恒美微站
首页
关于我们
建站服务
主题模板
案例展示
资讯中心
联系我们
低代码+AI智能体:新能源工厂智能制造落地的实战路线
首页
资讯中心
/
低代码+AI智能体:新能源工厂智能制造落地的实战路线
低代码+AI智能体:新能源工厂智能制造落地的实战路线
发布时间:2026/9/9 0:02:56
新能源工厂的产线数据每天都在膨胀但真正能把数据变成决策的人没几个。今年我带着团队把一个智能体系统直接架到了车间级的低代码平台上不是搞论文也不是做Demo而是让一线的工艺员、设备工程师能自己拖拽节点、改逻辑、调参数。这轮折腾下来我的结论很明确以AI大模型为“大脑”、低代码为“骨架”的智能体方案正在成为新能源智能制造落地最现实的一条路径。这篇文章就围绕我们在电池PACK、光伏组件车间的实际项目把从0到1的思路、架构拆解、实施细节和踩坑记录完整写出来。1. 为什么是新能源工厂为什么是这个时间点1.1 新能源制造的“三高”困境新能源工厂和传统汽车、3C制造最大的区别在于“三高”高工艺复杂度、高数据密度、高成本压力。以电池PACK线为例一台电池包的装配涉及电芯分选、模组堆叠、激光焊接、气密性检测、EOL测试等十几个工序每个工序都有几十个工艺参数温度、压力、扭矩、焊深、电压、内阻数据量级一天下来就是几百GB。更麻烦的是这些数据分散在PLC、传感器、MES、ERP里彼此之间几乎没有打通。高工艺复杂度带来的直接问题是异常根因定位极其困难。一台焊接设备报警可能的原因包括焊头磨损、来料批次波动、环境温湿度变化、参数漂移甚至前一道工序的分选逻辑发生变化。传统做法是老师傅凭经验排查快则半小时慢则一两天期间的停机损失和报废风险都很大。高数据密度则考验了现有IT系统的处理能力。很多工厂上了BI报表但BI只是把数据变成了图表并没有解决问题。它告诉你“OEE下降了8%”但不会告诉你“OEE下降是因为三号线的激光焊接功率在下午三点到五点出现了异常波动推测与冷却水温度升高有关”。这类跨系统、带推理的自动化分析传统BI完全做不到。高成本压力就更直接了。新能源行业从2023年开始进入价格战阶段电池成本、组件成本、度电成本都要降工厂必须从“低成本扩张”转向“精细化运营”。一边是降本指标层层加码一边是工艺和设备的复杂度非但没有降低反而因为新配方、新结构不断升级这对制造系统提出了前所未有的要求。1.2 智能体为什么能补上传统自动化的短板过去五年制造企业上了很多自动化系统MES、WMS、QMS、EAM但大部分系统的自动化能力是“僵化”的。规则引擎只能处理“如果A就B”的确定性逻辑一旦遇到跨系统、非结构化的复杂问题就无能为力。智能体的核心价值在于它把“感知—决策—执行”拉通成了一条链。大模型作为推理中枢能够理解自然语言描述的问题读得懂设备日志、工艺文件和班报表然后根据预设的工具调用来触发系统动作。低代码平台则提供了可视化的流程编排环境让这种能力不再依赖算法工程师的代码实现普通工程师也能根据现场情况调整Agent的行为逻辑。把这两者叠加在新能源工厂场景里正好破开了“懂数据的人不懂业务懂业务的人不会写代码”的死结。工艺员不需要写Python他只需要在低代码画布上拖一个“异常检测”节点再拖一个“查询工艺参数”节点连上“调用大模型分析”节点最后接一个“生成处置建议”节点一条智能产线巡检与预警的流程就搭起来了。1.3 低代码在其中的角色不是“简化编程”很多人一听到低代码就以为是给不会写代码的人用的玩具。在我们这次落地里低代码的核心价值完全不是“省写代码”而是提供了人与智能体之间的可控接口。智能体如果完全自动跑工厂是不敢用的。因为生产系统容不得半点模糊一条错误的指令可能导致整批产品报废。低代码平台在这里起到的是“人机共识层”的作用每个AI决策节点之间的流转逻辑、审批动作、回退策略都是显性的、可修改的。产线工人看得到一条自动化链路怎么走可以在关键节点插入“人工确认”步骤这消除了智能体上线的最大阻力——信任问题。2. 系统架构与工具选型我们是如何把AI和低代码黏在一起的2.1 整体架构分四层这个方案的整体架构我习惯分为四层来说每一层解决一类问题。数据接入层是地基。新能源工厂里的数据源特别杂有OPC UA协议从PLC采上来的实时数据有MES里的工序数据有ERP里的工单和物料数据还有大量PDF版的作业指导书、设备手册。这一层要解决的是“多源异构数据的统一接入和语义对齐”问题。我们用了物联网平台做时序数据采集再用低代码平台内置的ETL节点把业务系统的接口数据拉通大模型需要阅读文档时就挂一个文档解析组件。模型服务层是大脑。这一层包括大语言模型、视觉模型、预测模型、优化模型。大模型负责自然语言理解、根因推理、文本生成视觉模型负责产品外观检测和数据报表图像识别预测模型负责设备健康度预测和能耗预测优化模型负责产线排程等数学规划问题。低代码平台通过“模型配置节点”统一接入这些模型对外暴露的是标准化的接口。智能体编排层是神经中枢。这个层把“感知—决策—执行”串起来。一个Agent由若干节点组成节点之间通过数据流和控制流连接。低代码平台在这一层的核心能力是做状态管理和分支逻辑处理。例如一个设备预警Agent先判断报警级别如果是低级报警就只记录并通知如果是高级报警就触发大模型分析根因分析结果再进入人工确认节点。应用交互层是人与系统交互的窗口。我们做了三端PC端的管理看板、移动端的值班助手、车间大屏的实时监控。这三端共用同一套Agent逻辑只是展示的粒度不同。值班人员可以在企业微信里直接向Agent提问“昨晚三线停机的原因是什么”Agent会自动调度相关工具检索MES日志、设备报警记录、班次排班数据然后用自然语言回答。2.2 工具选型的三条原则在这次项目选型里我们对比了市面上的低代码平台、智能体开发框架和工控软件最终确定下来的选型原则有三条。第一条看生态联通能力不看单点功能。新能源工厂的IT环境不是空白是既有系统林立的场景。平台必须开箱即用地支持OPC UA、Modbus TCP、HTTP API、消息队列、数据库连接等常见协议。很多功能华丽的低代码平台一接工厂数据就卡壳原因就是协议适配层太薄了。第二条看模型管控粒度不看模型数量。平台里能不能对不同场景设置不同的大模型能不能对模型输出的长度、温度、安全规则做细粒度控制新能源工厂的质量场景要求强确定性而日报总结场景要求发散性两者对模型参数的需求是冲突的。平台要能支持在同一工作流中调用多个模型实例并且按节点做参数隔离。第三条看权限与审计能力不看部署形态。产线系统的任何改动都涉及质量追溯。智能体的每次自动执行、每次参数修改都要留痕。选低代码平台时必须确认它有完整的操作审计日志审计粒度要精确到节点级别而不是只有“谁在什么时候登录了系统”这种粗颗粒日志。对比维度传统规则引擎通用RPA低代码智能体平台逻辑表达能力只支持确定性规则适合固定流程操作支持规则模型推理对非结构化数据的处理不支持基本不支持原生支持文档/图片/语音逻辑修改成本需要IT改代码需要配置脚本拖拽改节点分钟级生效可解释性强中中到强每个节点可查看输入输出对人员要求业务人员难上手需要专人维护脚本工艺员经短期培训可调整3. 智能体从0到1的完整落地过程3.1 场景选择怎么找到第一个能“打样”的Agent智能体在制造业落地最大的忌讳是贪大求全。我们一开始就明确了第一期的目标不是建一个“万能系统”而是做三到五个能看得见效益的垂类Agent跑通之后再做横向复制。场景选择有三个筛选条件数据可得性高、决策链路短、效益可量化。以“涂布机参数自优化Agent”为例。涂布是电池极片生产的关键工序涂布面密度一致性直接影响电池容量和寿命。过去这个参数调整完全依赖工艺工程师的经验每次换型需要反复试跑材料浪费很大。这个场景满足三个条件涂布机的传感器数据完整PLC和MES里的历史数据都有决策链路短调整的就是涂布间隙、走带速度、浆料流量这几个参数效益可量化材料浪费的降低和良率提升可以直接算成金额。另一个打样场景是“设备运维问答Agent”。工厂里的设备手册有几百份PDF工程师排查故障时翻手册非常低效。我们把这些文档向量化后存入知识库再让Agent具备调用MES接口查询设备状态的能力工人遇到报警时直接在对话界面提问Agent会先查手册的相关章节再结合设备的实时数据给出初步判断。3.2 数据接入的“卡脖子”问题数据接入是整个项目里耗时最长、最容易翻车的环节。我们第一个月几乎全在跟数据搏斗。典型问题有三个。第一时区和对表问题。Mes里的时间是车间本地时间时序数据库存的是UTC时间两者默认差了8小时很多数据分析结论一开始全部错位。第二数据粒度问题。PLC采集是毫秒级MES记录是分钟级做关联分析时必须先做对齐和降采样。第三个问题最隐蔽是数据会话问题——不同批次的物料数据如果不在代码里显式区分模型很容易学到错误规律。我们的解决方式是标准化建立了三层数据模型物理层按设备ID和时间戳存储原始时序数据业务层按工单号、批次号组织工序数据指标层则把上述两层映射成OEE、良率、能耗等标准化指标。智能体在上层调用数据时不直接面对物理层的原始表而是通过指标层的统一接口去读这保证了语义的一致性。3.3 在低代码画布上搭智能体一个实例拆解下面用“质量异常根因分析Agent”作为实例完整拆解在低代码画布上搭建的过程。这个Agent的业务逻辑是某工序不良率突增时自动收集相关信息综合分析原因给出建议动作。流程共分五个节点。节点A是事件触发器。我们设置了两种触发方式定时触发每天早中晚各跑一次异常触发当MES里检测到不良率超过设定的阈值比如高于正常值1.5个标准差时实时启动。触发器节点里设置了冷却时间防止同一个异常反复触发。节点B是数据采集器。这里通过可视化配置把不良产品涉及的工单号、设备号、物料批次、工艺参数全部查询出来。这个节点最需要细心的地方是时间范围窗口。我们默认取异常发生前15分钟到异常发生后5分钟的数据这个窗口设定经过了多次反复验证。窗口太短会漏掉根因窗口太长会引入大量无关噪声。节点C是大模型分析节点。所有采集到的数据包括结构化参数和MES日志文本拼接成上下文后发送给大模型。提示词Prompt分三层组织第一层是系统设定告诉模型“你是新能源电池车间的质量分析专家”第二层是背景信息给出产线正常参数区间和已知的相关性规律第三层是待分析数据。这里最重要的是在提示词末尾加上“只根据提供的数据分析不要推测未提供的信息”这是为了防止大模型凭借训练时的记忆胡编参数。节点D是决策分支节点。根据大模型输出的结论置信度和原因类别决定后续动作路径。如果大模型给出“设备参数偏移类”的结论就进入参数调整建议模块如果是“来料批次问题”则自动生成来料隔离工单无论哪种情况最终都必须进入人工确认环节。节点E是人工确认与执行节点。系统生成建议后在企业微信里推送给工艺工程师工程师可以一键采纳、驳回或修改。采纳后系统才真正向MES发送参数调整指令同时把整个过程写入审计日志。从搭建时间来看这个Agent从画布拖拽到逻辑测试通过大约花了一个星期。这在传统开发模式下是不可想象的传统模式下至少需要两个月的需求调研和代码开发周期。3.4 多目标调度优化让Agent从“会分析”到“会决策”新能源工厂的调度是一个典型多目标优化问题。以光伏组件车间为例排产时同时要满足交期、设备利用率最大化、能耗最小化、换型次数最少化这几个目标。而且这几个目标之间常常互相冲突例如追求设备利用率最大化就会增加换型次数进而增加人工投入和物料消耗。传统排产系统大多用线性规划或启发式算法但真正落地效果差强人意。原因在于传统模型的实际排产过程中大量隐性约束无法建模比如某台设备只适合生产规格偏厚的组件、某条线夜班人员技能不足暂时不能承担精密工序。我们的方案是把大模型和传统优化算法结合。低代码平台里的“调度Agent”先通过自然语言接口向计划员收集当天交期、物料到货情况、人员出勤等实时信息再把这些信息转化为结构化约束条件传给底层求解器。求解器的核心用了带精英策略的NSGA-II多目标优化算法。算法的种群规模设为200迭代次数设为300交叉概率0.8变异概率0.1这三个参数是在历史数据上做了几组对照实验后确定的。优化完成后求解器会输出Pareto前沿的多个可行排产方案每个方案都有交期、能耗、利用率、换型次数的详细指标说明。最后关键一步是让大模型把每个方案解读成业务人员容易理解的决策语言“方案A比方案B交期缩短5小时但能耗增加3%且明早需要加班两小时。如果明天物料到货确认无误建议选方案A。”这一层自然语言解释才是调度Agent实际能被车间主管接受的关键。因为过去求解器给出的排产结果太抽象计划员看不懂、不敢相信自然就不会采用。3.5 人机协同回退机制的设计智能体上线必须设计好回退机制。我见过太多智能系统因为一次错误判断就彻底失去了现场信任之后就再也推不动了。我们的做法是“三层回退”第一层模型输出置信度低于某阈值时自动走人工确认不让系统自行决策第二层每个自动执行动作后面跟一个撤销按钮操作人员可以在五分钟内一键回滚第三层系统级控制开关车间的值班长可以一键把Agent切换到“只读分析”模式此时Agent只输出建议、不执行任何写操作。这个三层回退机制在特斯拉生产方式里叫“自动化以人为本”。让自动化的每一步都置于人的监管和可干预范围之内系ySTEM推进阻力会成倍减少。这条经验应该排在所有技术细节前面。4. 实施过程中的高频问题与排查技巧实录4.1 数据断层为什么AI经常“一本正经地胡说八道”这是整个项目中出现最频繁的问题。Agent分析出来的结论看起来很合理但实际一核查发现数据链路上存在着断裂。一次“焊接飞溅异常分析Agent”给出了错误结论我们排查了半天才发现问题出在数据集成任务上。焊接设备的飞溅级别由视觉系统判定视觉系统的数据先写入一套独立数据库再由定时任务抽取到数据仓库。那个定时任务在当天凌晨失败了导致Agent分析时使用的是视觉系统前一天的数据自然得出了错误回归。排查这类问题的核心技巧是在Agent每个数据采集节点后面加一个“数据新鲜度检查”子节点。如果数据的时间戳与当前时间的差值超过某设定阈值就中断流程并告警而不是把陈旧数据直接喂给大模型。同时我们还在监控大屏上专门做了一个“数据血缘图”的可视化面板把每个Agent节点用到的数据来源、采集任务、最近更新时间全部展示出来。一旦Agent结论可疑优先看数据血缘图80%的问题都能在那里找到原因。4.2 模型幻觉在工业场景下的“刑罚”级后果大模型的幻觉问题在写周报时无伤大雅在工业场景里却是致命的。有一次“设备保养提醒Agent”在分析某台空压机运行数据时杜撰了一个“空气过滤器压差超标”的结论结果差点触发一次不必要的停产保养。后来我们在所有涉及安全阈值的Agent节点上加了三层防护。第一层参数级防护建立关键参数的“硬边界”白名单大模型的输出如果超出白名单设定的物理范围直接判定无效。比如空压机压差的高报警值是60kPa模型说80kPa就自动拦截。第二层逻辑级防护增加“因果一致性校验”。模型说“因为A所以B”系统会检查A和B之间在历史数据里是否有统计相关性如果完全没有相关性就标记为可疑。第三层人工抽检机制每周随机抽取几个Agent决策记录由工艺专家评估质量。这三层防护下来大模型的输出可信度从开始的85%提升到了98%以上——虽然还有2%的误判空间但已经进入了“人工复检成本可接受”的范围。4.3 IT/OT网络隔离智能体的“最后一公里”难题新能源工厂的OT网络和IT网络通常是物理隔离的这是出于生产安全和网络安全的考虑。但智能体要发挥作用必须打通IT系统大模型部署环境和OT网络PLC、SCADA之间的数据通道。我们的方案是在DMZ区部署一套工业数据网关。网关通过OPC UA与OT侧设备通信只允许单向数据写入从OT侧采集的数据先经过协议解析和合法性校验再经安全审计后转发到IT侧的AI平台。反向的控制指令则需要经过双重审批而且所有控制指令都必须是低代码平台里预定义的模板禁止自由文本直接下发给设备。这个设计让网络安全的红线没有破同时又把AI能力送过了“最后一公里”。这是整个项目里在架构层面最值得自豪的决策。4.4 组织阻力一线工人和管理层的信任缺口系统上线过程中最大的阻力往往不是技术而是人。一线工人最开始很抵触他们的第一反应是“系统要替代我”中层管理者则担心“数据越来越透明自己的话语权会下降”。我们的破局方式是分几步走的。第一不叫“智能系统”叫“数据助手”从名字上弱化“替代”的恐惧感。第二先小范围试点选择积极配合的班组不搞一刀切强制推广。第三把“使用Agent处理异常案例”计入班组绩效考核的加分项让积极的班组得到实际的实惠。第四也是最重要的一步经理层的开放日——每两周让员工来反馈AI系统的不合理处真正采纳其中一部分建议。这个过程中让我感受最深的是智能体落地的本质不是技术导入而是组织学习和信任重建。凡是忽略这个规律的无论技术多先进最后都会哑火。5. 效果复盘与横向复制经验5.1 用数据说话三个月试点后的指标变化项目在试点车间运行三个月后我们收集了完整的数据。涂布机参数自优化Agent上线后换型时间平均缩短了37%换型过程中的极片材料浪费降低了约22%。质量异常根因分析Agent将异常定位的平均耗时从原来的4小时以上缩短到40分钟以内而且分析报告的完整度明显高于以往人工书写的报告。多目标调度Agent上线后排产方案的生成时间从半天缩短到半小时且计划员对方案的采纳率达到70%以上远高于过去优化算法的不到四成。能耗方面的收益同样可圈可点。调度Agent在排产时动态考虑了峰谷电价因素把高能耗工序尽量安排在谷电时段试点车间每月的电费支出下降了大约6%。别小看这6%在电池和光伏这种高能耗制造场景里电费是仅次于材料的大额成本项。5.2 什么类型的场景适合先做智能体基于这三四个月的折腾我总结出了新能源工厂里“适合智能体”的四个特征重复性高且依赖老师傅经验的场景如参数调整、故障排查经验可以被大模型学习并沉淀。跨系统数据综合分析的场景如质量异常定位传统单系统分析无法覆盖全局。决策结果需要被解释的场景如排产建议大模型能把复杂优化结果翻译成业务语言。知识密集型但写作/分析负担重的场景如设备运维问答、报表自动生成释放工程师精力去处理更重要的事情。反过来纯高频刚性控制类动作如设备启停、安全联锁不适合智能体直接决策必须留在PLC硬逻辑里。智能体的价值在辅助决策不在替代安全控制。5.3 从试点到规模化平台化路径怎么走试点跑通后问题就从“能不能做”转向了“怎么做大”。我们发现只有把能力沉淀成“可复用的组件”和“可配置的模板”才能真正规模化复制。具体做三件事。第一把一期项目的Agent流程拆成通用节点模块如数据查询节点、异常检测节点、大模型处理节点、人工审批节点做成低代码平台上的标准化组件新场景直接复用。第二建立“场景模板库”例如“设备健康管理模板”“质量追溯模板”“能耗优化模板”新工厂上线时先导入模板再根据产线差异做微调。第三建立模型运营机制针对每个场景定期评估模型准确率把新数据进行标注后回流到微调循环中。这套打法之下团队已经把智能体方案从最初的电芯车间复制到了模组PACK、光伏组件、储能系统集成等不同产线上。复制周期从首个场景的三个月缩短到了新场景的两到三周边际成本明显低于传统定制开发。写在最后的一点个人心得项目做下来我最深的一个感受是智能制造发展到今天瓶颈早就不是算法精度或者算力不够了而是“技术有没有被业务真正用起来”。AI低代码加智能体的组合最大的贡献是打破了“业务人员提需求IT部门写代码”的传统瀑布式协作让懂工艺的人第一次有了亲手定义“智能”的能力。如果你也在新能源工厂环境里准备推智能体我的建议是从最便宜、最易见效、最不影响主线生产的单点场景切入把组织信任建立起来比一次性铺开十多个场景重要得多。同时永远给人工干预留一个物理开关这不是技术妥协而是让智能系统在真实生产方式里活下来的最低成本。透明、可控、可回退才是智能制造智能体应用真正走向拐点的底气所在。