传统MES系统从设计之初就不具备智能实时推理能力——它们基于固定逻辑运行，需手动配置，无法直接处理非结构化数据。但三波AI浪潮正在改变这一切：从经典机器学习到LLM再到AI智能体，制造执行系统正从“规则驱动”走向“推理驱动”。凯睿德制造CEO Francisco Almada Lobo在这份白皮书中指出，AI智能体不仅能解答疑问，更能解决实际问题、启动工作流程并实现跨系统协同作业。本文深度解析AI智能体MES的技术架构、演进路径与战略价值。
MES系统的架构困局
传统MES系统从设计之初就不具备智能实时推理能力。它们基于固定逻辑运行，需手动配置，且无法直接处理日志、图像或文本等非结构化数据。AI与数据科学团队常孤立运作，与车间运行系统脱节。AI试点项目在孤立环境中可能表现优异，但无法实现规模化生产应用。
白皮书指出，这不仅是一个技术问题，更是一个架构问题——是在需要系统思维时，却仍用分层思维考虑问题的弊端。如果MES、自动化和数据平台仍保持松散耦合，AI将始终处于边缘地位，沦为无关紧要的点缀，而非核心中枢系统。
三波AI浪潮与MES智能化
白皮书将制造业AI的发展轨迹划分为三波相互重叠但各具特色的浪潮。
第一波：经典机器学习。基于结构化数据和统计学习实现预测模型，能够预测需求、预判维护需求或检测异常，但需要干净的输入数据和大量人工监督。
第二波：大型语言模型（LLM） 。在自然语言和非结构化领域引入通用智能，能够以通俗语言总结日志、起草SOP并与操作人员交互。但在领域适配、幻觉问题和操作可靠性方面存在不足。
第三波：AI智能体。将LLM能力与记忆、规划和工具使用相结合，能够自主采取行动、根据反馈调整策略，并进行跨步骤推理。它们不仅能解答疑问，更能解决实际问题、启动工作流程并实现跨系统协同作业。
LLM在工厂车间的应用与陷阱
若应用得当，LLM在工业领域的应用前景极为广阔：自然语言界面让操作员可直接提问并获取分析结果；自动化文档生成使SOP、交接班记录实时生成；根本原因探究辅助初步诊断；跨系统推理整合MES、ERP、PLM等多源知识。
但LLM在缺乏结构化支撑时表现不佳。幻觉综合症——生成听起来合理但完全虚假的陈述，在制造业中可能导致诊断错误或不安全建议。金鱼综合症——不具备长期记忆能力，来自某一班次的洞察在下一班次即丢失，工作连续性难以保障。反向助手综合症——可能建议操作但不会执行，导致智能与行动脱节，非但没有实现自动化，反而造成了瓶颈。
AI智能体与MES智能体层级
AI智能体的核心架构
AI智能体是一种具备目标导向的系统，它通过工具与外界交互，保留记忆并运用推理能力来实现目标。与传统MES遵循线性确定性流程的逻辑不同，智能体工作流采用条件逻辑与推理机制运行，赋予系统更高的灵活性和韧性。
MES智能体四层级
白皮书提出了MES智能体的四个演进层级。静态自动化——遵循固定规则，不具备决策能力。智能体工作流——在遵循约束条件的同时根据上下文自适应调整。自主智能体——通过推理、记忆和目标进行决策，无需预定义逻辑。协调智能体——负责监督并协调其他智能体，实现系统级优化。
这一演进使企业能够逐步从确定性控制过渡到自适应智能，在确保运营安全性和稳定性的同时，在每个阶段都获得价值提升。
战略启示——从传统MES到智能体MES
向基于智能体的MES转型关乎准备就绪程度，而非可行性。成功需要夯实数据架构、集成与治理方面的基础投入。高管团队必须首先围绕统一的语义模型整合自动化系统、MES和数据平台。在此基础上，在受控的高价值应用场景中试点智能体工作流。
从传统MES向基于智能体的智能系统转型标志着新制造范式的开端。随着AI智能体能力日益增强、互联程度不断提高，并更深地融入运营逻辑，工厂将不再需要自上而下的僵化协调。智能将从系统内部自行涌现。这些智能体将能够预测故障、优化性能，并从每次轮班中学习——它们不会取代人类，但将改变人类的工作重心，从干预转向监督，从被动应对转向主动改进。
