芯耀
273
本次分享聚焦于AI智能体在央国企的实践与探索。随着数字化转型的深入，如何让数据与知识真正服务于业务、赋能于生产，成为关键命题。本次邀请的专家，通过构建三类智能体应用：数据智能体、知识智能体与工业智能体，在提升决策效率、沉淀组织智慧、优化生产流程等方面，积累了一些具体经验与实施路径。分享嘉宾：金现代工业AI产品经理 张曦
内容已做精简，如需获取专家完整版课件和视频，请扫码领取。
01 数据智能体：让数据价值触手可及
关于数据价值，其实我们思考与探索了很长时间，而近两年，各行各业对数据的重视呈现爆发式增长。数据价值的核心，在于让每一位业务人员能够快速、自主地从数据中获得洞察或信息支撑，从而辅助其日常的调度、运维与决策工作。这是我们理解的数据核心价值所在。回顾我们最初建设数据平台、开展数据治理等一系列工作，其最终目标都是为了实现数据的有效应用。所谓数据应用，关键在于如何让人能够快速理解数据、挖掘数据中的信息，并以此辅助决策或日常工作的开展，这一点至关重要。如今，随着大模型与智能体技术的发展，我们能够将多种能力进行整合，进一步释放数据价值。关于实现数据价值的关键要素，我们总结了以下三个方面：
第一是快速响应。在查询数据时，系统能够迅速反馈结果，及时满足使用者的需求。
第二是低门槛获取。数据获取应当简便、易操作，尽可能降低使用难度。借助智能体或数据指标平台，用户可以通过自然语言交互或直观的选择操作，轻松获取所需数据。
第三，则是基于当前模型与智能体技术，进一步提供数据分析与辅助能力。这能够将原始数据转化为有价值的分析结论，并生成可视化结果，例如报表、图表等形式，从而支持更高效的决策，提升工作效率，真正推动数据在业务中发挥作用。
以智能体在实际场景中的应用为例。在面向销售领域，通过智能体快速查询关键数据指标，并支持图表报表展示、数据穿透及可信度验证。
在许多智能体上线初期，用户常会有一个共同疑问：如何判断返回的数据是否准确？这确实是数据应用中的一个核心问题。
我们开发数据智能体的过程，也经历了反复的调整与优化，尤其是在解决“数据可信”这一难题上。当模型统计出一个指标时，用户很自然地会问：这个数据是怎么统计出来的？基于哪些维度？是否与我理解的业务定义一致？在企业内部，不同部门对同一指标的名称或统计口径往往存在差异。例如，查询“今年某产品的赢单数据”，有的部门领导可能认为不应包含提前开工等项目，而其他领导则希望纳入。这类定义不一致的情况，常常影响数据的准确解读。
因此，针对可信度问题，我们的智能体在设计上会清晰展示其如何理解用户的问题、如何执行查询，以及具体使用了哪些查询条件。这有助于用户判断查询结果是否符合其目标诉求。
如果模型返回的结果不够准确，我们提供了相应的反馈与修正入口。举例来说，如果用户查询“本省”相关数据，而模型未能将“本省”准确对应到具体省份条件，用户可手动补充该条件。这一修正过程实际上是将“本省＝具体省份”这样的知识沉淀到智能体的知识库中。下次再遇到类似查询时，模型就能够正确理解并执行相应查询，从而实现持续学习和优化。
在数据类应用方面，我们也曾进行过实践探索，早期尝试过通过AI生成代码的方式来理解业务数据，并自动生成SQL查询语句。但我们发现这种方式存在一定局限：一是灵活性不足，一旦业务字段发生变动，模型可能无法准确理解，导致生成错误或不够精确的查询语句；二是生成的SQL对业务人员而言可读性较差，理解门槛较高。
因此，我们后续调整了技术路线，转向基于数据指标、依托数据平台进行查询的方案。围绕这一路线，我们将落地实施分为以下五个环节：
第一，明确智能体或数据查询分析的目标领域。无论是数据类、知识类还是生产类智能体，都需要首先界定其业务边界，进而系统梳理相关数据来源、治理方式，并统一团队对数据定义和口径的认知。
第二，构建语义层。这一环节包括建立指标体系、完善数据字典、梳理业务数据的语义模型，特别是将行业术语与专业知识进行沉淀和结构化整理。
第三，基于平台底座，整合指标库与术语库，逐步构建出智能体原型。
第四，上线试用与迭代验证。在这一阶段，我们会重点关注准确率、响应时间等关键指标，收集并整理优化问题，持续调整模型与交互逻辑。
第五，持续推广与运营。例如，我们从销售领域入手，后续可逐步拓展至质量、采购、库存等多个业务场景，推动智能体的规模化应用。
当前，许多企业已设立数字化运营部门，并逐步建立数据运营体系，持续推进数据能力的优化。在此过程中，彰显应用价值尤为关键，缺乏实际价值的场景往往难以落地或持续获得支持。因此，每个场景应用一段时间后，我们都需要进行总结，明确其在效率提升、利润挖掘等方面的具体成效。价值的显性化，有助于进一步深化数据应用，推动智能体在业务中持续发挥作用。
02 知识智能体：让组织智慧流动起来
当前企业普遍重视知识的持续沉淀，涉及隐性知识挖掘、知识自动萃取以及知识共享等方面，这些都是知识应用中的常见议题。
事实上，知识管理体系的建设已推行多年，但真正能够用好、持续运营的企业并不多。我们也对此进行了总结，其实相关国家标准已为我们梳理出知识活动的六大核心环节：
第一是知识鉴别，识别组织内有哪些知识、其价值高低、是否存在缺口，以及这些知识是显性还是隐性，从而明确知识资产的全貌。
第二是知识创造，包括通过研究、实验、学习及日常输出的文档等形式产生新知识，并判断其能否被有效沉淀下来。
第三是知识获取，关注如何让已沉淀的知识更方便地被检索和使用。
第四是知识存储，如何以合适的形式，如文本、视频、结构化记录等，将知识快速留存。
第五是知识共享，强调通过交流、传递或主动分发促进知识流动。传统模式往往是“人找知识”，而基于AI或智能体，我们更希望实现“知识找人”，从而提升知识利用效率。
第六是知识应用，指将知识实际运用于决策或业务中，解决具体问题。
当前，越来越多的知识运营与使用需求，恰恰是从“知识应用”这一环节倒推产生的。
例如在2025年上半年，企业需求可能还集中于“搭建知识库智能问答”；而到了下半年，需求已明显转向场景化，例如“自动生成报告与分析”“故障智能检修”等具体业务场景的落地。
这说明，企业不再满足于泛泛的知识管理或通用问答，而是希望知识能力能嵌入具体业务环节，解决实际痛点。
因此，现在的知识建设流程也逐步转变为：从应用场景出发，反向推动知识体系的完善。根据场景需要，鉴别所需知识是否存在、存储于何处、是否易于使用；如果缺失，则推动创造与沉淀；如果散落在不同系统，则需建立同步机制，汇聚至统一知识库，最终支持知识的应用与共享。这一闭环流程，正是当前知识类应用落地的典型路径。
基于知识类智能体的建设，我们总结了三个构建机制。
双轴驱动机制：
横向维度是实施推进的八个阶段，从前期准备、需求调研，到与业务人员同步认知、统一对知识管理与应用的重视程度；接着规划建设与沉淀路径；随后开展快速试点，验证可行后推广落地；在推广中持续收集反馈、迭代优化，并配套调整组织制度，形成常态化运营机制。例如，可通过设立“知识积分”等简单制度，激励专家贡献知识、兑换福利或获得表彰，以此促进知识沉淀与共享。
纵向维度是围绕知识活动的六大环节，以知识的鉴别、创造、获取、存储、共享、应用为核心业务循环，构建持续优化的联动机制。具体而言，从实际应用场景出发，明确所需知识，反向推动知识的持续收集、沉淀与智能体优化，形成“越用越准、越用越好”的双向驱动。
双向衔接机制：
实施阶段为知识活动提供资源、方向与规划；知识活动则为实施阶段提供载体与反馈。例如，通过知识应用数据支撑效果评估与后续改进。
长效闭环机制：
通过制度化运营，依托知识应用场景反馈知识缺失，进而推动新一轮的知识鉴别、创造与获取，实现持续迭代。这样既能帮助企业持续沉淀高价值知识，也能切实提升工作效率。配合定期复盘与赋能评估，可有效推动整个知识运营体系落地。
总结而言，数据与知识作为两大类基础信息，共同构成了智能体的底座与内核，支撑其在业务中持续发挥价值。
03 工业智能体：在关键生产环节创造可量化的价值
相较于前两类，工业生产领域的应用价值通常更为明显，也更容易量化。在实际场景中，工业智能体往往涉及多智能体协同或多类数据的整合应用，体现为生产环节的聚合式支持，以及机理模型与数据驱动的融合。因此，这类应用更具综合性，同时价值也更为突出，因为它通常围绕工业生产中的关键环节展开，这些环节频率高、价值大，对企业的生产效率和产品质量具有决定性影响。
在这些场景中，通过结合大模型、机器学习等人工智能技术，融合生产数据与专家经验知识，进行模型训练或智能体构建，能够为企业提供智能配料、工艺参数优化、视觉质检等能力，从而切实帮助企业实现提质、降本、增效。
需要强调的是，该类应用在落地前必须设定明确的目标与可量化的指标，例如质量提升5%、生产效率提高10%、每吨成本降低20元等。清晰的量化导向，是工业智能体价值实现与持续优化的重要基础。
以面粉生产为例，我们深入产业链具体环节，挖掘并落地了多个智能体应用。
面粉生产流程涵盖小麦原粮采购、仓储、清理、配麦、润麦、制粉及配粉等环节，每个环节均存在可通过智能技术优化的空间。
在原粮仓储阶段，小麦会按质量与品种分类存放于不同桶仓。生产时，首先进行清理与掺配。掺配的关键在于平衡成本与产品质量：不同小麦的理化指标各异，例如蛋白质含量高低不等，价格也随之不同。通过智能计算，可将高蛋白小麦与低蛋白小麦按精确比例混合，在满足成品面粉目标蛋白含量30%的同时，有效降低原料成本。
接着是润麦环节，即根据小麦自身含水量进行精准补水，使其在后续磨粉时更易加工，并令最终面粉水分接近国家标准14.5%。水分控制越精准，面粉产出率和利润率往往越高。
进入制粉阶段，磨粉机轧距的工艺参数，直接影响出粉效果与结构。通过智能调整，可使面粉品质更纯净，并实现最优出粉结构，根据精白粉、普通粉、麸皮等不同面粉的市场价格，动态调整工艺，追求整体利润最大化。
最后的配粉环节，可针对特定需求进行精细化调整。例如，若生产高蛋白烘焙专用粉，而国产小麦蛋白含量不足，可通过添加谷朊粉，也就是小麦蛋白来提升蛋白指标。智能配粉系统能在确保质量达标的前提下，精确计算最低成本的添加比例，实现质量与成本的双重优化。
经过上述多环节的智能体协同赋能，整体分析显示，每吨小麦加工成本可降低约十几元，单个工厂年利润有望提升百万元以上。这一案例说明，工业生产场景中的智能体应用，能够通过贯穿生产全流程的精细优化，实现显著、可量化的经济效益。
在配麦环节，我们开发的智能体集成了多种优化算法，并结合了长期积累的实践经验与知识。例如，某些小麦品种即使蛋白质含量超过30%，也并不适合用于制作高筋粉；而合格的高筋粉原料，通常需要满足面筋含量大于30%、稳定时间超过10分钟等综合指标。这类经验性知识被系统化地整合到模型中，形成决策依据。
具体操作中，系统会基于实时库存数据，包括各批次小麦的存量、理化指标、入库价格，以及生产目标面粉的质量要求，比如面筋强度、稳定时间、吸水率等，同时考虑实际生产中的约束条件，例如库存时间较长的小麦需优先使用，并为其设定不低于15%的使用比例。在此基础上，通过智能算法计算出在满足所有质量要求的前提下，成本最低的小麦配比方案。
该应用不仅降低了传统依赖人工试错的实验成本，还将每吨小麦的原料成本进一步降低。经统计，平均每吨可节省约10元。
此外，通过实际烘焙测试对比，智能体推荐的配麦方案与人工经验方案在最终成品表现上基本一致，验证了其可靠性与实用性，真正实现了“可用、可信、可推广”的智能体落地。
工业AI的落地推进通常经历三个主要阶段，体现了从传统人工操作到逐步智能化的演进过程。
第一阶段：人工主导阶段
在这一阶段，生产依赖人工操作，员工需要从DCS系统、实验室管理系统或仪器仪表中手动抄录数据，随后由经验丰富的老师傅、工程师或研发人员凭经验制定配方或工艺参数卡，再人工将这些设定录入生产系统。
第二阶段：人机协同阶段
随着智能体或模型的引入，我们进入人机协作的新阶段。通过信息化手段或部分保留人工采集，实现数据采集，由模型或智能体根据数据推荐工艺参数与配方。推荐结果经过人工审核确认后，再下发至生产系统执行。
第三阶段：全流程自动化阶段
经过第二阶段验证，当模型与智能体的可靠性、稳定性得到专家认可与生产实践佐证后，整个流程将进一步打通。从数据采集、模型推荐、配方生成到参数下发，实现全流程自动化运作。这相当于在生产环节中部署了高度可靠的“数字员工”，完成从前依赖人工的核心操作。
在工业智能体的应用落地过程中，我们通常将其划分为以下五个实施步骤：
第一步：需求分析
明确业务需求与具体使用场景，界定智能体的功能边界与预期目标。例如，是希望提升5%的产品质量，还是降低10%的能耗，需确立清晰、可衡量的效果指标。
第二步：数据收集与治理
围绕场景开展相关数据的采集与整理工作，确保数据质量与多样性，为后续模型训练提供充分支撑。数据样本需具备足够的代表性，若历史数据分布过于局限，例如反应时间仅有24小时和28小时两种记录，模型将难以从中学习到有效的优化规律。
第三步：模型建模与训练
通过模型选型、建模并进行训练，构建专项小模型或沉淀相关知识库，为后续智能体的开发打下基础，旨在提升智能体的准确性与整体性能。
第四步：智能体构建与验证
基于训练好的模型及沉淀的知识，构建应用智能体，并对其进行功能测试与效果验证，确保上线后达到初步可用的标准。
第五步：上线迭代与优化
智能体上线后，根据实际验证结果与用户反馈持续优化模型，不断完善相关知识沉淀，从而提升智能体的综合表现。
这五个步骤构成了工业智能体从规划到落地、持续演进的基本实施路径。
以上是本次分享的全部内容。
