工业智能体落地：Web 端排产、质检、维保的三个可验收场景

2026 年 10 月 20 日国新办发布会上，工信部把工业智能体放进了「加快智能技术攻关和推广应用」这项工作中，并给出一句相当务实的推进原则：围绕智能排产、参数调优、缺陷检测、设备运维等场景，稳妥开展工业智能体研发与应用验证，成熟一个、推广一个（科创板日报，2026-10-20）。

这句话对做系统集成的人来说是个明确信号：工业智能体不是买一块「通用大脑」接上去就能跑，它必须在一个具体场景里被验收。下面按政策基线、三个场景、架构边界、验收指标、落地顺序拆开讲，目标是让每一段都能写进合同或验收单。

1000 个工业智能体和 70% 普及率，是两个不同口径的数字

先校正一个在传播中被混在一起的地方。八部门《「人工智能+制造」专项行动实施意见》给出的 2027 年目标是：推出 1000 个高水平工业智能体，打造 100 个工业领域高质量数据集，推广 500 个典型应用场景，选树 1000 家标杆企业。文件里「1000」指的是智能体数量和标杆企业数量，通篇没有一个「普及率」的表述。

而「到 2027 年新一代智能终端、智能体等应用普及率超 70%」出自国务院《关于深入实施「人工智能+」行动的意见》，口径是「智能终端、智能体等」，覆盖面比工业智能体宽得多。把两者混为一谈，立项时的预期管理就会失真——70% 不是「车间里 70% 的排产任务由智能体执行」，1000 个也不是「全国要装 1000 套系统」。

真实基座要看企业侧渗透数据。据「科创板日报」报道引述海通国际统计，工业 AI 采用率并不均衡：大企业达 15.5%，小企业仅 5.4%，设备制造业 AI 投入占比 13.5% 领先，采矿与化工仍低于 7%。规模门槛和行业基础共同决定了落地节奏。

这组数字的实际含义是：现在该讨论的不是「要不要上」，而是「在最低与最高渗透率这段差距里，先落哪一步最不容易失败」。同一篇报道引述海通国际的一句判断——通用大模型提供「智力」，工业软件提供「组织」，智能体只有挂载在既有工作流容器里才能落地执行。工艺参数、设备运行数据、历史项目知识沉淀在软件系统里，这些不在互联网上，模型厂商无法自取。

先对齐定义：什么才算工业智能体，而不是一个聊天框

中国工业互联网研究院的定义值得逐字读：面向明确工业目标和特定工业环境，融合工业数据、知识、模型与机理，具备环境感知、任务理解、规划决策、工具调用、协同交互、受控执行和反馈优化能力，能够在设定权限和安全边界内完成数字或物理工业任务的软件实体或软硬一体化智能系统。

定义里有两处是验收抓手。一是「工具调用」和「受控执行」被拆成两种能力，意味着它必须真能查到 MES 里那张工单，而不是生成一段看起来合理的解释；二是「设定权限和安全边界」，意味着授权范围要落在系统里，而不是靠提示词要求它「不要乱操作」。

政策文件也把这一层写得很具体：研制开放协同的智能体协议和接口，构建智能体分类分级管理体系，探索智能体注册发现、身份认证、接入管理机制。翻译成工程语言就是三件事——身份、权限、留痕。这三样如果有一样缺失，这个系统在验收会上就很难站住。

场景一：Web 端排产异常原因解释（只读）

• 输入数据：MES 工单与工序报工记录、设备状态与停机记录、物料齐套与到货时间、换型换模记录、班次与人员排班。时间窗固定为异常工单前后各 N 小时，只拉这段时间的数据，不做全量扫描。
• 输出形态：一段结构化归因——异常落在哪道工序、牵涉哪条约束（产能、物料、设备、人员、换型）、每条的置信度，以及支撑结论的具体数据行（工单号、时间段、设备编号）。结果写在 Web 控制台的「异常说明」字段里。
• 不做什么：不修改排产结果、不下发指令、不动工单优先级。这一阶段它对生产计划的唯一影响，是让计划员少查几十分钟。
• 人工兜底：计划员在控制台逐条确认或驳回，驳回原因存下来作为下一轮检索的负样本。

为什么从只读开始，原因是错误代价不对称。一句错误的归因最多让计划员多查十分钟；一条错误的自动改排会连锁影响交期、物料和客户承诺。只读场景能用最低成本把「模型会不会胡说」暴露出来。

验收时看的不是归因写得像不像，而是结论能否被数据行支撑。凡是出现数据里没有的工单号、设备编号或时间点，直接判失败。这类校验不需要业务专家参与，可以脚本自动跑，这也是它适合做一期目标的原因。

场景二：视觉质检缺陷归因与复判（人终判）

• 输入数据：缺陷图像与工位、批次、产品型号，同批次工艺参数（温度、压力、速度等），该缺陷类型的历史复判结论与处置方式。
• 输出形态：缺陷类型粗分类，可能成因排序（来料、设备、工艺、操作），建议复判结论（放行、返工、报废），以及若干相似历史样本编号供人工对照。
• 不做什么：不直接控制分选机构，不改变判定阈值，不自动放行。判定权在质检员，系统只回答「下一张该看哪张、先怀疑什么」。
• 人工兜底：复判台保留人工终判入口，人工改判一律落库，作为归因模型的标注回流。

政策的生产制造环节条目明确提到推广机器视觉、无人智能巡检等工业质检技术，强化产线实时监测和预测性维护，方向在国家层面是清晰的。但这不改变一条工程事实：视觉质检的瓶颈很少是模型精度，而是缺陷样本的标注一致性和成因追溯能力。这块在AI 质检系统定制开发里有更细的工程复盘：模型上线只是起点，复判流程才决定它能不能长期用。

所以这个场景最有价值的产出，不是「识别率提升多少个百分点」，而是把「这批划痕为什么集中出现在第三工位」讲清楚。前者要长周期统计才能验证，后者当天就能被工艺工程师判断对错——验收成本差一个量级。

场景三：设备维保工单分诊（建议而非派单）

• 输入数据：报警码与发生序列、点检记录、设备台账与履历、备件库存，以及历史同类工单的处置结果。
• 输出形态：工单分类（机械、电气、工艺、操作），优先级建议，按可能性排序的排查步骤，需要预领的备件清单。
• 不做什么：不直接派单到人、不触发停机、不写设备控制参数。
• 人工兜底：设备工程师接单时确认或改判分类，改判率按周统计并回看。

三个场景里，这个最容易量化。备件预领准确率、平均到场准备时间、重复返修率，在现有工单系统里都有据可查，不需要新建一套指标体系，也不需要等半年的数据积累。

架构：Web 控制台、边缘推理与 MES/SCADA 接入的权限切面

三个场景可以共用一套架构，差别只在写权限的开关。分三层：

1. 边缘侧推理：视觉推理、时序特征提取、异常初筛在厂内完成。原始图像与高频时序数据不出厂，出厂的只有结构化摘要——缺陷类型、特征值、时间戳。
2. Web 控制台：任务编排、结果审阅、人工确认、留痕与导出。所有人工动作在这里发生，所有结论在这里被签收。这也是绝大多数工业软件既有工作流容器的所在。
3. MES / SCADA 数据接入：只读账号或网关代理，按视图授权。写回通道默认关闭，按场景逐个开启并单独审批，任何一处开启都要有对应的回退方案。

权限边界建议按「数据能不能出厂」和「动作能不能执行」两个维度切，而不是按角色切。按角色切的表看着整齐，但一旦有人兼岗就会失效。

审计留痕至少要落四类字段：谁发起的任务、读了哪些数据（表名、行数、时间窗）、模型输出了什么、人工最终采纳了什么。第四项最容易被漏掉，而没有它，你无法回答「这套系统到底有没有被用起来」——只能回答「它跑过」。

补一个站内观察。截至 2026 年 10 月 23 日本次查询，优码云站内当前可公开访问的 100 条案例页面记录中，端标签为 Web 的有 97 条，行业标签为智能制造的 15 条。这只是页面目录计数，且这批记录的具名人工核验状态均待核，不能当作交付量或成效证明；它能说明的只有一件事——我们的交付面主要落在 Web 端管理系统上。所以工业智能体接入控制台这件事，对我们是把既有能力往前接一段，而不是另起一套。

验收指标怎么写：四个指标和退出条件

验收条款里最容易写错的是「任务成功率」。分母含糊的时候，这个数字可以被调到任何想要的值。四个指标都要带口径、带数据来源；阈值这一列只写回测方法，不抄外部基准——每家厂的人工基线和数据质量都不同，套一个来路不明的百分比，等于提前给自己埋争议：

退出条件要写进合同，而不是只写在方案里。建议三条：出现一次 P0 级错误、人工接管率连续两周超过阈值、单次任务成本连续一个月高于人工基线。写清退出条件反而是项目能启动的前提——它把「万一不好用」从争论变成流程。

落地顺序：先读侧，后写侧

按「动作对物理世界的影响」排序，顺序基本是确定的：

1. 第一阶段，只读：排产异常解释、质检缺陷归因。智能体只读数据、只写说明字段，可随时关停且不影响生产。
2. 第二阶段，给建议：维保工单分诊。输出进入既有工单的建议栏，人工接单即覆盖，不改任何自动化流程。
3. 第三阶段，受控写入：只开一条写通道，例如按归因结论自动预领备件，或把特定缺陷类型自动分到复判队列。逐条开、逐条审、逐条留回退开关。
4. 第四阶段，不默认做：设备参数下发、排产结果自动改排。这两个即使技术可行，也需要单独的安全评估和责任划分，不应当作一期的隐含目标。

这个顺序和东吴证券在同一篇报道中的判断一致：未来不会以纯神经网络取代传统仿真的方式发展，而会形成机理模型提供边界、神经网络学习残差、实时数据校正状态、智能体执行闭环控制的融合体系。机理模型给边界，这条在工程上等价于一句话——写权限要一层层开。

如果需要把这套验收设计对着具体产线过一遍，可以看看我们的案例，或直接联系我们聊场景。优码云总部在深圳福田，交付以 Web 端管理系统为主，粤港澳大湾区可现场、其他地区远程加现场混合。

常见问题

中小企业渗透率偏低，从哪个场景切入最划算？

维保工单分诊。数据已经在工单系统里，不需要新建采集能力；输出只需人看一眼，错误代价低；收益指标（备件预领准确率、到场准备时间）在现有系统里可查。相比之下视觉质检需要图像采集与标注体系，前置投入大得多。

模型一定要部署在厂内吗？

按数据类型分开决定，不是按模型大小决定。视觉推理和时序特征提取放在厂内边缘节点，原始图像与高频数据不出厂；语言类归因可以走云端，但输入应替换为脱敏摘要。判断依据只有一个：这类数据能不能出厂。不能出厂的，推理就得在本地。

能不能一步做到智能体自动改排产？

不建议作为一期目标。中国工业互联网研究院的这份定义用的是「受控执行」这个词，本身就预设了权限边界。更现实的做法是先把归因做准，用两三个月的人工接管数据证明它在什么条件下可靠，再谈让它在窄范围内自动执行。

怎么证明这套东西不是演示用的？

看两样东西：审计的四类字段里有没有「人工最终采纳了什么」，以及合同里有没有明确的退出条件。前者证明它真的进了工作流，后者证明双方都准备好在它不达标时停下。

参考

• 工业和信息化部等八部门《「人工智能+制造」专项行动实施意见》（工信部联科〔2025〕279 号），国家数据局转发
• 科创板日报：《事关工业智能体！工信部谋划新一代智能制造发展 相关政策正在起草》，2026-10-20