHS 要求、客户标准和法规要求。这类内容不应仅由模型“理解”，而应转化为规则引擎、权限系统、校验器和工作流节点。

例如，在工艺参数推荐场景中，智能体可以根据历史良率和过程数据建议优化温度曲线。但建议值必须经过以下检查：

1. 是否在工艺验证窗口内。
2. 是否符合当前产品型号。
3. 是否适用于当前设备和模具。
4. 是否需要工艺变更审批。
5. 是否存在客户特殊限制。
6. 是否会影响安全、环保或设备寿命。

这类判断不应完全依赖大模型自由生成，而应由确定性的规则系统执行。

三、工业智能体的知识工程架构

一个较可靠的工业智能体知识工程架构，可以分为四层。

1. 文档知识层

包括设备手册、SOP、工艺说明、质量标准、维修手册、培训资料等。这一层适合使用 RAG 技术，使智能体能够基于原文回答问题，并引用具体来源。

关键要求是保留元数据，例如文档版本、生效日期、适用设备、适用产品、所属工厂、审批状态和权限等级。

2. 结构化知识层

将文档中的关键实体和关系结构化，例如设备、部件、报警代码、故障模式、缺陷类型、工艺参数、质量指标、物料类别和处理动作。

这一层可以通过知识图谱、主数据模型或关系表实现。它的作用是让智能体不仅能“查到文档”，还能理解对象之间的关系。

3. 规则约束层

将关键的安全、质量、工艺和权限要求转化为可执行规则。例如：

• 参数上限和下限。
• 设备状态允许条件。
• 质量放行条件。
• 工单流转规则。
• 批次隔离规则。
• 审批权限规则。
• 高风险动作拦截规则。

这一层是工业智能体能否安全进入生产流程的关键。

4. 流程编排层

将知识、数据、规则和工具调用组合成业务流程。例如报警处理流程、质量异常处理流程、维修工单流程、参数变更流程和批次追溯流程。

智能体在这一层不只是回答问题，而是推动流程向前走，但每一步都应被规则和权限约束。

四、项目示意：质量异常处理中的知识与约束

假设某制造企业希望建设一个质量异常分析智能体，用于辅助工程师处理外观缺陷。

用户输入：

“今天 B 产品划伤缺陷明显上升，帮我分析原因，并给出处理建议。”

如果只依赖知识库，智能体可能回答：

“划伤可能与搬运、夹具、清洁度、设备接触面或包装过程有关，建议检查相关工序。”

这个回答并没有错，但价值有限。

如果系统建立了知识与约束体系，智能体可以进一步：

1. 查询 B 产品的工艺路线和关键质量控制点。
2. 查询当天划伤缺陷的时间分布、工位分布和批次分布。
3. 关联最近是否发生换线、换夹具、设备维修或包装材料更换。
4. 检索历史划伤案例。
5. 检查该缺陷是否触发客户特殊管控要求。
6. 判断是否达到批次隔离阈值。
7. 输出候选根因和证据链。
8. 根据规则判断是否需要启动质量异常流程。
9. 生成待审批的隔离建议和复检计划。

最终输出可以是：

• 划伤主要集中在 14:00 后生产的两个批次。
• 14:10 更换过输送夹具，历史案例中该夹具磨损曾导致相似划伤。
• 当前缺陷率已超过内部预警阈值，但尚未达到强制停线阈值。
• 由于 B 产品属于客户重点管控型号，建议隔离 14:00 后批次，并安排外观复检。
• 已生成质量异常处理单草稿，等待质量工程师确认。

这种输出就不只是知识问答，而是“知识 + 数据 + 规则 + 流程”的协同结果。

五、从 RAG 到可执行知识系统的实施建议

企业在建设工业智能体知识体系时，可以按三个阶段推进。

第一阶段，建设高质量知识库。重点不是把所有文档都导入，而是选择高频、高价值、高可信的资料，例如设备手册、报警说明、维修 SOP、质量标准和典型案例。每份文档都应带有版本、适用范围和权限标签。

第二阶段，抽取关键结构化知识。围绕具体场景建立实体和关系，例如设备—报警—故障原因—处理动作，产品—工艺—参数—质量指标，缺陷—工位—根因—验证方法。

第三阶段，建设规则和流程约束。将关键安全边界、参数窗口、审批条件、质量阈值和权限要求转化为规则，使智能体的建议和动作都能被系统校验。

这一路径可以避免知识库项目停留在“能问答但不能落地”的状态。

结语

工业智能体不能只依赖 RAG。RAG 解决的是“从哪里找到相关知识”，但工业现场还需要回答“这条知识是否适用”“这个建议是否安全”“这个动作是否允许”“是否需要审批”“是否触发质量或安全流程”。

因此，工业智能体的知识体系必须从文档问答升级为可执行的知识工程体系。只有把软知识、硬约束、结构化关系和业务流程结合起来，智能体才可能成为真正可信的工业协同系统。